すべてのプロダクト
Search
ドキュメントセンター

Alibaba Cloud Model Studio:Qwen-Audio-ASR Node.js SDK

最終更新日:Nov 19, 2026

前提条件

コンソールで API キーを取得し、環境変数 DASHSCOPE_API_KEY に設定します。

SDK のインストール

Node.js 18 以降が必要です。SDK 0.1.0 パッケージをダウンロードし、プロジェクトで次を実行します。

npm install ./dashscope-sdk-nodejs-0.1.0.tgz

クイックスタート

以下の呼び出し例を共用できます。表に従ってモデル ID を置き換えてください。

モデルサンプルのモデル ID
Qwen-Audio-ASR-Streamingqwen-audio-3.1-asr-flash-streaming
Qwen-Audio-ASR-Messageqwen-audio-3.1-asr-flash-message

サンプル音声を input.mp3 として保存し、16 kHz、16-bit、モノラル PCM に変換します。

ffmpeg -i input.mp3 -f s16le -ac 1 -ar 16000 input.pcm

次のサンプルを example.mjs として保存し、node example.mjs を実行します。

import { readFile } from 'node:fs/promises'
import { setTimeout as sleep } from 'node:timers/promises'
import { RecognitionClient } from 'dashscope-sdk-nodejs/asr'

const pcm = await readFile('input.pcm')
const asr = new RecognitionClient({
  apiKey: process.env.DASHSCOPE_API_KEY,
  workspaceId: process.env.DASHSCOPE_WORKSPACE_ID,
  baseUrl: 'dashscope-intl.aliyuncs.com',
  model: 'qwen-audio-3.1-asr-flash-streaming',
  format: 'pcm',
  sampleRate: 16000,
})
asr.on('sentenceEnd', sentence => console.log('Final sentence:', sentence.text))
asr.on('error', err => console.error(err.code, err.message))

try {
  await asr.start()
  for (let offset = 0; offset < pcm.length; offset += 3200) {
    asr.sendAudio(pcm.subarray(offset, offset + 3200))
    await sleep(100)
  }
  await asr.finish()
} finally {
  asr.close()
}

リクエストパラメーター

Qwen-Audio-ASR-Streaming

共通リファレンス

RecognitionClient のコンストラクターオプション:

パラメーター

型

必須

説明

apiKey

string

いいえ

API キー。デフォルトは DASHSCOPE_API_KEY。

workspaceId

string

いいえ

ワークスペース ID。デフォルトは DASHSCOPE_WORKSPACE_ID。

baseUrl

string

いいえ

サービスホスト名を dashscope-intl.aliyuncs.com(シンガポール)に設定します。

model

string

いいえ

モデル ID。デフォルト:qwen-audio-3.1-asr-flash-streaming。

format

'pcm' | 'wav' | 'mp3' | 'opus' | 'speex' | 'aac' | 'amr'

いいえ

音声形式。デフォルト:pcm。WAV は PCM、Opus/Speex は Ogg コンテナー、AMR は AMR-NB を使用します。

sampleRate

number

いいえ

実際の音声サンプリングレート(Hz)。デフォルト:16000。

vocabularyId

string

いいえ

事前コンパイル済み語彙リスト ID。

languageHints

string[]

いいえ

認識言語のヒント。先頭の最大 4 値が有効です。省略時は自動認識します。

multiThresholdModeEnabled

boolean

いいえ

VAD の区間が長くなりすぎるのを防ぐ複数しきい値モード。デフォルト:false。

maxSentenceSilence

number

いいえ

VAD の文終了無音しきい値(ms):[200,6000]、デフォルト:800。

heartbeat

boolean

いいえ

無音時の接続維持。デフォルト:false。有効時も無音音声を継続送信します。

context

AsrContextMessage[]

いいえ

認識コンテキスト。形式は { role, content: [{ type: "input_text", text }] }、role は user または assistant。各ロール最大 5 件、合計 400 文字未満で、対話のターン順に並べます。

parameters

Partial<RecognitionParameters>

いいえ

追加の認識パラメーター(vad_model、keep_dialect、vocabulary など)。

connectTimeoutMs

number

いいえ

接続タイムアウト(ms)。デフォルト:10000。

taskTimeoutMs

number

いいえ

開始・終了確認のタイムアウト(ms)。デフォルト:60000。0 で無効化します。

parameters.vad_model

'near_meeting_16k' | 'far_field_meeting_16k'

いいえ

近距離または遠距離の VAD。デフォルト:far_field_meeting_16k。

parameters.keep_dialect

boolean

いいえ

方言表現を保持します。デフォルト:false。

parameters.vocabulary

Record<string, number>

いいえ

即時語彙。キーは単語、値は重み [1,5] または 50。

parameters.speech_noise_threshold

number

いいえ

VAD 感度しきい値:[-1,1]。

Qwen-Audio-ASR-Message

共通リファレンス

RecognitionClient のコンストラクターオプション:

パラメーター

型

必須

説明

apiKey

string

いいえ

API キー。デフォルトは DASHSCOPE_API_KEY。

workspaceId

string

いいえ

ワークスペース ID。デフォルトは DASHSCOPE_WORKSPACE_ID。

baseUrl

string

いいえ

サービスホスト名を dashscope-intl.aliyuncs.com(シンガポール)に設定します。

model

string

はい

モデル ID を qwen-audio-3.1-asr-flash-message に設定します。

format

'pcm' | 'wav' | 'mp3' | 'opus' | 'speex' | 'aac' | 'amr'

いいえ

音声形式。デフォルト:pcm。WAV は PCM、Opus/Speex は Ogg コンテナー、AMR は AMR-NB を使用します。

sampleRate

number

いいえ

音声サンプリングレート。16000 Hz を使用します。

vocabularyId

string

いいえ

事前コンパイル済み語彙リスト ID。

languageHints

string[]

いいえ

認識言語のヒント。先頭の最大 4 値が有効です。省略時は自動認識します。

disfluencyRemovalEnabled

boolean

いいえ

言いよどみを除去して結果を整えます。デフォルト:false。

maxSentenceSilence

number

いいえ

VAD の文終了無音しきい値(ms):[200,6000]、デフォルト:800。

heartbeat

boolean

いいえ

無音時の接続維持。デフォルト:false。有効時も無音音声を継続送信します。

context

AsrContextMessage[]

いいえ

認識コンテキスト。形式は { role, content: [{ type: "input_text", text }] }、role は user または assistant。各ロール最大 5 件、合計 400 文字未満で、対話のターン順に並べます。

parameters

Partial<RecognitionParameters>

いいえ

追加の認識パラメーター(vad_model、keep_dialect、vocabulary など)。

connectTimeoutMs

number

いいえ

接続タイムアウト(ms)。デフォルト:10000。

taskTimeoutMs

number

いいえ

開始・終了確認のタイムアウト(ms)。デフォルト:60000。0 で無効化します。

parameters.vad_model

'near_meeting_16k' | 'far_field_meeting_16k'

いいえ

近距離または遠距離の VAD。デフォルト:far_field_meeting_16k。

parameters.keep_dialect

boolean

いいえ

方言表現を保持します。デフォルト:false。

parameters.vocabulary

Record<string, number>

いいえ

即時語彙。キーは単語、値は重み [1,5] または 50。

parameters.speech_noise_threshold

number

いいえ

VAD 感度しきい値:[-1,1]。

parameters.intermediate_result_enabled

boolean

いいえ

認識中間結果を返します。デフォルト:false。

API リファレンス

Qwen-Audio-ASR-Streaming

主なメソッド

メソッド

戻り値

説明

start()

Promise<void>

認識を開始します。完了後に音声を送信します。

sendAudio(audio: Buffer | Uint8Array)

void

設定した形式とサンプリングレートで音声フレームを送信します。

finish()

Promise<void>

音声入力を終了して完了を待ちます。テキストはコールバックで返します。

close(code?: number, reason?: string)

void

接続を閉じてタスクのリソースを解放します。

コールバックイベント

on(event, listener) でコールバックを登録します。全フィールドはサーバーイベントを参照してください。

イベント

ペイロード

説明

started

{ taskId: string }

タスクが開始し、入力を受け付けます。

result

{ text: string; sentence_end: boolean; sentence_begin?: boolean; words?: RecognitionWord[] }

中間または最終の文。ハートビート結果は除外されます。

sentenceEnd

{ text: string; sentence_end: boolean; sentence_begin?: boolean; words?: RecognitionWord[] }

sentence_end === true の最終文。

finished

{ taskId: string; duration?: number; usage?: RecognitionUsage }

タスクが終了し、ローカルのタスク状態がクリアされました。

failed / error

DashScopeError

呼び出しエラー。code、message、リクエスト識別子を含みます。

close

{ code: number; reason: string }

基になる接続の切断通知。

event

ServerEvent

元のサービス JSON メッセージ。

Qwen-Audio-ASR-Message

主なメソッド

メソッド

戻り値

説明

start()

Promise<void>

認識を開始します。完了後に音声を送信します。

sendAudio(audio: Buffer | Uint8Array)

void

設定した形式とサンプリングレートで音声フレームを送信します。

updateContext(context: AsrContextMessage[])

void

開始後、入力終了前に認識コンテキストを更新します。

finish()

Promise<void>

音声入力を終了して完了を待ちます。テキストはコールバックで返します。

close(code?: number, reason?: string)

void

接続を閉じてタスクのリソースを解放します。

コールバックイベント

on(event, listener) でコールバックを登録します。全フィールドはサーバーイベントを参照してください。

イベント

ペイロード

説明

started

{ taskId: string }

タスクが開始し、入力を受け付けます。

result

{ text: string; sentence_end: boolean; sentence_begin?: boolean; words?: RecognitionWord[] }

中間または最終の文。ハートビート結果は除外されます。

sentenceEnd

{ text: string; sentence_end: boolean; sentence_begin?: boolean; words?: RecognitionWord[] }

sentence_end === true の最終文。

finished

{ taskId: string; duration?: number; usage?: RecognitionUsage }

タスクが終了し、ローカルのタスク状態がクリアされました。

failed / error

DashScopeError

呼び出しエラー。code、message、リクエスト識別子を含みます。

close

{ code: number; reason: string }

基になる接続の切断通知。

event

ServerEvent

元のサービス JSON メッセージ。