前提条件
サービスが有効化されており、「API キーの取得」が完了していること。コード漏洩によるセキュリティリスクを防ぐため、コードにハードコーディングするのではなく、「API キーを環境変数として設定」してください。
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-Streaming | qwen-audio-3.1-asr-flash-streamingマイクのサンプルでは qwen-audio-3.0-asr-flash-streaming を使用します。 |
| Qwen-Audio-ASR-Message | qwen-audio-3.1-asr-flash-messageサンプリングレートは 16000 Hz のみ対応しています。 |
| Fun-ASR-Realtime | fun-asr-realtime |
コアリソース(client.audio.asr)は、非ストリーミング呼び出しと双方向ストリーミング呼び出しのインターフェイスを提供します。ニーズに合わせて呼び出し方法を選択してください:
- 非ストリーミング呼び出し(
recognize_file):ローカルファイルを認識します。SDK が音声を自動的にチャンク送信し、タスクを完遂まで駆動します。録音済みの音声を処理する場合に適しています。 - 双方向ストリーミング呼び出し(
recognizeセッション):音声ストリームを直接認識し、結果をリアルタイムで出力します。音声ストリームは、マイクなどの外部デバイスから取得することも、ローカルファイルから読み取ることもできます。即時のフィードバックが必要なシナリオに適しています。
非ストリーミング呼び出し
単一の音声リアルタイム認識タスクを送信し、ローカルファイルを渡すことで認識結果を同期的に取得します。
コアリソース(client.audio.asr)の recognize_file メソッドを呼び出してリクエストパラメーターをバインドし、ローカルファイルのパスを渡し、サーバーイベントを反復処理して認識結果を取得します。
import os
import dashscope
# API キーは、シンガポールリージョンと北京リージョンで異なります。API キーの取得: https://www.alibabacloud.com/help/model-studio/get-api-key
# 環境変数を設定していない場合は、次の行を Model Studio API キーに置き換えてください: api_key="sk-xxx"
client = dashscope.Client(
api_key=os.environ.get('DASHSCOPE_API_KEY'),
# 以下はシンガポール (ap-southeast-1) リージョンの設定です。呼び出す際に、"{WorkspaceId}" を実際のワークスペース ID に置き換えてください。設定はリージョンによって異なります。
workspace="{WorkspaceId}",
region="ap-southeast-1",
)
# ローカル音声ファイルを認識します:recognize_file は音声を自動的にチャンク送信し、タスクを完遂まで駆動します
for event in client.audio.asr.recognize_file(
'{YOUR_AUDIO_FILE}',
model='qwen-audio-3.1-asr-flash-streaming',
format='wav',
sample_rate=16000):
payload = event.get('payload') or {}
sentence = (payload.get('output') or {}).get('sentence') or {}
if sentence.get('text') and not sentence.get('heartbeat'):
print('Recognition result:', sentence['text'])
双方向ストリーミング呼び出し
単一の音声リアルタイム認識タスクを送信し、イベントを反復処理することでリアルタイムの認識結果をストリーミングで取得します。
-
ストリーミング音声認識を開始します。
コアリソース(
client.audio.asr)のrecognizeメソッドを呼び出して認識セッションを作成し、リクエストパラメーターをバインドし、withコンテキストに入る(startメソッドを自動的に呼び出して接続を確立しタスクを送信します)ことで、ストリーミング音声認識を開始します。 -
音声をストリーミングします。
セッションの
send_audio_frameメソッドをループで呼び出し、バイナリ音声ストリームをセグメントに分けてサーバーに送信します。ストリームは、ローカルファイルまたはマイクなどのデバイスから読み取られます。送信と受信は並行して実行する必要があります:受信スレッドがセッションの
events()メソッドでサーバーイベントを反復処理し、認識結果がリアルタイムでクライアントに返されます。フレームあたり約 100 ms の音声を送信し、各フレームを 1 KB から 16 KB の間に保ってください。
-
タスクを終了します。
セッションの
stopメソッドを呼び出して、音声認識を終了します。このメソッドはサーバーに入力が終了したことを通知するだけです。受信スレッドは
task-finishedイベントまでevents()を消費し続け、最終的な認識結果と統計を取得する必要があります。WebSocket 層のエラーはDashScopeError例外としてスローされるため、送信または受信の箇所で try/except により捕捉できます。
import os
import signal # キーボードイベント処理用 (「Ctrl+C」を押して録音を終了)
import sys
import dashscope
import pyaudio
from concurrent.futures import ThreadPoolExecutor
mic = None
stream = None
# 録音パラメーターの設定
sample_rate = 16000 # サンプリングレート (Hz)
channels = 1 # モノラルチャネル
dtype = 'int16' # データ型
format_pcm = 'pcm' # 音声データのフォーマット
block_size = 3200 # バッファあたりのフレーム数
# リアルタイム音声認識イベントレシーバー
def receive_events(rec):
for event in rec.events():
payload = event.get('payload') or {}
sentence = (payload.get('output') or {}).get('sentence') or {}
if sentence.get('text') and not sentence.get('heartbeat'):
print('Recognition text: ', sentence['text'])
if sentence.get('sentence_end'):
print(
'Recognition sentence end, request_id:%s, usage:%s'
% (rec.request_id, rec.usage))
def signal_handler(sig, frame):
print('Ctrl+C pressed, stop recognition ...')
# 認識を停止
recognition.stop()
print('Recognition stopped.')
print(
'[Metric] requestId: {}, first package delay ms: {}, last package delay ms: {}'
.format(
recognition.request_id,
recognition.first_package_delay,
recognition.last_package_delay,
))
# プログラムを強制終了します
sys.exit(0)
# メイン関数
if __name__ == '__main__':
# API キーは、シンガポールリージョンと北京リージョンで異なります。API キーの取得: https://www.alibabacloud.com/help/model-studio/get-api-key
# 環境変数を設定していない場合は、次の行を Model Studio API キーに置き換えてください: api_key="sk-xxx"
client = dashscope.Client(
api_key=os.environ.get('DASHSCOPE_API_KEY'),
# 以下はシンガポール (ap-southeast-1) リージョンの設定です。呼び出す際に、"{WorkspaceId}" を実際のワークスペース ID に置き換えてください。設定はリージョンによって異なります。
workspace="{WorkspaceId}",
region="ap-southeast-1",
)
# 認識サービスを呼び出します。モデル、フォーマット、
# サンプリングレートなどの認識パラメーターをカスタマイズできます
with client.audio.asr.recognize(
model='qwen-audio-3.0-asr-flash-streaming',
format=format_pcm,
# 'pcm'、'wav'、'opus'、'speex'、'aac'、'amr'。サポートされているフォーマットはドキュメントで確認できます
sample_rate=sample_rate,
# 8000、16000 をサポート
) as recognition:
# マイクを開きます
mic = pyaudio.PyAudio()
stream = mic.open(format=pyaudio.paInt16,
channels=1,
rate=16000,
input=True)
with ThreadPoolExecutor(max_workers=1) as pool:
receiver = pool.submit(receive_events, recognition)
try:
# 「Ctrl+C」が押されるまでマイクから音声を送信します
while stream:
data = stream.read(3200, exception_on_overflow=False)
recognition.send_audio_frame(data)
recognition.stop()
receiver.result()
finally:
# close はレシーバーのブロックを解除するため、プールのコンテキスト内で実行する必要があります
recognition.close()
stream.stop_stream()
stream.close()
mic.terminate()
stream = None
mic = None
import os
import time
import dashscope
from concurrent.futures import ThreadPoolExecutor
# API キーは、シンガポールリージョンと北京リージョンで異なります。API キーの取得: https://www.alibabacloud.com/help/model-studio/get-api-key
# 環境変数を設定していない場合は、次の行を Model Studio API キーに置き換えてください: api_key="sk-xxx"
client = dashscope.Client(
api_key=os.environ.get('DASHSCOPE_API_KEY'),
# 以下はシンガポール (ap-southeast-1) リージョンの設定です。呼び出す際に、"{WorkspaceId}" を実際のワークスペース ID に置き換えてください。設定はリージョンによって異なります。
workspace="{WorkspaceId}",
region="ap-southeast-1",
)
from datetime import datetime
def get_timestamp():
now = datetime.now()
formatted_timestamp = now.strftime("[%Y-%m-%d %H:%M:%S.%f]")
return formatted_timestamp
# リアルタイム音声認識イベントレシーバー
def receive_events(rec):
for event in rec.events():
payload = event.get('payload') or {}
sentence = (payload.get('output') or {}).get('sentence') or {}
if sentence.get('text') and not sentence.get('heartbeat'):
print(get_timestamp() + ' Recognition text: ', sentence['text'])
if sentence.get('sentence_end'):
print(get_timestamp() +
'Recognition sentence end, request_id:%s, usage:%s'
% (rec.request_id, rec.usage))
with client.audio.asr.recognize(
model='qwen-audio-3.1-asr-flash-streaming',
format='wav',
sample_rate=16000,
) as recognition:
with ThreadPoolExecutor(max_workers=1) as pool:
receiver = pool.submit(receive_events, recognition)
try:
audio_data: bytes = None
f = open("{YOUR_AUDIO_FILE}", 'rb')
if os.path.getsize("{YOUR_AUDIO_FILE}"):
# ファイルデータを一度にすべてバッファに読み込みます
file_buffer = f.read()
f.close()
print("Start Recognition")
# バッファから一度に 3200 バイトを送信します
buffer_size = len(file_buffer)
offset = 0
chunk_size = 3200
while offset < buffer_size:
# 今回送信するデータチャンクのサイズを計算します
remaining_bytes = buffer_size - offset
current_chunk_size = min(chunk_size, remaining_bytes)
# バッファから現在のデータチャンクを抽出します
audio_data = file_buffer[offset:offset + current_chunk_size]
# 音声データフレームを送信します
recognition.send_audio_frame(audio_data)
# オフセットを更新します
offset += current_chunk_size
# リアルタイム伝送をシミュレートするために遅延を追加します
time.sleep(0.1)
recognition.stop()
receiver.result()
else:
raise Exception(
'The supplied file was empty (zero bytes long)')
finally:
# close はレシーバーのブロックを解除するため、プールのコンテキスト内で実行する必要があります
recognition.close()
print(
'[Metric] requestId: {}, first package delay ms: {}, last package delay ms: {}'
.format(
recognition.request_id,
recognition.first_package_delay,
recognition.last_package_delay,
))
リクエストパラメーター
Qwen-Audio-ASR-Streaming
共通リファレンス
最新のリファレンスは Qwen-Audio-ASR-Streaming Python SDK をご参照ください。
リクエストパラメーターはコアリソース(client.audio.asr)の recognize/recognize_file メソッドで設定します:model、format、sample_rate、vocabulary_id は具名パラメーターであり、その他のパラメーター(language_hints など)は parameters 辞書で渡します。
| パラメーター | タイプ | 必須 | 説明 |
|---|---|---|---|
model | str | はい | モデル名。 |
sample_rate | int | はい | サンプリングレート(Hz)。任意のサンプリングレートをサポートします。 |
format | str | はい | オーディオフォーマット。 有効な値:
重要opus/speex: Ogg カプセル化を使用する必要があります。 wav: PCM エンコーディングを使用する必要があります。 amr: AMR-NB タイプのみをサポートしています。 |
keep_dialect | bool | いいえ | 注記 デフォルトは |
vad_model | str | いいえ | 注記 VAD モデル。 |
vocabulary_id | str | いいえ | 事前コンパイル済みのホットワードリストのID。 ホットワードリスト作成 API を呼び出して、この ID を事前に生成します。認識時に ID を渡して、リスト内のホットワードを使用します。 語彙が既知で比較的安定しており、リクエスト間で同じ単語リストを再利用する必要があるシナリオに適しています。 使用法の詳細については、「事前コンパイル済みホットワード」をご参照ください。 |
vocabulary | dict | いいえ | インスタントホットワード。 キーと値のペアとして渡します。キーはホットワードのテキスト ( 一時的なセッションレベルのホットワードの最適化に適しています。 事前コンパイル済みのホットワードと一緒に設定した場合、インスタントホットワードのみが有効になります。使用法の詳細については、「インスタントホットワード」をご参照ください。 例: |
max_sentence_silence | int | いいえ | セグメンテーションのための VAD の無音しきい値 (ミリ秒)。音声セグメントの後の無音時間がこのしきい値を超えると、システムは文が終了したと判断します。 デフォルト値: 800。 有効な値: [200, 6000]。 |
multi_threshold_mode_enabled | bool | いいえ | マルチしきい値モードを有効にするかどうか。有効にすると、VAD セグメンテーションが長すぎるセグメントを生成するのを防ぎます。 デフォルト:False。 |
punctuation_prediction_enabled | bool | いいえ | 認識結果に句読点を自動的に追加するかどうか:
|
heartbeat | bool | いいえ | ハートビートパケットを有効にするかどうか。 デフォルト:False。
無音オーディオとは、オーディオファイルまたはデータストリーム内で音声信号を含まないコンテンツを指します。 Audacity や Adobe Audition のような音声編集ソフトウェアを使用したり、FFmpeg のようなコマンドラインツールを使用したりするなど、いくつかの方法で無音のオーディオを生成できます。 このフィールドには SDK バージョン 2.0.1 以降が必要です。 |
language_hints | list[str] | いいえ | 認識する音声の言語。デフォルト値はありません。設定しない場合、モデルは自動的に言語を検出します。 最大 4 つの値を設定できます。それ以上設定した場合は、最初の 4 つのみが有効です。 クリックしてサポートされている言語コードを表示
|
speech_noise_threshold | float | いいえ | 音声とノイズを区別するためのしきい値であり、VAD (音声アクティビティ検出) の感度調整に使用します。 有効な値: [-1.0, 1.0]。 値の説明:
これは高度な設定パラメーターです。調整すると認識結果に大きな影響を与える可能性があります。推奨事項:
|
special_word_filter | str | いいえ | 音声認識中に処理するセンシティブな単語を指定し、単語ごとに異なる処理方法を設定できます。詳細については、「センシティブな単語のフィルタリング」をご参照ください。 |
以下のパラメーターを、Recognition インスタンスの call または start メソッドにキーワード引数として渡します。
| パラメーター | タイプ | 必須 | 説明 |
|---|---|---|---|
raw_input | dict | いいえ | 会話コンテキストを渡すために使用される入力オブジェクト。コンテキスト強化により、ドメイン固有の用語の認識精度が向上します。使用方法については、「クイックスタート」をご参照ください。 dict には、値がメッセージのリスト (list[dict]) である
重要制限: 重要コンテキストを渡す際、 注記このフィールドには SDK バージョン 2.0.1 以降が必要です。 |
Qwen-Audio-ASR-Message
共通リファレンス
最新のリファレンスは Qwen-Audio-ASR-Message Python SDK をご参照ください。
リクエストパラメーターは、コアリソース(client.audio.asr)の recognize/recognize_file メソッドで設定します:model、format、sample_rate、vocabulary_id は具名パラメーター、その他のパラメーター(language_hints など)は parameters 辞書で渡します。
| パラメーター | タイプ | 必須 | 説明 |
|---|---|---|---|
model | str | はい | モデル名。 |
sample_rate | int | はい | サンプリングレート(Hz)。 |
format | str | はい | オーディオフォーマット。 有効な値:
重要opus/speex: Ogg カプセル化を使用する必要があります。 wav: PCM エンコーディングを使用する必要があります。 amr: AMR-NB タイプのみをサポートしています。 |
keep_dialect | bool | いいえ | デフォルトは 最終結果( |
vad_model | str | いいえ | VAD モデル。 |
disfluency_removal_enabled | bool | いいえ | つなぎ言葉を除去し、出力を整えるかどうか。デフォルトは |
intermediate_result_enabled | bool | いいえ | ストリーミング中間結果を返すかどうか。デフォルトは |
vocabulary_id | str | いいえ | 事前コンパイル済みのホットワードリストのID。 ホットワードリスト作成 API を呼び出して、この ID を事前に生成します。認識時に ID を渡して、リスト内のホットワードを使用します。 語彙が既知で比較的安定しており、リクエスト間で同じ単語リストを再利用する必要があるシナリオに適しています。 使用法の詳細については、「事前コンパイル済みホットワード」をご参照ください。 |
vocabulary | dict | いいえ | インスタントホットワード。 キーと値のペアとして渡します。キーはホットワードのテキスト ( 一時的なセッションレベルのホットワードの最適化に適しています。 事前コンパイル済みのホットワードと一緒に設定した場合、インスタントホットワードのみが有効になります。使用法の詳細については、「インスタントホットワード」をご参照ください。 重要 例: |
language_hints | list[str] | いいえ | 認識する音声の言語。デフォルト値はありません。設定しない場合、モデルは自動的に言語を検出します。 最大 4 つの値を設定できます。それ以上設定した場合は、最初の 4 つのみが有効です。 クリックしてサポートされている言語コードを表示
同名のキーワード引数として渡します。 最終結果( |
max_sentence_silence | int | いいえ | VAD の文分割の無音しきい値(ミリ秒)。発話後の無音時間がこの値を超えると、文の終了と判断します。デフォルト: |
heartbeat | bool | いいえ | ハートビートパケットを有効にするかどうか。 デフォルト:False。
無音オーディオとは、オーディオファイルまたはデータストリーム内で音声信号を含まないコンテンツを指します。 Audacity や Adobe Audition のような音声編集ソフトウェアを使用したり、FFmpeg のようなコマンドラインツールを使用したりするなど、いくつかの方法で無音のオーディオを生成できます。 このフィールドには SDK バージョン 1.23.1 以降が必要です。 |
speech_noise_threshold | float | いいえ | 音声とノイズを区別するためのしきい値であり、VAD (音声アクティビティ検出) の感度調整に使用します。 有効な値: [-1.0, 1.0]。 値の説明:
これは高度な設定パラメーターです。調整すると認識結果に大きな影響を与える可能性があります。推奨事項:
|
以下のパラメーターは、recognize/recognize_file メソッドの input キーワード引数で渡します。
| パラメーター | タイプ | 必須 | 説明 |
|---|---|---|---|
input | dict | いいえ | 会話コンテキストを渡すために使用される入力オブジェクト。コンテキスト強化により、ドメイン固有の用語の認識精度が向上します。使用方法については、「クイックスタート」をご参照ください。 重要コンテキストパラメーターは、 dict には、値がメッセージのリスト (list[dict]) である
重要制限: 重要コンテキストを渡す際、 注記このフィールドは SDK 1.25.23 で導入されたもので、2.0.1 以降のバージョンには含まれています。 |
Fun-ASR-Realtime
共通リファレンス
最新のリファレンスは Fun-ASR-Realtime Python SDK をご参照ください。
リクエストパラメーターは、コアリソース(client.audio.asr)の recognize/recognize_file メソッドで設定します:model、format、sample_rate、vocabulary_id は具名パラメーターで、その他のパラメーター(max_sentence_silence、language_hints など)は parameters ディクショナリで渡します。
| パラメーター | タイプ | 必須 | 説明 |
|---|---|---|---|
model | str | はい | モデル名。 |
sample_rate | int | はい | サンプリングレート (Hz)。 有効な値: 8 kHz モデルは 8000 Hz のみをサポートします。その他のモデルは任意のサンプリングレートをサポートします。 |
format | str | はい | オーディオフォーマット。 有効な値:
重要opus/speex: Ogg カプセル化を使用する必要があります。 wav: PCM エンコーディングを使用する必要があります。 amr: AMR-NB タイプのみをサポートしています。 |
vocabulary_id | str | いいえ | 事前コンパイル済みのホットワードリストのID。 ホットワードリスト作成 API を呼び出して、この ID を事前に生成します。認識時に ID を渡して、リスト内のホットワードを使用します。 語彙が既知で比較的安定しており、リクエスト間で同じ単語リストを再利用する必要があるシナリオに適しています。 使用法の詳細については、「事前コンパイル済みホットワード」をご参照ください。 |
max_sentence_silence | int | いいえ | セグメンテーションのための VAD の無音しきい値 (ミリ秒)。音声セグメントの後の無音時間がこのしきい値を超えると、システムは文が終了したと判断します。 デフォルト値: 1300。 有効な値: [200, 6000]。 |
multi_threshold_mode_enabled | bool | いいえ | マルチしきい値モードを有効にするかどうか。有効にすると、VAD セグメンテーションが長すぎるセグメントを生成するのを防ぎます。 デフォルト:False。 |
punctuation_prediction_enabled | bool | いいえ | 認識結果に句読点を自動的に追加するかどうか:
|
heartbeat | bool | いいえ | ハートビートパケットを有効にするかどうか。 デフォルト:False。
無音オーディオとは、オーディオファイルまたはデータストリーム内で音声信号を含まないコンテンツを指します。 Audacity や Adobe Audition のような音声編集ソフトウェアを使用したり、FFmpeg のようなコマンドラインツールを使用したりするなど、いくつかの方法で無音のオーディオを生成できます。 このフィールドには SDK バージョン 1.23.1 以降が必要です。 |
language_hints | list[str] | いいえ | 認識する音声の言語。デフォルト値はありません。設定しない場合、モデルは自動的に言語を検出します。 1 つの値を設定できます。複数設定した場合は、最初の値のみが有効です。 クリックしてサポートされている言語コードを表示
|
speech_noise_threshold | float | いいえ | 音声とノイズを区別するためのしきい値であり、VAD (音声アクティビティ検出) の感度調整に使用します。 有効な値: [-1.0, 1.0]。 値の説明:
これは高度な設定パラメーターです。調整すると認識結果に大きな影響を与える可能性があります。推奨事項:
|
special_word_filter | str | いいえ | 音声認識中に処理するセンシティブな単語を指定し、単語ごとに異なる処理方法を設定できます。詳細については、「センシティブな単語のフィルタリング」をご参照ください。 |
callback | RecognitionCallback | いいえ | コールバックインターフェイス (RecognitionCallback)。 |
以下のパラメーターを、Recognition インスタンスの call または start メソッドにキーワード引数として渡します。
| パラメーター | タイプ | 必須 | 説明 |
|---|---|---|---|
raw_input | dict | いいえ | 会話コンテキストを渡すために使用される入力オブジェクト。コンテキスト強化により、ドメイン固有の用語の認識精度が向上します。使用方法については、「クイックスタート」をご参照ください。 重要コンテキストパラメーターは、 dict には、値がメッセージのリスト (list[dict]) である
重要制限: 重要コンテキストを渡す際、 注記このフィールドには SDK バージョン 2.0.1 以降が必要です。 |
API リファレンス
共通インターフェイス
文情報 (Sentence)
Sentence クラスのメンバーは次のとおりです:
| パラメーター | 型 | 説明 |
|---|---|---|
begin_time | int | 文の開始時刻 (ms) です。 |
end_time | int | 文の終了時刻 (ms) です。 |
text | str | 認識されたテキストです。 |
words | 単語レベルのタイムスタンプ情報 (Word) のリスト | 単語レベルのタイムスタンプ情報です。 |
単語レベルのタイムスタンプ情報 (Word)
Word クラスのメンバーは次のとおりです:
| パラメーター | 型 | 説明 |
|---|---|---|
begin_time | int | 単語の開始時刻 (ms) です。 |
end_time | int | 単語の終了時刻 (ms) です。 |
text | str | 単語です。 |
punctuation | str | 句読点です。 |
Qwen-Audio-ASR-Streaming
主要なインターフェイス
コアリソース(client.audio.asr)
リアルタイム音声認識能力は client.audio.asr リソースにマウントされています:recognize は双方向ストリーミング認識セッション(Recognition)を作成し、recognize_file はローカルファイルを 1 回の呼び出しで認識します。
| メンバーメソッド | メソッドシグネチャ | 説明 |
|---|---|---|
recognize | | 双方向ストリーミング認識セッションを作成します。with コンテキストに入ると start が自動的に呼び出され、接続が確立されてタスクが送信されます。音声の送信とイベントの消費は並行して実行する必要があります( |
recognize_file | | ローカルファイルに基づく非ストリーミング呼び出しです:音声を自動的にチャンク送信し、タスクを完遂まで駆動して、サーバーイベントを 1 つずつ返します。このメソッドにはファイルに対する読み取り権限が必要です。 |
start | | 音声認識を開始します:接続を確立し、タスクを送信し、 |
send_audio_frame | | 音声を送信します。送信するオーディオフレームは大きすぎず小さすぎないようにしてください。目安はフレームあたり約 100 ms、サイズは 1 KB ~ 16 KB です。 認識結果はイベント反復( |
stop | | 音声認識を停止します:サーバーに入力が終了したことを通知するだけです。受信スレッドは |
events / results | | サーバーイベントを反復処理します:events() は生の dict イベントを返し(認識テキストは payload.output.sentence にあります)、results() は認識結果フレームのみを返し、型付きの認識結果(RecognitionResult)オブジェクトを返します(ハートビートフレームはフィルターされます)。 |
close | | 認識セッションを閉じます。with コンテキストの退出時に自動的に呼び出されます。 |
request_id / first_package_delay / last_package_delay / last_response | | request_id、初回パケット遅延(最初の音声パケット送信から最初の認識結果受信までのレイテンシー)、最終パケット遅延(stop コマンド送信から最後の認識結果受信までの時間)を取得します。タスク完了後に使用してください。last_response は最後に正常に読み取られたメッセージであり、失敗したタスクのエラーを取得するために使用できます。セッションを閉じた後も引き続き読み取り可能です。 |
イベント反復(events()/results())
双方向ストリーミング呼び出しでは、サーバーはイベントを通じて主要なプロセス情報とデータをクライアントに返します。受信スレッドでセッションの events()(生の dict イベント)または results()(型付き認識結果フレーム)を反復処理して、サーバーから返される情報とデータを処理してください。
# 生のイベントを反復処理します:認識テキストは payload.output.sentence にあります
def receive_events(rec):
for event in rec.events():
payload = event.get('payload') or {}
sentence = (payload.get('output') or {}).get('sentence') or {}
if sentence.get('text') and not sentence.get('heartbeat'):
print('Recognized text:', sentence['text'])
# または認識結果フレームのみを反復処理します(RecognitionResult を返し、ハートビートフレームはフィルターされます)
def receive_results(rec):
for result in rec.results():
sentence = result.get_sentence()
if sentence and 'text' in sentence:
print('Recognized text:', sentence['text'])
| メソッド/イベント反復 | 出力 | 戻り値 | 説明 |
|---|---|---|---|
|
| None | start() が内部で読み取り、戻り時に last_response に保存されます。events() はこれを再び返しません。 |
| event:サーバーの dict イベント | 反復子 | サーバーに応答があるたびにイベントを返します。認識結果は payload.output.sentence にあり、ハートビートや空のテキストのイベントが含まれる場合があるため、アプリケーションで必要に応じて無視できます。単一の受信スレッドで消費を維持し、複数の並行リーダーを作成しないでください。 |
| result:認識結果(RecognitionResult) | 反復子 | 認識結果フレームのみを返します(ハートビートフレームはフィルターされます)。すべての認識結果が返された後に反復が終了します。 |
| DashScopeError 例外 | None | エラー発生時に送信/受信スレッドでスローされます。try/except で捕捉してください。 |
|
| None | サーバーがすべての認識を完了した後に events() から返され、その時点で反復が終了します。stop() 呼び出し後もこのイベントを読み取り続ける必要があります。 |
応答
認識結果 (RecognitionResult)
RecognitionResult は、双方向ストリーミング呼び出しにおける 1 回のリアルタイム認識の結果、または非ストリーミング呼び出しの結果を表します。
| メンバーメソッド | メソッドシグネチャ | 説明 |
|---|---|---|
get_sentence | | 現在認識されている文とタイムスタンプ情報を取得します。このメソッドは Dict[str, Any](単一文情報)を返します。 詳細については、「文情報 (Sentence)」をご参照ください。 |
request_id | | 現在のイベントに対応するリクエストの request_id。 |
is_sentence_end | | 指定した文が終了しているかどうかを判断します。このメソッドは、 |
Qwen-Audio-ASR-Message
主要なインターフェイス
コアリソース(client.audio.asr)
リアルタイム音声認識能力は client.audio.asr リソースにマウントされています:recognize は双方向ストリーミング認識セッション(Recognition)を作成し、recognize_file はローカルファイルに対して一回の認識を行います。
| メンバーメソッド | メソッドシグネチャ | 説明 |
|---|---|---|
recognize | | 双方向ストリーミング認識セッションを作成します。 音声の送信とイベントの消費は並行して実行する必要があります( |
recognize_file | | ローカルファイルに基づく非ストリーミング呼び出しです:音声を自動的にブロック単位で送信し、タスクを完了まで駆動して、サービス側イベントを 1 つずつ返します。このメソッドにはファイルに対する読み取り権限が必要です。 |
start | | 音声認識を開始します:接続を確立し、タスクを送信して、 |
send_audio_frame | | 音声を送信します。送信するオーディオフレームは大きすぎず小さすぎないようにしてください。目安はフレームあたり約 100 ms、サイズは 1 KB ~ 16 KB です。 認識結果は、イベント反復( |
stop | | 音声認識を停止します:サーバーに入力が完了したことを通知するだけです。受信スレッドは |
events / results | | サービス側のイベントを反復処理します: |
close | | 認識セッションを閉じます。 |
request_id / first_package_delay / last_package_delay / last_response | | request_id、初回パケット遅延(最初の音声パケットを送信してから最初の認識結果を受信するまでのレイテンシー)、最終パケット遅延( |
会話コンテキストの更新
認識タスクの実行中に update_context を呼び出して会話コンテキストを更新します。コンテキストは、後続の音声の認識を支援するために使用されます。このメソッドには DashScope Python SDK 2.0.1 以降が必要です。
def update_context(self, context: dict)
- 呼び出しタイミング:
withコンテキストに入って(startが自動的に呼び出されます)ストリーミング認識を開始した後、stopを呼び出す前。 - パラメーター:
contextは辞書で、continue-taskイベントのpayload.inputオブジェクトを渡します(contextフィールドを含む)。payloadやinputの階層を追加でラップしないでください。 - サポート範囲とパラメーターの制約:continue-task をご参照ください。
以下の例は、起動済みの recognition インスタンスを再利用します。
payload_input = {
"context": [
{
"role": "user",
"content": [{"type": "input_text", "text": "Hello"}]
},
{
"role": "assistant",
"content": [{"type": "text", "text": "Hello, I am Qwen. How can I help you?"}]
}
]
}
recognition.update_context(context=payload_input)
イベント反復(events()/results())
双方向ストリーミング呼び出しでは、サーバーはイベントを通じて、主要なプロセス情報とデータをクライアントに返します。受信スレッドでセッションの events()(生のイベント dict)または results()(型付き認識結果フレーム)を反復処理して、サーバーから返される情報とデータを処理してください。
# 生のイベントを反復処理します:認識テキストは payload.output.sentence にあります
def receive_events(rec):
for event in rec.events():
payload = event.get('payload') or {}
sentence = (payload.get('output') or {}).get('sentence') or {}
if sentence.get('text') and not sentence.get('heartbeat'):
print('Recognized text: ', sentence['text'])
# または認識結果フレームのみを反復処理します(RecognitionResult を返し、ハートビートフレームはフィルター済み)
def receive_results(rec):
for result in rec.results():
sentence = result.get_sentence()
if sentence and 'text' in sentence:
print('Recognized text: ', sentence['text'])
| イベント/反復メソッド | 産出内容 | 戻り値 | 説明 |
|---|---|---|---|
|
| なし |
|
|
| 反復子 | サーバーから応答があった場合にイベントを産出します。認識結果は |
|
| 反復子 | 認識結果フレームのみを産出します(ハートビートフレームはフィルター済み)。すべての認識結果が返された後に反復が終了します。 |
|
| なし | エラー発生時に送信/受信スレッドでスローされます。try/except で捕捉できます。 |
|
| なし | サーバーがすべての認識を完了した後に |
応答
認識結果 (RecognitionResult)
RecognitionResult は、セッションの results() 反復処理で産出される 1 回の認識結果フレームを表します(双方向ストリーミング呼び出しと非ストリーミング呼び出しの両方で使用できます。events() が産出するのは生のイベント dict であるため、この型付きビューが必要な場合は results() を使用してください)。
| メンバーメソッド | メソッドシグネチャ | 説明 |
|---|---|---|
get_sentence | | 現在認識されている文と、そのタイムスタンプ情報を取得します。このメソッドの戻り値の型は Dict[str, Any](単文情報)です。 詳細については、「文情報 (Sentence)」をご参照ください。 |
request_id | | 現在のイベントに対応するリクエストの request_id です。 |
is_sentence_end | | 現在の文が終了したかどうかを判断します。このメソッドは、 |
Fun-ASR-Realtime
主要なインターフェイス
コアリソース(client.audio.asr)
リアルタイム音声認識能力は client.audio.asr リソースにマウントされています:recognize は双方向ストリーミング認識セッション(Recognition)を作成し、recognize_file はローカルファイルを一度に認識します。
| メンバーメソッド | メソッドシグネチャ | 説明 |
|---|---|---|
recognize | | 双方向ストリーミング認識セッションを作成します。 音声の送信とイベントの消費は並行して行う必要があります( |
recognize_file | | ローカルファイルをベースとした非ストリーミング呼び出しです:SDK が自動的に音声を分割送信し、タスクの終了までドライブして、サーバーイベントを 1 つずつ産出します。このメソッドは、認識対象のファイルに読み取り権限があることを要求します。 |
start | | 音声認識を開始します:接続を確立し、タスクを送信して |
send_audio_frame | | 音声をプッシュします。毎回プッシュされる音声ストリームは、大きすぎたり小さすぎたりしないようにしてください。各音声パケットの長さは約 100 ms、サイズは 1 KB~16 KB の間にすることを推奨します。 認識結果は |
stop | | 音声認識を停止します:サーバーに入力の終了のみを通知します。受信スレッドは |
events / results | | サーバーイベントを反復処理します: |
close | | 認識セッションを閉じます。 |
request_id / first_package_delay / last_package_delay / last_response | | request_id、初回パケット遅延(最初の音声パケットの送信から最初の認識結果パケットの受信までのレイテンシー)、最終パケット遅延( |
イベント反復(events()/results())
双方向ストリーミング呼び出しでは、サーバーはイベントの方式で主要なプロセス情報とデータをクライアントに返します。受信スレッドでセッションの events()(原始イベント dict)または results()(型付き認識結果フレーム)を反復処理し、サーバーから返された情報やデータを処理する必要があります。
# 原始イベントを反復処理します:認識テキストは payload.output.sentence にあります
def receive_events(rec):
for event in rec.events():
payload = event.get('payload') or {}
sentence = (payload.get('output') or {}).get('sentence') or {}
if sentence.get('text') and not sentence.get('heartbeat'):
print('Recognition text: ', sentence['text'])
# または認識結果フレームのみを反復処理します(RecognitionResult を返し、ハートビートフレームはフィルタリング済み)
def receive_results(rec):
for result in rec.results():
sentence = result.get_sentence()
if sentence and 'text' in sentence:
print('Recognition text: ', sentence['text'])
| イベント/反復メソッド | 産出内容 | 戻り値 | 説明 |
|---|---|---|---|
|
| なし |
|
|
| イテレーター | サーバーからの返信があるときにイベントを産出します。認識結果は |
|
| イテレーター | 認識結果フレームのみを産出します(ハートビートフレームはフィルタリング済み)。すべての認識結果が返された後に反復処理が終了します。 |
|
| なし | 異常発生時に送信/受信スレッドでスローされます。try/except で捕捉できます。 |
|
| なし | サーバーがすべての認識を完了した後に |
応答
認識結果 (RecognitionResult)
RecognitionResult は、セッションの results() の反復処理で産出される 1 回の認識結果フレームを表します(双方向ストリーミング呼び出しと非ストリーミング呼び出しのどちらでも使用できます。events() が産出するのは原始イベント dict であるため、この型付きビューが必要な場合は results() を使用してください)。
| メンバーメソッド | メソッドシグネチャ | 説明 |
|---|---|---|
get_sentence | | 現在認識されている文と、そのタイムスタンプ情報を取得します。このメソッドは、Dict[str, Any](単文情報)を返します。 詳細については、「単文情報 (Sentence)」をご参照ください。 |
request_id | | 現在のイベントに対応するリクエストの request_id。 |
is_sentence_end | | 現在の文が終了したかどうかを判定します。このメソッドは、 |
エラーコード
エラーが発生した場合は、「エラーコード」を参照してトラブルシューティングを行ってください。
問題が解決しない場合は、開発者コミュニティ に参加し、問題を報告して Request ID を提供してください。