Speech-to-text models for real-time and file transcription - Alibaba Cloud Model Studio: Central de Documentação do Alibaba Cloud

Escolha o modelo adequado para reconhecimento de fala em tempo real ou baseado em arquivos.

Migração de modelos de código fechado

Mapeie seu service atual do Whisper, Deepgram ou Google ASR para um equivalente no Bailian.

Caso de uso	Exemplos de código fechado	Recomendação do Bailian
Reconhecimento em tempo real	Deepgram Nova-3, Google Chirp 3	Métodos de entrada e mensagens de voz：`qwen-audio-3.1-asr-flash-message` Transcrição contínua：`qwen-audio-3.1-asr-flash-streaming`
Transcrição offline / de arquivos	OpenAI gpt-4o-transcribe, Whisper	`qwen-audio-3.0-asr-flash-filetrans`, `qwen-audio-3.0-asr-flash`

Use os quatro critérios de "Selection criteria" — tempo real versus offline, terminologia de domínio, diarização de falantes e reconhecimento de emoções — para identificar o modelo correto. Em seguida, consulte "Recommended models" para as principais escolhas por cenário, "All models" para a lista completa de versões por família de modelos e "Audio specifications" para as restrições de entrada. Os idiomas suportados (incluindo dialetos) estão listados em cada família de modelos na seção "All models".

Critérios de seleção

Avalie quatro dimensões para encontrar o modelo ideal.

Tempo real ou offline?

O reconhecimento em tempo real retorna resultados conforme o usuário fala. O reconhecimento offline transcreve um arquivo pré-gravado após o término da gravação.

O reconhecimento em tempo real recebe áudio via WebSocket. Escolha conforme o caso de uso:
- Entradas de voz curtas, como métodos de entrada e mensagens de voz: use qwen-audio-3.1-asr-flash-message para baixa latência do primeiro texto e do resultado completo, revisão opcional do texto e um resultado final reorganizado ao término de cada segmento.
- Transcrição contínua, como reuniões e anotações de aulas: use qwen-audio-3.1-asr-flash-streaming para ler os resultados em tempo real, priorizando a precisão dos resultados intermediários.
Offline (transcrição de arquivos): Usa uma API HTTP para enviar arquivos de áudio e recuperar os resultados da transcrição. Adequado para gravações de call center, podcasts e entrevistas. Modelo recomendado: qwen-audio-3.0-asr-flash-filetrans (hot words, contexto de prompt, diarização de falantes).

Os modelos das séries Qwen-Audio-ASR-Streaming e Fun-ASR-Realtime também suportam o protocolo AOQ. Para integrações no lado do cliente que priorizam latência estável, resiliência em redes instáveis e supressão de ruído full-duplex com cancelamento de eco integrados, recomenda-se o uso do AOQ. Para comparar protocolos, consulte Realtime API overview.

As séries Qwen-Audio-ASR-Streaming, Qwen-Audio-ASR-Filetrans e os modelos em tempo real Fun-ASR e Qwen-ASR suportam o DashScope SDK (Java, Python). Todos os demais modelos exigem chamadas diretas à API WebSocket ou HTTP.

Para integração em tempo real, consulte Real-time speech recognition. Para integração offline, consulte Non-real-time speech recognition.

Terminologia de domínio

Duas abordagens, classificadas por flexibilidade:

Injeção de contexto no prompt: Descreva seu domínio no prompt do sistema. Nenhuma configuração prévia é necessária, pois o modelo se adapta a cada solicitação. Modelos recomendados: qwen-audio-3.0-asr-flash-streaming, qwen-audio-3.0-asr-flash-filetrans e qwen-audio-3.0-asr-flash.
Hot words: Forneça uma lista ponderada de vocabulário. Modelos recomendados: qwen-audio-3.0-asr-flash-streaming, qwen-audio-3.0-asr-flash-filetrans e qwen-audio-3.0-asr-flash.

qwen-audio-3.1-asr-flash-message oferece hot words instantâneas e pré-compiladas e contexto de conversa. Configure vocabulary ou vocabulary_id para hot words e envie transcrições anteriores do usuário e respostas do assistente por input.context. Definições dos parâmetros: Eventos do cliente.

Diarização de falantes

A série Qwen-Audio-ASR-Filetrans (qwen-audio-3.0-asr-flash-filetrans) e os modelos offline Fun-ASR (fun-asr) oferecem suporte à diarização de falantes. Para identificar quem disse o quê, use qwen-audio-3.0-asr-flash-filetrans.

Reconhecimento de emoções

Os modelos Qwen-ASR detectam emoções simultaneamente à transcrição. Modelos recomendados: qwen3-asr-flash-realtime (tempo real) ou qwen3-asr-flash-filetrans (offline).

Modelos recomendados

Principais escolhas para cenários comuns.

ID do modelo	Modo	API	Aumento de precisão	Reconhecimento de emoções	Diarização de falantes	Idiomas	Duração/tamanho máximo de áudio
`qwen-audio-3.1-asr-flash-message`	Tempo real	WebSocket	Hot words, Contexto	Não suportado	Não suportado	Multilíngue com dialetos	—
`qwen-audio-3.0-asr-flash-streaming`	Tempo real	WebSocket	Hot words, contexto de prompt	Não suportado	Não suportado	Multilíngue com dialetos	Ilimitado
`qwen-audio-3.0-asr-flash-filetrans`	Offline	HTTP	Hot words, contexto de prompt	Não suportado	Suportado	Multilíngue com dialetos	12 horas / 2 GB

Todos os modelos

Qwen-Audio-ASR-Message

ID do modelo	Modo	API	Aumento de precisão	Reconhecimento de emoções	Diarização de falantes	Idiomas	Duração/tamanho máximo de áudio
`qwen-audio-3.1-asr-flash-message`	Tempo real	WebSocket	Hot words, Contexto	Não suportado	Não suportado	Multilíngue com dialetos	—

Idiomas suportados:

qwen-audio-3.1-asr-flash-message: Chinês (Mandarim, Cantonês, Wu, Hokkien, Hakka, Gan, Xiang, Jin; além de sotaques regionais incluindo Planícies Centrais, Sudoeste, Ji-Lu, Jianghuai, Lan-Yin, Jiao-Liao, Nordeste, Pequim e Hong Kong/Taiwan — abrangendo sotaques de Henan, Shaanxi, Hubei, Sichuan, Chongqing, Yunnan, Guizhou, Guangdong, Guangxi, Hebei, Tianjin, Shandong, Anhui, Nanjing, Jiangsu, Hangzhou, Gansu e Ningxia), Inglês, Japonês, Coreano, Vietnamita, Tailandês, Indonésio, Malaio, Filipino, Hindi, Árabe, Francês, Alemão, Espanhol, Português, Russo, Italiano, Holandês, Sueco, Dinamarquês, Finlandês, Norueguês, Grego, Polonês, Tcheco, Húngaro, Romeno, Búlgaro, Croata, Eslovaco

Qwen-Audio-ASR-Streaming

ID do modelo	Modo	API	Aumento de precisão	Reconhecimento de emoções	Diarização de falantes	Idiomas	Duração/tamanho máximo de áudio
`qwen-audio-3.0-asr-flash-streaming`	Tempo real	WebSocket	Hot words, contexto de prompt	Não suportado	Não suportado	Multilíngue com dialetos	Ilimitado

Idiomas suportados (por versão):

qwen-audio-3.1-asr-flash-streaming, qwen-audio-3.0-asr-flash-streaming: Chinês (Mandarim, Cantonês, Wu, Hokkien, Hakka, Gan, Xiang, Jin; além de sotaques regionais incluindo Planícies Centrais, Sudoeste, Ji-Lu, Jianghuai, Lan-Yin, Jiao-Liao, Nordeste, Pequim e Hong Kong/Taiwan — abrangendo sotaques de Henan, Shaanxi, Hubei, Sichuan, Chongqing, Yunnan, Guizhou, Guangdong, Guangxi, Hebei, Tianjin, Shandong, Anhui, Nanjing, Jiangsu, Hangzhou, Gansu e Ningxia), Inglês, Japonês, Coreano, Vietnamita, Tailandês, Indonésio, Malaio, Filipino, Hindi, Árabe, Francês, Alemão, Espanhol, Português, Russo, Italiano, Holandês, Sueco, Dinamarquês, Finlandês, Norueguês, Grego, Polonês, Tcheco, Húngaro, Romeno, Búlgaro, Croata, Eslovaco

Qwen-Audio-ASR-Filetrans

ID do modelo	Modo	API	Aumento de precisão	Reconhecimento de emoções	Diarização de falantes	Idiomas	Duração/tamanho máximo de áudio
`qwen-audio-3.0-asr-flash-filetrans`	Offline	HTTP	Hot words, contexto de prompt	Não suportado	Suportado	Multilíngue com dialetos	12 horas / 2 GB

Idiomas suportados (por versão):

qwen-audio-3.1-asr-flash-filetrans, qwen-audio-3.0-asr-flash-filetrans: Chinês (Mandarim, Cantonês, Wu, Hokkien, Hakka, Gan, Xiang, Jin; além de sotaques regionais incluindo Planícies Centrais, Sudoeste, Ji-Lu, Jianghuai, Lan-Yin, Jiao-Liao, Nordeste, Pequim e Hong Kong/Taiwan — abrangendo sotaques de Henan, Shaanxi, Hubei, Sichuan, Chongqing, Yunnan, Guizhou, Guangdong, Guangxi, Hebei, Tianjin, Shandong, Anhui, Nanjing, Jiangsu, Hangzhou, Gansu e Ningxia), Inglês, Japonês, Coreano, Vietnamita, Tailandês, Indonésio, Malaio, Filipino, Hindi, Árabe, Francês, Alemão, Espanhol, Português, Russo, Italiano, Holandês, Sueco, Dinamarquês, Finlandês, Norueguês, Grego, Polonês, Tcheco, Húngaro, Romeno, Búlgaro, Croata, Eslovaco

Qwen-Audio-ASR

ID do modelo	Modo	API	Aumento de precisão	Reconhecimento de emoções	Diarização de falantes	Idiomas	Duração/tamanho máximo de áudio
`qwen-audio-3.0-asr-flash`	Offline	HTTP	Hot words, contexto de prompt	Não suportado	Não suportado	Multilíngue com dialetos	5 minutos / 2 GB

Idiomas suportados (por versão):

qwen-audio-3.1-asr-flash: Chinês (Mandarim, Cantonês, Wu, Hokkien, Hakka, Gan, Xiang, Jin; além de sotaques regionais incluindo Planícies Centrais, Sudoeste, Ji-Lu, Jianghuai, Lan-Yin, Jiao-Liao, Nordeste, Pequim e Hong Kong/Taiwan — abrangendo sotaques de Henan, Shaanxi, Hubei, Sichuan, Chongqing, Yunnan, Guizhou, Guangdong, Guangxi, Hebei, Tianjin, Shandong, Anhui, Nanjing, Jiangsu, Hangzhou, Gansu e Ningxia), Inglês, Japonês, Coreano, Vietnamita, Tailandês, Indonésio, Malaio, Filipino, Hindi, Árabe, Francês, Alemão, Espanhol, Português, Russo, Italiano, Holandês, Sueco, Dinamarquês, Finlandês, Norueguês, Grego, Polonês, Tcheco, Húngaro, Romeno, Búlgaro, Croata, Eslovaco, turco, persa, marati, malaiala, nepalês, quirguiz, azerbaijano, georgiano, armênio, esloveno, albanês, estoniano, letão, lituano, catalão, basco, galego, oriá, divehi, assamês, curdo, tigré, frísio ocidental, bashkir, bielorrusso, tártaro, interlíngua, mari oriental, toki pona
qwen-audio-3.0-asr-flash: Chinês (Mandarim, Cantonês, Wu, Hokkien, Hakka, Gan, Xiang, Jin; além de sotaques regionais incluindo Planícies Centrais, Sudoeste, Ji-Lu, Jianghuai, Lan-Yin, Jiao-Liao, Nordeste, Pequim e Hong Kong/Taiwan — abrangendo sotaques de Henan, Shaanxi, Hubei, Sichuan, Chongqing, Yunnan, Guizhou, Guangdong, Guangxi, Hebei, Tianjin, Shandong, Anhui, Nanjing, Jiangsu, Hangzhou, Gansu e Ningxia), Inglês, Japonês, Coreano, Vietnamita, Tailandês, Indonésio, Malaio, Filipino, Hindi, Árabe, Francês, Alemão, Espanhol, Português, Russo, Italiano, Holandês, Sueco, Dinamarquês, Finlandês, Norueguês, Grego, Polonês, Tcheco, Húngaro, Romeno, Búlgaro, Croata, Eslovaco

Fun-ASR

ID do modelo	Modo	API	Aumento de precisão	Reconhecimento de emoções	Diarização de falantes	Languages	Duração/tamanho máximo de áudio
`fun-asr-realtime`	Tempo real	WebSocket	Hot words	Não suportado	Não suportado	Multilíngue com dialetos	Ilimitado
`fun-asr-realtime-2026-02-28`	Tempo real	WebSocket	Hot words	Não suportado	Não suportado	Chinês, Inglês, Japonês e dialetos	Ilimitado
`fun-asr-flash-8k-realtime`	Tempo real	WebSocket	Hot words	Não suportado	Não suportado	Chinês	Ilimitado
`fun-asr-flash-8k-realtime-2026-01-28`	Tempo real	WebSocket	Hot words	Não suportado	Não suportado	Chinês	Ilimitado
`fun-asr`	Offline	HTTP	Hot words	Não suportado	Suportado	Multilíngue com dialetos	12 horas / 2 GB
`fun-asr-flash-2026-06-15`	Offline	HTTP	Contexto de prompt	Não suportado	Não suportado	Multilíngue com dialetos	5 minutos / 2 GB

Idiomas suportados (por versão):

Versão principal do Fun-ASR-Realtime (fun-asr-realtime): Chinês (Mandarim, Cantonês, Wu, Hokkien, Hakka, Gan, Xiang, Jin; além de sotaques regionais incluindo Planícies Centrais, Sudoeste, Ji-Lu, Jianghuai, Lan-Yin, Jiao-Liao, Nordeste, Pequim e Hong Kong/Taiwan — abrangendo sotaques de Henan, Shaanxi, Hubei, Sichuan, Chongqing, Yunnan, Guizhou, Guangdong, Guangxi, Hebei, Tianjin, Shandong, Anhui, Nanjing, Jiangsu, Hangzhou, Gansu e Ningxia), Inglês, Japonês, Coreano, Vietnamita, Tailandês, Indonésio, Malaio, Filipino, Hindi, Árabe, Francês, Alemão, Espanhol, Português, Russo, Italiano, Holandês, Sueco, Dinamarquês, Finlandês, Norueguês, Grego, Polonês, Tcheco, Húngaro, Romeno, Búlgaro, Croata, Eslovaco
fun-asr-realtime-2026-02-28: Chinês (Mandarim, Cantonês, Wu, Hokkien, Hakka, Gan, Xiang, Jin; além de sotaques regionais incluindo Planícies Centrais, Sudoeste, Ji-Lu, Jianghuai, Lan-Yin, Jiao-Liao, Nordeste, Pequim e Hong Kong/Taiwan — abrangendo sotaques de Henan, Shaanxi, Hubei, Sichuan, Chongqing, Yunnan, Guizhou, Guangdong, Guangxi, Hebei, Tianjin, Shandong, Anhui, Nanjing, Jiangsu, Hangzhou, Gansu e Ningxia), Inglês, Japonês
Fun-ASR-Flash-Realtime(8K) (fun-asr-flash-8k-realtime, fun-asr-flash-8k-realtime-2026-01-28): Chinês
Versões principais do Fun-ASR (fun-asr): Chinês (Mandarim, Cantonês, Wu, Hokkien, Hakka, Gan, Xiang, Jin; além de sotaques regionais incluindo Planícies Centrais, Sudoeste, Ji-Lu, Jianghuai, Lan-Yin, Jiao-Liao, Nordeste, Pequim e Hong Kong/Taiwan — abrangendo sotaques de Henan, Shaanxi, Hubei, Sichuan, Chongqing, Yunnan, Guizhou, Guangdong, Guangxi, Hebei, Tianjin, Shandong, Anhui, Nanjing, Jiangsu, Hangzhou, Gansu e Ningxia), Inglês, Japonês, Coreano, Vietnamita, Tailandês, Indonésio, Malaio, Filipino, Hindi, Árabe, Francês, Alemão, Espanhol, Português, Russo, Italiano, Holandês, Sueco, Dinamarquês, Finlandês, Norueguês, Grego, Polonês, Tcheco, Húngaro, Romeno, Búlgaro, Croata, Eslovaco
Fun-ASR-Flash (fun-asr-flash-2026-06-15): Chinês (Mandarim, Cantonês, Wu, Hokkien, Hakka, Gan, Xiang, Jin; além de sotaques regionais incluindo Planícies Centrais, Sudoeste, Ji-Lu, Jianghuai, Lan-Yin, Jiao-Liao, Nordeste, Pequim e Hong Kong/Taiwan — abrangendo sotaques de Henan, Shaanxi, Hubei, Sichuan, Chongqing, Yunnan, Guizhou, Guangdong, Guangxi, Hebei, Tianjin, Shandong, Anhui, Nanjing, Jiangsu, Hangzhou, Gansu e Ningxia), Inglês, Japonês, Coreano, Vietnamita, Tailandês, Indonésio, Malaio, Filipino, Hindi, Árabe, Francês, Alemão, Espanhol, Português, Russo, Italiano, Holandês, Sueco, Dinamarquês, Finlandês, Norueguês, Grego, Polonês, Tcheco, Húngaro, Romeno, Búlgaro, Croata, Eslovaco

Qwen-ASR

ID do modelo	Modo	API	Aumento de precisão	Reconhecimento de emoções	Diarização de falantes	Languages	Duração/tamanho máximo de áudio
`qwen3-asr-flash-realtime`	Tempo real	WebSocket	Não suportado	Suportado	Não suportado	Multilíngue com dialetos	Ilimitado
`qwen3-asr-flash-filetrans`	Offline	HTTP	Não suportado	Suportado	Não suportado	Multilíngue com dialetos	12 horas / 2 GB
`qwen3-asr-flash`	Offline	HTTP (compatível com OpenAI)	Não suportado	Suportado	Não suportado	Multilíngue com dialetos	5 minutos / 10 MB

Idiomas suportados: Todos os modelos Qwen-ASR (qwen3-asr-flash-realtime, qwen3-asr-flash-filetrans, qwen3-asr-flash) compartilham a mesma lista de idiomas: Chinês (Mandarim, Sichuanês, Hokkien, Wu, Cantonês), Inglês, Japonês, Alemão, Coreano, Russo, Francês, Português, Árabe, Italiano, Espanhol, Hindi, Indonésio, Tailandês, Turco, Ucraniano, Vietnamita, Tcheco, Dinamarquês, Filipino, Finlandês, Islandês, Malaio, Norueguês, Polonês, Sueco.

Paraformer

O Paraformer é uma família de modelos ASR de geração anterior. Sempre que possível, migre para Fun-ASR ou Qwen-ASR.

ID do modelo	API	Descrição
`paraformer-realtime-v2`	WebSocket	Reconhecimento em tempo real; Chinês, Inglês, Japonês, Coreano, Alemão, Francês, Russo
`paraformer-realtime-8k-v2`	WebSocket	Reconhecimento em tempo real para telefonia de 8 kHz; Chinês
`paraformer-v2`	HTTP	Transcrição de arquivos com diarização de falantes; Chinês, Inglês, Japonês, Coreano, Alemão, Francês, Russo
`paraformer-8k-v2`	HTTP	Transcrição de arquivos para telefonia de 8 kHz; Chinês

Idiomas suportados (por versão):

paraformer-realtime-v2, paraformer-v2: Chinês (Mandarim, Cantonês, Wu, Hokkien, Nordeste, Gansu, Guizhou, Henan, Hubei, Hunan, Ningxia, Shanxi, Shaanxi, Shandong, Sichuan, Tianjin, Jiangxi, Yunnan, Xangai), Inglês, Japonês, Coreano, Alemão, Francês, Russo
paraformer-realtime-8k-v2, paraformer-8k-v2: Chinês (Mandarim)

Especificações de áudio

Especificações de áudio para os modos tempo real e offline. Para idiomas suportados, consulte a subseção da família de modelos em "All models".

Tempo real

ID do modelo	Método de entrada	Formato de áudio	Taxa de amostragem	Tamanho/duração
`qwen-audio-3.1-asr-flash-message`	Stream binário	`pcm`, `wav`, `mp3`, `opus`, `speex`, `aac`, `amr`	16 kHz	—
Série Qwen-Audio-ASR-Streaming (`qwen-audio-3.0-asr-flash-streaming`, etc.)	Stream binário	`pcm`, `wav`, `mp3`, `opus`, `speex`, `aac`, `amr`	Qualquer	Ilimitado
Série Fun-ASR-Realtime (`fun-asr-realtime`, etc.)	Stream binário	`pcm`, `wav`, `mp3`, `opus`, `speex`, `aac`, `amr`	Qualquer	Ilimitado
Série Fun-ASR-Flash-8K-Realtime (`fun-asr-flash-8k-realtime`, etc.)	Stream binário	Mesmos do Fun-ASR-Realtime	8 kHz	Ilimitado
`qwen3-asr-flash-realtime`	Stream binário	`pcm`, `opus`	8 kHz, 16 kHz	Ilimitado
`paraformer-realtime-v2`, `paraformer-realtime-8k-v2`	Stream binário	Mesmos do Fun-ASR-Realtime	`paraformer-realtime-v2` qualquer taxa; `paraformer-realtime-8k-v2` 8 kHz	Ilimitado

Todos os modelos em tempo real aceitam apenas entrada mono (canal único).

Offline

ID do modelo	Método de entrada	Formato de áudio	Taxa de amostragem	Tamanho/duração do arquivo
Série Qwen-Audio-ASR-Filetrans (`qwen-audio-3.0-asr-flash-filetrans`, etc.)	URL de arquivo acessível publicamente; 1 URL por solicitação	`aac`, `amr`, `avi`, `flac`, `flv`, `m4a`, `mkv`, `mov`, `mp3`, `mp4`, `mpeg`, `ogg`, `opus`, `wav`, `webm`, `wma`, `wmv`	Qualquer	≤2 GB; ≤12 horas (≤2 horas recomendadas quando a diarização de falantes estiver ativada)
`qwen-audio-3.0-asr-flash`	URL / Base64; 1 arquivo por solicitação	`aac`, `amr`, `avi`, `flac`, `flv`, `m4a`, `mkv`, `mov`, `mp3`, `mp4`, `mpeg`, `ogg`, `opus`, `wav`, `webm`, `wma`, `wmv`	Qualquer	≤2 GB; ≤5 minutos
`fun-asr`	URL de arquivo acessível publicamente; 1 URL por solicitação	`aac`, `amr`, `avi`, `flac`, `flv`, `m4a`, `mkv`, `mov`, `mp3`, `mp4`, `mpeg`, `ogg`, `opus`, `wav`, `webm`, `wma`, `wmv`	Qualquer	≤2 GB; ≤12 horas (≤2 horas recomendadas quando a diarização de falantes estiver ativada)
`fun-asr-flash-2026-06-15`	URL / Base64; 1 arquivo por solicitação	`aac`, `amr`, `avi`, `flac`, `flv`, `m4a`, `mkv`, `mov`, `mp3`, `mp4`, `mpeg`, `ogg`, `opus`, `wav`, `webm`, `wma`, `wmv`	Qualquer	≤2 GB; ≤5 minutos
`paraformer-v2`, `paraformer-8k-v2`	Mesmos do Fun-ASR	Mesmos do Fun-ASR	paraformer-v2 qualquer taxa; `paraformer-8k-v2` apenas 8 kHz	Mesmos do Fun-ASR
`qwen3-asr-flash-filetrans`	URL de arquivo acessível publicamente; 1 URL por solicitação	`aac`, `amr`, `avi`, `flac`, `flv`, `m4a`, `mkv`, `mov`, `mp3`, `mp4`, `mpeg`, `ogg`, `opus`, `wav`, `webm`, `wma`, `wmv`	`pcm` requer 16 kHz; outros formatos aceitam qualquer taxa (o servidor reamostra para 16 kHz antes do reconhecimento)	≤2 GB; ≤12 horas
`qwen3-asr-flash`	URL / Base64 / caminho absoluto de arquivo local; 1 arquivo por solicitação	`aac`, `amr`, `avi`, `aiff`, `flac`, `flv`, `mkv`, `mp3`, `mpeg`, `ogg`, `opus`, `wav`, `webm`, `wma`, `wmv`	`pcm` requer 16 kHz; outros formatos aceitam qualquer taxa (o servidor reamostra para 16 kHz antes do reconhecimento)	≤10 MB; ≤5 minutos