Alibaba Cloud Model Studio:Reconhecimento de fala não em tempo real (Qwen-Audio-ASR) HarmonyOS SDK

url

string

Sim

O endpoint de serviço. Defina este parâmetro como wss://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation. Substitua {WorkspaceId} pelo seu ID do Workspace real.

apikey

string

Sim

A chave de API. Recomendamos o uso de uma chave de API temporária de curta duração e mais segura para reduzir o risco de expor uma chave de longa duração.

service_mode

string

Sim

O modo de operação. Para reconhecimento de fala não em tempo real, defina este parâmetro como "1".

device_id

string

Sim

Uma string exclusiva que identifica o usuário final. Você pode usar um ID de usuário no aplicativo ou um identificador de dispositivo exclusivo gerado pelo cliente. Este ID é usado principalmente para rastreamento de logs e solução de problemas.

debug_path

string

Não

O caminho para os arquivos de log. Este parâmetro só tem efeito quando você chama initializeFileTrans com save_log definido como true. Nesse caso, você deve especificar o caminho do arquivo de log. Caso contrário, ocorrerá um erro. Até dois arquivos de log são mantidos localmente.

max_log_file_size

number

Não

O tamanho máximo do arquivo de log em bytes. Este parâmetro só tem efeito quando você chama initializeFileTrans com save_log definido como true. Padrão: 104857600 (100 * 1024 * 1024 bytes, ou 100 MiB).

apikey

string

Não

Se os Parâmetros de conexão e controle apikey usarem uma chave de API temporária, você pode atualizá-la aqui para evitar a expiração.

nls_config

object

Sim

O objeto de configuração principal de reconhecimento de fala, incluindo o modelo e os parâmetros que controlam o reconhecimento.

nls_config.model

string

Sim

O nome do modelo.

nls_config.format

string

Sim

O formato de áudio. Defina este parâmetro para o formato real. Os formatos suportados incluem wav, mp3, opus. Para obter detalhes, consulte Especificações de áudio.

nls_config.sample_rate

string

Não

A taxa de amostragem de áudio em Hz. Por exemplo, 16000 indica uma taxa de amostragem de 16 kHz. Para obter detalhes, consulte Especificações de áudio.

nls_config.vocabulary_id

string

Não

O ID do vocabulário pré-compilado. Crie um vocabulário com antecedência e passe seu ID durante o reconhecimento para usar suas palavras-chave. Use esta opção quando o vocabulário for conhecido, relativamente estável e reutilizado entre solicitações. Para instruções de uso, consulte Palavras-chave pré-compiladas.

nls_config.instant_vocabulary

object

Não

Palavras-chave instantâneas.

Passe pares chave-valor. A chave é o texto da palavra-chave (string) e o valor é o seu peso (integer). Você não precisa criar um vocabulário com antecedência. Os pesos válidos são [1, 5] ou 50. Dentro de [1, 5], um peso maior torna mais provável que o modelo produza a palavra. Um peso de 50 especifica uma super palavra-chave e aumenta significativamente o recall. Você pode especificar até 50 super palavras-chave.

Use esta opção para otimização temporária de palavras-chave no nível da sessão.

Quando palavras-chave instantâneas e pré-compiladas são configuradas, o sistema as mescla. Se a lista mesclada exceder 2000 entradas, ele seleciona aleatoriamente 2000 entradas. Para instruções de uso, consulte Palavras-chave instantâneas.

{
 "张三": 5,
 "李四": 5
}

nls_config.language_hints

array[string]

Não

Os códigos de idioma a reconhecer. Se o idioma não for conhecido, omita este parâmetro para que o modelo o detecte automaticamente. Você pode definir até 4 valores. Se definir mais, apenas os 4 primeiros terão efeito.

Especificar os códigos de idioma pode melhorar a precisão do reconhecimento.

messages

array[object]

Sim

A lista de messages. Ela contém o áudio a ser reconhecido e o contexto opcional de conversa para melhorar o reconhecimento.

role

string

Sim

A função da mensagem. Valores válidos:

• user (obrigatório): uma mensagem do usuário. Quando o tipo é input_audio, representa o áudio a ser reconhecido. Quando o tipo é input_text, representa os resultados de reconhecimento de turnos anteriores ou um vocabulário específico de domínio (contexto opcional).

• assistant (contexto opcional): Respostas do modelo de linguagem grande de turnos anteriores.

content

array[object]

Sim

A lista de conteúdo da mensagem. Consulte as descrições a seguir.

type

string

Sim

O tipo de conteúdo. Cada solicitação requer pelo menos uma mensagem input_audio . Valores válidos:

• input_audio (obrigatório): A entrada de áudio a ser reconhecida (o role é user). Você também deve fornecer o objeto input_audio.

• input_text (contexto opcional): Resultados de reconhecimento da fala do usuário de turnos anteriores ou um vocabulário específico de domínio (o role é user). Você também deve fornecer o campo text.

• text (contexto opcional): Respostas do modelo de linguagem grande de turnos anteriores (o role é assistant). Você também deve fornecer o campo text.

input_audio

object

Não

Obrigatório quando type é input_audio.

input_audio.data

string

Sim

Os dados de áudio a serem reconhecidos. Para formatos de áudio suportados, limites de tamanho de arquivo, limites de duração e outros requisitos de entrada, consulte Especificações de áudio. Os dois métodos de entrada a seguir são suportados:

• URL do arquivo de áudio: Passe uma URL de arquivo de áudio publicamente acessível.

• URI de dados Base64: passe o áudio codificado em Base64 como um URI de dados. Concatene o prefixo data:{MIME_TYPE};base64, com os dados de áudio codificados em Base64. Os tipos MIME suportados incluem audio/wav, audio/mp3.

  Exemplo (URL): https://example.com/audio/sample.wav

  Exemplo (Base64): data:audio/wav;base64,{BASE64_ENCODED_DATA}

text

string

Não

Obrigatório quando type é input_text, forneça os resultados de reconhecimento da fala do usuário de turnos anteriores ou um vocabulário específico de domínio. Quando type é text, forneça as respostas do modelo de linguagem grande de turnos anteriores. O comprimento do texto é contado em caracteres, com cada caractere contando como um. O comprimento total de todos os campos text das mensagens em cada turno de contexto não deve exceder 400 caracteres. Os caracteres excedentes são truncados a partir do final.

callback

INativeFileTransCallback

A implementação da interface de callback de eventos e dados de transcrição de arquivo.

parameters

string

Uma string JSON contendo parâmetros de autenticação, conexão e depuração. Consulte Parâmetros de conexão e controle.

level

number

O nível de log do SDK. Use um valor da enumeração .

save_log

boolean

Se deve salvar logs localmente. Se definido como true, use os Parâmetros de conexão e controle para definir debug_path para especificar o caminho e use max_log_file_size para definir o tamanho do arquivo.

params

string

Parâmetros de reconhecimento nos parâmetros nls_config; parâmetros fora de nls_config não podem ser definidos com este método.

params

string

Parâmetros de reconhecimento.

Exemplo:

{
 "apikey": "st-****",
 "messages": [
 {
 "content": [
 {
 "input_audio": {
 "data": "{YOUR_AUDIO_URL}"
 },
 "type": "input_audio"
 }
 ],
 "role": "user"
 }
 ],
 "nls_config": {
 "format": "mp3",
 "model": "qwen-audio-3.0-asr-flash"
 }
}

task_id

ArrayBuffer

O buffer de ID da tarefa. O SDK grava uma string de ID de tarefa aleatória gerada internamente neste buffer. Seu comprimento em bytes deve ser >= 33 bytes (o exemplo usa new ArrayBuffer(64)). Após uma chamada bem-sucedida, decodifique o buffer para obter o task_id da tarefa.

task_id

string

O ID da tarefa a ser consultada (gravado no buffer por startFileTranscriber ).

task_id

string

O ID da tarefa a ser cancelada.

event

Constants.NuiEvent

O evento de callback.

resultCode

number

Válido apenas quando o evento EVENT_ASR_ERROR ocorre.

finish

number

Se a tarefa foi concluída.

asrResult

AsrResult

O resultado do reconhecimento de fala.

taskId

string

O ID da tarefa.

EVENT_FILE_TRANS_CONNECTED

Conectado com sucesso ao serviço.

EVENT_FILE_TRANS_UPLOADED

O arquivo de áudio foi carregado com sucesso.

EVENT_FILE_TRANS_QUERY_RESULT

O resultado da consulta da tarefa.

EVENT_FILE_TRANS_RESULT

O resultado final do reconhecimento.

EVENT_ASR_ERROR

Ocorreu um erro durante o reconhecimento de fala.