Pré-requisitos
Ative o service e Obtain an API key. Para evitar riscos de segurança causados por vazamento de código, Configure API key as an environment variable em vez de codificá-la diretamente no código.
Início rápido
Use os mesmos exemplos para os modelos abaixo. Substitua o ID do modelo conforme a tabela.
| Modelo | ID do modelo no exemplo |
|---|---|
| Qwen-Audio-ASR-Streaming | qwen-audio-3.0-asr-flash-streaming |
| Qwen-Audio-ASR-Message | qwen-audio-3.1-asr-flash-messageOferece suporte apenas à taxa de amostragem de 16000 Hz. |
| Fun-ASR-Realtime | fun-asr-realtime |
O recurso principal (client.audio.asr) fornece interfaces para chamadas sem streaming e com streaming bidirecional. Escolha o método de chamada adequado às suas necessidades:
- Chamada sem streaming (
recognize_file): reconhece um arquivo local; o SDK envia o áudio automaticamente em blocos e conduz a tarefa até o fim. Ideal para processar áudio pré-gravado. - Chamada com streaming bidirecional (sessão
recognize): reconhece um fluxo de áudio diretamente e gera resultados em tempo real. O fluxo pode vir de um dispositivo externo, como microfone, ou ser lido de um arquivo local. Recomendado para cenários que exigem feedback imediato.
Chamada sem streaming
Envie uma única tarefa de reconhecimento de fala em tempo real e obtenha o resultado de forma síncrona e bloqueante ao passar um arquivo local.
Chame o método recognize_file do recurso principal (client.audio.asr) para vincular os parâmetros da solicitação e passar o caminho do arquivo local, e itere os eventos do servidor para obter os resultados do reconhecimento.
import os
import dashscope
# A API Key da região Singapura é diferente da da região Pequim. Obtenha uma API Key: https://www.alibabacloud.com/help/zh/model-studio/get-api-key
# Se a variável de ambiente não estiver configurada, substitua a linha abaixo pela sua API Key do Model Studio: api_key="sk-xxx"
client = dashscope.Client(
api_key=os.environ.get('DASHSCOPE_API_KEY'),
# A configuração abaixo refere-se à região Singapura. Substitua {WorkspaceId} pelo ID real do seu workspace. O valor de region varia conforme a região.
workspace="{WorkspaceId}",
region="ap-southeast-1",
)
# Reconhece um arquivo de áudio local: recognize_file envia o áudio automaticamente em blocos e conduz a tarefa até o fim
for event in client.audio.asr.recognize_file(
'{YOUR_AUDIO_FILE}',
model='qwen-audio-3.0-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('Resultado do reconhecimento:', sentence['text'])
Chamada com streaming bidirecional
Envie uma única tarefa de reconhecimento de fala em tempo real e transmita os resultados continuamente por meio da iteração de eventos.
-
Inicie o reconhecimento de fala em streaming.
Chame o método
recognizedo recurso principal (client.audio.asr) para criar a sessão de reconhecimento e vincular os parâmetros da solicitação; entrar no contextowith(que chama automaticamente o métodostartpara estabelecer a conexão e enviar a tarefa) inicia o reconhecimento de fala em streaming. -
Transmita o áudio.
Chame o método
send_audio_frameda sessão em loop para enviar ao servidor, em segmentos, o fluxo de áudio binário lido de um arquivo local ou de um dispositivo, como microfone.O envio e o recebimento devem ocorrer de forma concorrente: a thread de recepção itera os eventos do servidor por meio do método
events()da sessão, retornando os resultados de reconhecimento ao cliente em tempo real.Envie cerca de 100 ms de áudio por quadro e mantenha cada quadro entre 1 KB e 16 KB.
-
Encerre a tarefa.
Chame o método
stopda sessão para encerrar o reconhecimento de fala.Esse método apenas notifica o servidor de que a entrada terminou; a thread de recepção deve continuar consumindo
events()até o eventotask-finishedpara obter os últimos resultados de reconhecimento e as estatísticas. Erros da camada ws são lançados como exceçõesDashScopeErrore podem ser capturados com try/except no envio/recebimento.
import os
import signal # para tratamento de eventos de teclado (pressione "Ctrl+C" para encerrar a gravação)
import sys
import dashscope
import pyaudio
from concurrent.futures import ThreadPoolExecutor
mic = None
stream = None
# Define os parâmetros de gravação
sample_rate = 16000 # Use a mesma taxa de amostragem para a captura e o reconhecimento. O Qwen-Audio-ASR-Message aceita apenas 16000 Hz.
channels = 1 # canal mono
dtype = 'int16' # tipo de dados
format_pcm = 'pcm' # o formato dos dados de áudio
block_size = 3200 # número de frames por buffer
# Receptor de eventos de reconhecimento de fala em tempo real
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('Texto reconhecido: ', sentence['text'])
if sentence.get('sentence_end'):
print(
'Fim da frase do reconhecimento, request_id:%s, usage:%s'
% (rec.request_id, rec.usage))
def signal_handler(sig, frame):
print('Ctrl+C pressionado, interrompendo o reconhecimento...')
# Interrompe o reconhecimento
recognition.stop()
print('Reconhecimento interrompido.')
print(
'[Métrica] requestId: {}, atraso do primeiro pacote (ms): {}, atraso do último pacote (ms): {}'
.format(
recognition.request_id,
recognition.first_package_delay,
recognition.last_package_delay,
))
# Encerra o programa de forma forçada
sys.exit(0)
# função principal
if __name__ == '__main__':
# A API Key da região Singapura é diferente da da região Pequim. Obtenha uma API Key: https://www.alibabacloud.com/help/zh/model-studio/get-api-key
# Se a variável de ambiente não estiver configurada, substitua a linha abaixo pela sua API Key do Model Studio: api_key="sk-xxx"
client = dashscope.Client(
api_key=os.environ.get('DASHSCOPE_API_KEY'),
# A configuração abaixo refere-se à região Singapura. Substitua {WorkspaceId} pelo ID real do seu workspace. O valor de region varia conforme a região.
workspace="{WorkspaceId}",
region="ap-southeast-1",
)
# Chama o serviço de reconhecimento; você pode personalizar os parâmetros de reconhecimento, como model, format
# e sample_rate
with client.audio.asr.recognize(
model='qwen-audio-3.0-asr-flash-streaming',
format=format_pcm,
# 'pcm'、'wav'、'opus'、'speex'、'aac'、'amr'; consulte os formatos compatíveis na documentação
sample_rate=sample_rate,
) as recognition:
# Abre o microfone
mic = pyaudio.PyAudio()
stream = mic.open(format=pyaudio.paInt16,
channels=1,
rate=sample_rate,
input=True)
with ThreadPoolExecutor(max_workers=1) as pool:
receiver = pool.submit(receive_events, recognition)
try:
# Envia o áudio do microfone até que "Ctrl+C" seja pressionado
while stream:
data = stream.read(3200, exception_on_overflow=False)
recognition.send_audio_frame(data)
recognition.stop()
receiver.result()
finally:
# close deve ser executado dentro do contexto do pool para desbloquear o receptor
recognition.close()
stream.stop_stream()
stream.close()
mic.terminate()
stream = None
mic = None
import os
import time
import dashscope
from concurrent.futures import ThreadPoolExecutor
# A API Key da região Singapura é diferente da da região Pequim. Obtenha uma API Key: https://www.alibabacloud.com/help/zh/model-studio/get-api-key
# Se a variável de ambiente não estiver configurada, substitua a linha abaixo pela sua API Key do Model Studio: api_key="sk-xxx"
client = dashscope.Client(
api_key=os.environ.get('DASHSCOPE_API_KEY'),
# A configuração abaixo refere-se à região Singapura. Substitua {WorkspaceId} pelo ID real do seu workspace. O valor de region varia conforme a região.
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
# Receptor de eventos de reconhecimento de fala em tempo real
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() + ' Texto reconhecido: ', sentence['text'])
if sentence.get('sentence_end'):
print(get_timestamp() +
'Fim da frase do reconhecimento, request_id:%s, usage:%s'
% (rec.request_id, rec.usage))
with client.audio.asr.recognize(
model='qwen-audio-3.0-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}"):
# Lê todos os dados do arquivo para o buffer de uma só vez
file_buffer = f.read()
f.close()
print("Iniciando o reconhecimento")
# Envia do buffer blocos de 3200 bytes por vez
buffer_size = len(file_buffer)
offset = 0
chunk_size = 3200
while offset < buffer_size:
# Calcula o tamanho do bloco de dados a enviar nesta iteração
remaining_bytes = buffer_size - offset
current_chunk_size = min(chunk_size, remaining_bytes)
# Extrai o bloco de dados atual do buffer
audio_data = file_buffer[offset:offset + current_chunk_size]
# Envia o frame de dados de áudio
recognition.send_audio_frame(audio_data)
# Atualiza o deslocamento
offset += current_chunk_size
# Adiciona um atraso para simular a transmissão em tempo real
time.sleep(0.1)
recognition.stop()
receiver.result()
else:
raise Exception(
'O arquivo fornecido estava vazio (zero bytes)')
finally:
# close deve ser executado dentro do contexto do pool para desbloquear o receptor
recognition.close()
print(
'[Métrica] requestId: {}, atraso do primeiro pacote (ms): {}, atraso do último pacote (ms): {}'
.format(
recognition.request_id,
recognition.first_package_delay,
recognition.last_package_delay,
))
Parâmetros da solicitação
Qwen-Audio-ASR-Streaming
Referência comum
Consulte a referência atual de Qwen-Audio-ASR-Streaming Python SDK.
Defina os parâmetros da solicitação por meio dos métodos recognize/recognize_file do recurso principal (client.audio.asr): model, format, sample_rate e vocabulary_id são argumentos nomeados. Passe language_hints no dicionário parameters.
| Parâmetro | Tipo | Obrigatório | Descrição |
|---|---|---|---|
model | str | Sim | O nome do modelo. |
sample_rate | int | Sim | A taxa de amostragem em Hz. Qualquer taxa é compatível. |
format | str | Sim | Formato do áudio. Valores válidos:
Importanteopus/speex: devem usar encapsulamento Ogg. wav: deve usar codificação PCM. amr: apenas o tipo AMR-NB é aceito. |
keep_dialect | bool | Não | ObservaçãoAplica-se apenas a Padrão: |
vad_model | str | Não | ObservaçãoAplica-se apenas a Modelo VAD: |
vocabulary_id | str | Não | ID de uma lista de palavras-chave pré-compilada. Gere esse ID antecipadamente chamando a API de criação de lista de palavras-chave. Passe o ID durante o reconhecimento para usar as palavras-chave da lista. Indicado para cenários em que o vocabulário é conhecido e relativamente estável e quando você precisa reutilizar a mesma lista de palavras entre solicitações. Para detalhes de uso, consulte Precompiled hotwords. |
vocabulary | dict | Não | Palavras-chave instantâneas. Passadas como pares chave-valor, em que a chave é o texto da palavra-chave ( Adequado para otimização temporária de palavras-chave no nível da sessão. Quando configurado junto com palavras-chave pré-compiladas, apenas as palavras-chave instantâneas têm efeito. Para detalhes de uso, consulte Instant hotwords. Exemplo: |
max_sentence_silence | int | Não | Limiar de silêncio VAD para segmentação, em ms. Quando o silêncio após um segmento de fala excede esse limiar, o sistema determina que a frase terminou. Valor padrão: 800. Valores válidos: [200, 6000]. |
multi_threshold_mode_enabled | bool | Não | Define se o modo de múltiplos limiares deve ser ativado. Quando ativado, impede que a segmentação VAD produza segmentos excessivamente longos. Padrão: False. |
punctuation_prediction_enabled | bool | Não | Define se a pontuação deve ser adicionada automaticamente aos resultados de reconhecimento:
|
heartbeat | bool | Não | Define se os pacotes de heartbeat devem ser ativados. Padrão: False.
Áudio silencioso refere-se a conteúdo em um arquivo de áudio ou fluxo de dados que não contém sinal sonoro. Você pode gerar áudio silencioso de várias formas, como usando software de edição de áudio como Audacity ou Adobe Audition, ou ferramentas de linha de comando como FFmpeg. O uso deste campo requer o SDK 2.0.1 ou posterior. |
language_hints | list[str] | Não | Idioma do áudio a ser reconhecido. Não há valor padrão; se não definido, o modelo detecta o idioma automaticamente. Você pode definir até 4 valores. Se definir mais, somente os 4 primeiros terão efeito. Clique em para visualizar os códigos de idioma aceitos
|
speech_noise_threshold | float | Não | Limiar para distinguir fala de ruído, usado para ajustar a sensibilidade da Detecção de Atividade de Voz (VAD). Valores válidos: [-1.0, 1.0]. Descrições dos valores:
Este é um parâmetro de configuração avançada. Ajustá-lo pode afetar significativamente os resultados de reconhecimento. Recomendações:
|
special_word_filter | str | Não | Especifica as palavras sensíveis a serem processadas durante o reconhecimento de fala e permite definir diferentes métodos de processamento para cada uma. Para detalhes, consulte Sensitive word filtering. |
Passe o contexto em input ao criar a sessão com recognize.
| Parâmetro | Tipo | Obrigatório | Descrição |
|---|---|---|---|
input | dict | Não | Objeto de entrada usado para passar o contexto da conversa. O aprimoramento de contexto melhora a precisão do reconhecimento para termos específicos de domínio. Para uso, consulte Quick start. O dict deve incluir uma chave
ImportanteLimites: mensagens de contexto dos tipos ImportanteAo passar o contexto, as mensagens em ObservaçãoO uso deste campo requer o SDK 2.0.1 ou posterior. Passe |
Qwen-Audio-ASR-Message
Referência comum
Consulte a referência atual de Qwen-Audio-ASR-Message Python SDK.
Defina os parâmetros da solicitação por meio dos métodos recognize/recognize_file do recurso principal (client.audio.asr): model, format, sample_rate e vocabulary_id são argumentos nomeados. Passe language_hints no dicionário parameters.
| Parâmetro | Tipo | Obrigatório | Descrição |
|---|---|---|---|
model | str | Sim | O nome do modelo. |
sample_rate | int | Sim | A taxa de amostragem em Hz. Apenas |
format | str | Sim | Formato do áudio. Valores válidos:
Importanteopus/speex: devem usar encapsulamento Ogg. wav: deve usar codificação PCM. amr: apenas o tipo AMR-NB é aceito. |
keep_dialect | bool | Não | Padrão: Este parâmetro se aplica somente aos resultados finais ( |
vad_model | str | Não | Modelo VAD: |
disfluency_removal_enabled | bool | Não | Indica se palavras de preenchimento devem ser removidas e o texto aprimorado. Padrão: |
intermediate_result_enabled | bool | Não | Indica se resultados intermediários de streaming devem ser retornados. Padrão: |
vocabulary_id | str | Não | ID de uma lista de palavras-chave pré-compilada. Gere esse ID antecipadamente chamando a API de criação de lista de palavras-chave. Passe o ID durante o reconhecimento para usar as palavras-chave da lista. Indicado para cenários em que o vocabulário é conhecido e relativamente estável e quando você precisa reutilizar a mesma lista de palavras entre solicitações. Para detalhes de uso, consulte Precompiled hotwords. |
vocabulary | dict | Não | Palavras-chave instantâneas. Passadas como pares chave-valor, em que a chave é o texto da palavra-chave ( Adequado para otimização temporária de palavras-chave no nível da sessão. Quando configurado junto com palavras-chave pré-compiladas, apenas as palavras-chave instantâneas têm efeito. Para detalhes de uso, consulte Instant hotwords. ImportanteApenas Exemplo: |
language_hints | list[str] | Não | Idioma do áudio a ser reconhecido. Não há valor padrão; se não definido, o modelo detecta o idioma automaticamente. Você pode definir até 4 valores. Se definir mais, somente os 4 primeiros terão efeito. Clique em para visualizar os códigos de idioma aceitos
Passe este campo no dicionário Este parâmetro se aplica somente aos resultados finais ( |
max_sentence_silence | int | Não | Limite de silêncio do VAD para segmentação, em milissegundos. A frase termina quando o silêncio após a fala ultrapassa esse limite. Padrão: |
heartbeat | bool | Não | Define se os pacotes de heartbeat devem ser ativados. Padrão: False.
Áudio silencioso refere-se a conteúdo em um arquivo de áudio ou fluxo de dados que não contém sinal sonoro. Você pode gerar áudio silencioso de várias formas, como usando software de edição de áudio como Audacity ou Adobe Audition, ou ferramentas de linha de comando como FFmpeg. Este campo foi introduzido no SDK 1.23.1 e já está incluído na versão 2.0.1 ou posterior. |
speech_noise_threshold | float | Não | Limiar para distinguir fala de ruído, usado para ajustar a sensibilidade da Detecção de Atividade de Voz (VAD). Valores válidos: [-1.0, 1.0]. Descrições dos valores:
Este é um parâmetro de configuração avançada. Ajustá-lo pode afetar significativamente os resultados de reconhecimento. Recomendações:
|
Passe o contexto em input ao criar a sessão com recognize.
| Parâmetro | Tipo | Obrigatório | Descrição |
|---|---|---|---|
input | dict | Não | Objeto de entrada usado para passar o contexto da conversa. O aprimoramento de contexto melhora a precisão do reconhecimento para termos específicos de domínio. Para uso, consulte Quick start. ImportanteOs modelos O dict deve incluir uma chave
ImportanteLimites: mensagens de contexto dos tipos ImportanteAo passar o contexto, as mensagens em ObservaçãoEste campo foi introduzido no SDK 1.25.23 e já está incluído na versão 2.0.1 ou posterior. Passe |
Fun-ASR-Realtime
Referência comum
Consulte a referência atual de Fun-ASR-Realtime Python SDK.
Defina os parâmetros da solicitação por meio dos métodos recognize/recognize_file do recurso principal (client.audio.asr): model, format, sample_rate e vocabulary_id são argumentos nomeados. Passe max_sentence_silence e language_hints no dicionário parameters.
| Parâmetro | Tipo | Obrigatório | Descrição |
|---|---|---|---|
model | str | Sim | O nome do modelo. |
sample_rate | int | Sim | Taxa de amostragem, em Hz. Valores válidos: modelos de 8 kHz aceitam apenas 8000 Hz; outros modelos aceitam qualquer taxa de amostragem. |
format | str | Sim | Formato do áudio. Valores válidos:
Importanteopus/speex: devem usar encapsulamento Ogg. wav: deve usar codificação PCM. amr: apenas o tipo AMR-NB é aceito. |
vocabulary_id | str | Não | ID de uma lista de palavras-chave pré-compilada. Gere esse ID antecipadamente chamando a API de criação de lista de palavras-chave. Passe o ID durante o reconhecimento para usar as palavras-chave da lista. Indicado para cenários em que o vocabulário é conhecido e relativamente estável e quando você precisa reutilizar a mesma lista de palavras entre solicitações. Para detalhes de uso, consulte Precompiled hotwords. |
max_sentence_silence | int | Não | Limiar de silêncio VAD para segmentação, em ms. Quando o silêncio após um segmento de fala excede esse limiar, o sistema determina que a frase terminou. Valor padrão: 1300. Valores válidos: [200, 6000]. |
multi_threshold_mode_enabled | bool | Não | Define se o modo de múltiplos limiares deve ser ativado. Quando ativado, impede que a segmentação VAD produza segmentos excessivamente longos. Padrão: False. |
punctuation_prediction_enabled | bool | Não | Define se a pontuação deve ser adicionada automaticamente aos resultados de reconhecimento:
|
heartbeat | bool | Não | Define se os pacotes de heartbeat devem ser ativados. Padrão: False.
Áudio silencioso refere-se a conteúdo em um arquivo de áudio ou fluxo de dados que não contém sinal sonoro. Você pode gerar áudio silencioso de várias formas, como usando software de edição de áudio como Audacity ou Adobe Audition, ou ferramentas de linha de comando como FFmpeg. Este campo requer a versão 2.0.1 ou posterior do SDK. |
language_hints | list[str] | Não | Idioma do áudio a ser reconhecido. Não há valor padrão; se não definido, o modelo detecta o idioma automaticamente. Você pode definir 1 valor. Se definir mais, somente o primeiro terá efeito. Clique em para visualizar os códigos de idioma aceitos
|
speech_noise_threshold | float | Não | Limiar para distinguir fala de ruído, usado para ajustar a sensibilidade da Detecção de Atividade de Voz (VAD). Valores válidos: [-1.0, 1.0]. Descrições dos valores:
Este é um parâmetro de configuração avançada. Ajustá-lo pode afetar significativamente os resultados de reconhecimento. Recomendações:
|
special_word_filter | str | Não | Especifica as palavras sensíveis a serem processadas durante o reconhecimento de fala e permite definir diferentes métodos de processamento para cada uma. Para detalhes, consulte Sensitive word filtering. |
Passe o contexto em input ao criar a sessão com recognize.
| Parâmetro | Tipo | Obrigatório | Descrição |
|---|---|---|---|
input | dict | Não | Objeto de entrada usado para passar o contexto da conversa. O aprimoramento de contexto melhora a precisão do reconhecimento para termos específicos de domínio. Para uso, consulte Melhorar a precisão do reconhecimento. ImportanteOs modelos O dict deve incluir uma chave
ImportanteLimites: mensagens de contexto dos tipos ImportanteAo passar o contexto, as mensagens em ObservaçãoEste campo requer a versão 2.0.1 ou posterior do SDK. Passe-o por meio do parâmetro |
Referência da API
Interfaces comuns
Informações da frase (Sentence)
Os membros da classe Sentence são os seguintes:
| Parâmetro | Tipo | Descrição |
|---|---|---|
begin_time | int | Tempo de início da frase, em ms. |
end_time | int | Tempo de término da frase, em ms. |
text | str | Texto reconhecido. |
words | Uma lista de Word-level timestamp information (Word) | Informações de timestamp no nível da palavra. |
Informações de timestamp no nível da palavra (Word)
Os membros da classe Word são os seguintes:
| Parâmetro | Tipo | Descrição |
|---|---|---|
begin_time | int | Tempo de início da palavra, em ms. |
end_time | int | Tempo de término da palavra, em ms. |
text | str | A palavra. |
punctuation | str | A pontuação. |
Qwen-Audio-ASR-Streaming / Qwen-Audio-ASR-Message
Recurso principal (client.audio.asr)
A capacidade de reconhecimento de fala em tempo real está montada no recurso client.audio.asr: recognize cria a sessão de reconhecimento com streaming bidirecional (Recognition) e recognize_file realiza o reconhecimento único de um arquivo local.
| Método membro | Assinatura do método | Descrição |
|---|---|---|
recognize | | Cria a sessão de reconhecimento com streaming bidirecional; ao entrar no contexto O envio de áudio e o consumo de eventos devem ocorrer de forma concorrente (use em conjunto com |
recognize_file | | Chamada sem streaming baseada em arquivo local: envia o áudio automaticamente em blocos, conduz a tarefa até o fim e produz os eventos do servidor um a um. Este método requer permissão de leitura no arquivo reconhecido. |
start | | Inicia o reconhecimento de fala: estabelece a conexão, envia a tarefa e aguarda |
send_audio_frame | | Envia áudio. Mantenha cada quadro de áudio enviado nem muito grande nem muito pequeno: cerca de 100 ms por quadro, entre 1 KB e 16 KB. Os resultados de reconhecimento são obtidos por meio da iteração de eventos ( |
stop | | Interrompe o reconhecimento de fala: apenas notifica o servidor de que a entrada terminou; a thread de recepção deve continuar consumindo |
events / results | | Itera os eventos do servidor: |
close | | Fecha a sessão de reconhecimento. Chamado automaticamente ao sair do contexto |
request_id / first_package_delay / last_package_delay / last_response | | Obtém o request_id, o atraso do primeiro pacote (latência desde o envio do primeiro pacote de áudio até o recebimento do primeiro resultado de reconhecimento) e o atraso do último pacote (tempo desde o envio do comando |
Iteração de eventos (events()/results())
Durante uma chamada com streaming bidirecional, o servidor retorna informações-chave de processo e dados ao cliente por meio de eventos. Você precisa iterar, na thread de recepção, os events() da sessão (eventos dict brutos) ou os results() (frames tipados de resultado de reconhecimento) para processar as informações ou os dados retornados pelo servidor.
# Itera os eventos brutos: o texto reconhecido está em payload.output.sentence
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('Texto reconhecido:', sentence['text'])
# Ou itera apenas os frames de resultado de reconhecimento (retorna RecognitionResult, frames de heartbeat já filtrados)
def receive_results(rec):
for result in rec.results():
sentence = result.get_sentence()
if sentence and 'text' in sentence:
print('Texto reconhecido:', sentence['text'])
| Método/evento | Conteúdo produzido | Valor de retorno | Descrição |
|---|---|---|---|
| Evento | Nenhum | Lido internamente por |
|
| Iterador | Produz um evento quando o servidor responde. O resultado do reconhecimento está em |
| Iterador | Produz apenas frames de resultado de reconhecimento (frames de heartbeat já filtrados); a iteração termina após o retorno de todos os resultados. | |
| Exceção | Nenhum | Lançada na thread de envio/recepção quando ocorre um erro; pode ser capturada com try/except. |
| Evento | Nenhum | Produzido por |
Resultado de reconhecimento (RecognitionResult)
RecognitionResult representa um frame de resultado de reconhecimento produzido pela iteração results() da sessão (utilizável tanto na chamada com streaming bidirecional quanto na chamada sem streaming; events() produz eventos dict brutos — use results() caso precise dessa visualização tipada).
| Método membro | Assinatura do método | Descrição |
|---|---|---|
get_sentence | | Obtém a frase reconhecida atual e suas informações de timestamp; retorna Dict[str, Any] (informação de uma única frase). Para detalhes, consulte Informações da frase (Sentence). |
request_id | | O request_id da solicitação correspondente ao evento atual. |
is_sentence_end | | Determina se a frase atual terminou. Este método verifica se o campo |
Qwen-Audio-ASR-Streaming
Interfaces principais
Resposta
- Resultado de reconhecimento (RecognitionResult)
- Informações da frase (
Sentence) - Informações de timestamp no nível da palavra (Word)
Qwen-Audio-ASR-Message
Interfaces principais
Resposta
- Resultado de reconhecimento (RecognitionResult)
- Informações da frase (
Sentence) - Informações de timestamp no nível da palavra (Word)
Fun-ASR-Realtime
Interfaces principais
Recurso principal (client.audio.asr)
O reconhecimento de fala em tempo real é montado no recurso client.audio.asr: recognize cria uma sessão de reconhecimento com streaming bidirecional (Recognition) e recognize_file faz o reconhecimento de um arquivo local em uma única chamada.
| Método membro | Assinatura do método | Descrição |
|---|---|---|
recognize | | Cria uma sessão de reconhecimento com streaming bidirecional. A entrada no contexto with chama automaticamente start para estabelecer a conexão e enviar a tarefa.O envio de áudio e o consumo de eventos devem ocorrer de forma concorrente (use em conjunto com |
recognize_file | | Chamada sem streaming baseada em arquivo local: envia o áudio automaticamente em blocos e conduz a tarefa até o fim, produzindo os eventos do servidor um a um. Este método requer permissão de leitura no arquivo. |
start | | Inicia o reconhecimento de fala: estabelece a conexão, envia a tarefa e aguarda task-started. É chamado automaticamente na entrada do contexto with; o áudio só pode ser enviado após um início bem-sucedido. |
send_audio_frame | | Envia áudio. Mantenha cada quadro de áudio enviado nem muito grande nem muito pequeno: cerca de 100 ms por quadro, entre 1 KB e 16 KB. Os resultados de reconhecimento são obtidos iterando |
stop | | Interrompe o reconhecimento de fala: apenas notifica o servidor de que a entrada terminou. A thread receptora deve continuar consumindo events() até o evento task-finished. |
events / results | | Itera os eventos do servidor: events() produz eventos dict brutos (o texto reconhecido está em payload.output.sentence); results() produz apenas os frames de resultado de reconhecimento, retornando objetos tipados Resultado de reconhecimento (RecognitionResult) (frames de heartbeat já filtrados). |
close | | Fecha a sessão de reconhecimento. É chamado automaticamente na saída do contexto with. |
request_id / first_package_delay / last_package_delay / last_response | | Obtém o request_id, o atraso do primeiro pacote (a latência desde o envio do primeiro pacote de áudio até o recebimento do primeiro resultado de reconhecimento) e o atraso do último pacote (o tempo desde o envio do comando stop até o recebimento do último resultado de reconhecimento), usados após a conclusão da tarefa; last_response é a última mensagem bruta lida com sucesso, útil para recuperar erros de task-failed. Continuam legíveis após o fechamento da sessão. |
Iteração de eventos (events()/results())
Durante uma chamada com streaming bidirecional, o servidor retorna informações-chave de processo e dados ao cliente por meio de eventos. Itere os events() da sessão (eventos dict brutos) ou results() (frames tipados de resultado de reconhecimento) na thread receptora, para lidar com as informações e dados retornados pelo servidor.
# Itere os eventos brutos: o texto reconhecido está em payload.output.sentence
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('Texto reconhecido: ', sentence['text'])
# Ou itere apenas os frames de resultado de reconhecimento (retorna RecognitionResult, frames de heartbeat filtrados)
def receive_results(rec):
for result in rec.results():
sentence = result.get_sentence()
if sentence and 'text' in sentence:
print('Texto reconhecido: ', sentence['text'])
| Evento/método de iteração | Conteúdo produzido | Valor de retorno | Descrição |
|---|---|---|---|
| Evento task-started | Nenhum | Lido internamente por start() e salvo em last_response no retorno do início; não é produzido novamente por events(). |
| event: evento dict do servidor | Iterador | Produz eventos quando o servidor responde. O resultado do reconhecimento está em payload.output.sentence, que pode ser um evento de heartbeat ou de texto vazio, que o aplicativo pode ignorar conforme necessário. Consuma em uma única thread receptora; não crie múltiplos leitores concorrentes. |
| result: resultado de reconhecimento (RecognitionResult) | Iterador | Produz apenas frames de resultado de reconhecimento (frames de heartbeat filtrados); a iteração termina após o retorno de todos os resultados de reconhecimento. |
| Exceção DashScopeError | Nenhum | Lançada na thread de envio/recebimento quando ocorre um erro; pode ser capturada com try/except. |
| Evento task-finished | Nenhum | Produzido por events() quando o servidor conclui todo o reconhecimento; a iteração termina em seguida. Este evento deve continuar sendo lido após o envio de stop(). |
Resposta
Resultado de reconhecimento (RecognitionResult)
RecognitionResult representa um frame de resultado de reconhecimento produzido pela iteração de results() da sessão (utilizável tanto em chamadas com streaming bidirecional quanto sem streaming; events() produz eventos dict brutos — use results() se precisar dessa visão tipada).
| Método membro | Assinatura do método | Descrição |
|---|---|---|
get_sentence | | Obtém a frase reconhecida atual e suas informações de timestamp. Este método retorna Dict[str, Any] (informações de uma única frase). Para detalhes, consulte Sentence (Sentence). |
request_id | | O request_id da solicitação correspondente ao evento atual. |
is_sentence_end | | Determina se a frase atual terminou. Este método verifica se o campo |
Códigos de erro
Se encontrar erros, consulte Error codes para solução de problemas.
Se o problema persistir, junte-se à comunidade de desenvolvedores para relatar seu problema e forneça o Request ID para investigação adicional.