前提條件
已開通服務並擷取與配置 API Key。請配置API Key到環境變數,而非寫入程式碼在代碼中,防範因代碼泄露導致的安全風險。
快速開始
以下呼叫範例可共用。依下表替換範例中的模型 ID。
| 模型 | 範例中的模型 ID |
|---|---|
| Qwen-Audio-ASR-Streaming | qwen-audio-3.0-asr-flash-streaming |
| Qwen-Audio-ASR-Message | qwen-audio-3.1-asr-flash-message取樣率僅支援 16000 Hz。 |
| Fun-ASR-Realtime | fun-asr-realtime |
核心資源(client.audio.asr)提供了非流式調用和雙向流式調用等介面。請根據實際需求選擇合適的調用方式:
- 非流式調用(
recognize_file):針對本地檔案進行識別,SDK自動分塊發送音頻並驅動到任務結束。適合處理錄製好的音頻。 - 雙向流式調用(
recognize會話):可直接對音頻流進行識別,並即時輸出結果。音頻流可以來自外部裝置(如麥克風)或從本地檔案讀取。適合需要即時反饋的情境。
非流式調用
提交單個語音即時轉寫任務,通過傳入本地檔案的方式同步阻塞地拿到轉寫結果。
調用核心資源(client.audio.asr)的recognize_file方法綁定請求參數並傳入本地檔案路徑,迭代服務端事件擷取識別結果。
import os
import dashscope
# 新加坡地區和北京地區的API Key不同。擷取API Key:https://www.alibabacloud.com/help/zh/model-studio/get-api-key
# 若沒有配置環境變數,請用百鍊API Key將下行替換為:api_key="sk-xxx"
client = dashscope.Client(
api_key=os.environ.get('DASHSCOPE_API_KEY'),
# 以下為新加坡(ap-southeast-1)地區的配置。調用時請將"{WorkspaceId}"替換為真實的業務空間ID,各地區的配置不同。
workspace="{WorkspaceId}",
region="ap-southeast-1",
)
# 識別本地語音檔案:recognize_file自動分塊發送音頻並驅動到任務結束
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('識別結果:', sentence['text'])
雙向流式調用
提交單個語音即時轉寫任務,通過迭代事件的方式流式輸出即時識別結果。
-
啟動流式語音辨識
調用核心資源(
client.audio.asr)的recognize方法建立識別會話並綁定請求參數,進入with上下文(自動調用start方法建立串連並發送任務)啟動流式語音辨識。 -
串流
迴圈調用會話的
send_audio_frame方法,將從本地檔案或裝置(如麥克風)讀取的二進位音頻流分段發送至服務端。發送與接收需並發進行:接收線程通過會話的events()方法迭代服務端事件,將識別結果即時返回給用戶端。建議每次發送的音頻時間長度約為100毫秒,資料大小保持在1KB至16KB之間。
-
結束處理
調用會話的
stop方法結束語音辨識。該方法只通知服務端輸入結束;接收線程需繼續消費
events()直到task-finished事件以獲得最後的識別結果和統計資訊。ws層的錯誤會以DashScopeError異常拋出,可在發送/接收處使用try/except捕獲。
import os
import signal # for keyboard events handling (press "Ctrl+C" to terminate recording)
import sys
import dashscope
import pyaudio
from concurrent.futures import ThreadPoolExecutor
mic = None
stream = None
# Set recording parameters
sample_rate = 16000 # 麥克風與辨識請求使用相同的取樣率。Qwen-Audio-ASR-Message 僅支援 16000 Hz。
channels = 1 # mono channel
dtype = 'int16' # data type
format_pcm = 'pcm' # the format of the audio data
block_size = 3200 # number of frames per buffer
# Real-time speech recognition event receiver
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 ...')
# Stop recognition
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,
))
# Forcefully exit the program
sys.exit(0)
# main function
if __name__ == '__main__':
# 新加坡地區和北京地區的API Key不同。擷取API Key:https://www.alibabacloud.com/help/zh/model-studio/get-api-key
# 若沒有配置環境變數,請用百鍊API Key將下行替換為:api_key="sk-xxx"
client = dashscope.Client(
api_key=os.environ.get('DASHSCOPE_API_KEY'),
# 以下為新加坡(ap-southeast-1)地區的配置。調用時請將"{WorkspaceId}"替換為真實的業務空間ID,各地區的配置不同。
workspace="{WorkspaceId}",
region="ap-southeast-1",
)
# Call recognition service, you can customize the recognition parameters, like model, format,
# sample_rate
with client.audio.asr.recognize(
model='qwen-audio-3.0-asr-flash-streaming',
format=format_pcm,
# 'pcm'、'wav'、'opus'、'speex'、'aac'、'amr', you can check the supported formats in the document
sample_rate=sample_rate,
) as recognition:
# Open the microphone
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:
# Send audio from the microphone until "Ctrl+C" is pressed
while stream:
data = stream.read(3200, exception_on_overflow=False)
recognition.send_audio_frame(data)
recognition.stop()
receiver.result()
finally:
# close must run inside the pool context to unblock the receiver
recognition.close()
stream.stop_stream()
stream.close()
mic.terminate()
stream = None
mic = None
import os
import time
import dashscope
from concurrent.futures import ThreadPoolExecutor
# 新加坡地區和北京地區的API Key不同。擷取API Key:https://www.alibabacloud.com/help/zh/model-studio/get-api-key
# 若沒有配置環境變數,請用百鍊API Key將下行替換為:api_key="sk-xxx"
client = dashscope.Client(
api_key=os.environ.get('DASHSCOPE_API_KEY'),
# 以下為新加坡(ap-southeast-1)地區的配置。調用時請將"{WorkspaceId}"替換為真實的業務空間ID,各地區的配置不同。
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
# Real-time speech recognition event receiver
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-3.0-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}"):
# 一次性將檔案資料全部讀入buffer
file_buffer = f.read()
f.close()
print("Start Recognition")
# 從buffer中間隔3200位元組發送一次
buffer_size = len(file_buffer)
offset = 0
chunk_size = 3200
while offset < buffer_size:
# 計算本次要發送的資料區塊大小
remaining_bytes = buffer_size - offset
current_chunk_size = min(chunk_size, remaining_bytes)
# 從buffer中提取當前資料區塊
audio_data = file_buffer[offset:offset + current_chunk_size]
# 發送音頻資料幀
recognition.send_audio_frame(audio_data)
# 更新位移量
offset += current_chunk_size
# 添加延遲類比即時傳輸
time.sleep(0.1)
recognition.stop()
receiver.result()
else:
raise Exception(
'The supplied file was empty (zero bytes long)')
finally:
# close must run inside the pool context to unblock the receiver
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,
))
請求參數
Qwen-Audio-ASR-Streaming
共用說明
請參閱新版 Qwen-Audio-ASR-Streaming Python SDK。
請求參數通過核心資源(client.audio.asr)的recognize/recognize_file方法進行設定:model、format、sample_rate、vocabulary_id 可直接傳入。透過 parameters 字典傳入 language_hints。
| 參數 | 類型 | 是否必須 | 說明 |
|---|---|---|---|
model | str | 是 | 模型名稱。 |
sample_rate | int | 是 | 採樣率(Hz),支援任意採樣率。 |
format | str | 是 | 音頻格式。 取值範圍:
重要opus/speex:必須使用Ogg封裝; wav:必須為PCM編碼; amr:僅支援AMR-NB類型。 |
keep_dialect | bool | 否 | 說明僅適用於 預設為 |
vad_model | str | 否 | 說明僅適用於 VAD 模型。取值為 |
vocabulary_id | str | 否 | 先行編譯熱詞列表 ID。 需預先調用建立熱詞列表介面產生,識別時傳入該 ID 即可使用列表中的熱詞。 適用於詞彙已知且相對穩定、需要跨請求複用同一詞表的情境。 使用方法請參見先行編譯熱詞。 |
vocabulary | dict | 否 | 即時熱詞。 以索引值對形式傳入,鍵為熱詞文本( 適用於臨時性、會話層級的熱詞最佳化。 與先行編譯熱詞同時配置時,僅即時熱詞生效。使用方法請參見即時熱詞。 樣本: |
max_sentence_silence | int | 否 | VAD 斷句靜音閾值(ms)。當一段語音後的靜音時間長度超過該閾值時,系統會判定該句子已結束。 預設值:800。 取值範圍:[200, 6000]。 |
multi_threshold_mode_enabled | bool | 否 | 是否啟用多閾值模式。啟用後可防止 VAD 斷句切割過長。 預設值:False。 |
punctuation_prediction_enabled | bool | 否 | 設定是否在識別結果中自動添加標點:
|
heartbeat | bool | 否 | 是否啟用心跳包。 預設值:False。
靜音音頻指的是在音頻檔案或資料流中沒有聲音訊號的內容。靜音音頻可以通過多種方法產生,例如使用音頻編輯軟體如Audacity或Adobe Audition,或者通過命令列工具如FFmpeg。 使用該欄位時,SDK版本不能低於2.0.1。 |
language_hints | list[str] | 否 | 待識別音頻語種。無預設值,不設定時模型自動識別。 最多支援設定 4 個值,超出時僅前 4 個生效。 點擊查看支援的語言代碼
|
speech_noise_threshold | float | 否 | 語音與噪音的判定閾值,用於調整語音活動檢測(VAD)的靈敏度。 取值範圍:[-1.0, 1.0]。 取值說明:
此參數為進階配置參數,調整可能顯著影響識別效果,建議:
|
special_word_filter | str | 否 | 指定在語音辨識過程中需要處理的敏感詞,並支援對不同敏感詞設定不同的處理方式。詳情請參見敏感詞過濾。 |
使用 recognize 建立辨識工作階段時,透過 input 傳入上下文。
| 參數 | 類型 | 是否必須 | 說明 |
|---|---|---|---|
input | dict | 否 | 輸入對象,用於傳入對話上下文(context)。上下文用於輔助識別、提升專有詞彙的識別準確率。使用方法詳見快速開始。 dict 中需包含
重要約束:上下文訊息( 重要攜帶上下文時, 說明使用該欄位時,SDK版本不能低於2.0.1。
|
Qwen-Audio-ASR-Message
共用說明
請參閱新版 Qwen-Audio-ASR-Message Python SDK。
請求參數通過核心資源(client.audio.asr)的recognize/recognize_file方法進行設定:model、format、sample_rate、vocabulary_id 可直接傳入。透過 parameters 字典傳入 language_hints。
| 參數 | 類型 | 是否必須 | 說明 |
|---|---|---|---|
model | str | 是 | 模型名稱。 |
sample_rate | int | 是 | 採樣率(Hz),僅支援 |
format | str | 是 | 音頻格式。 取值範圍:
重要opus/speex:必須使用Ogg封裝; wav:必須為PCM編碼; amr:僅支援AMR-NB類型。 |
keep_dialect | bool | 否 | 預設為 僅在最終結果( |
vad_model | str | 否 | VAD 模型。取值為 |
disfluency_removal_enabled | bool | 否 | 是否過濾語氣詞並潤飾輸出。預設為 |
intermediate_result_enabled | bool | 否 | 是否傳回串流中間結果。預設為 |
vocabulary_id | str | 否 | 先行編譯熱詞列表 ID。 需預先調用建立熱詞列表介面產生,識別時傳入該 ID 即可使用列表中的熱詞。 適用於詞彙已知且相對穩定、需要跨請求複用同一詞表的情境。 使用方法請參見先行編譯熱詞。 |
vocabulary | dict | 否 | 即時熱詞。 以索引值對形式傳入,鍵為熱詞文本( 適用於臨時性、會話層級的熱詞最佳化。 與先行編譯熱詞同時配置時,僅即時熱詞生效。使用方法請參見即時熱詞。 重要僅 樣本: |
language_hints | list[str] | 否 | 待識別音頻語種。無預設值,不設定時模型自動識別。 最多支援設定 4 個值,超出時僅前 4 個生效。 點擊查看支援的語言代碼
透過 僅在最終結果( |
max_sentence_silence | int | 否 | VAD 斷句靜音閾值(毫秒)。語音後的靜音時長超過此值時判定句子結束。預設值為 |
heartbeat | bool | 否 | 是否啟用心跳包。 預設值:False。
靜音音頻指的是在音頻檔案或資料流中沒有聲音訊號的內容。靜音音頻可以通過多種方法產生,例如使用音頻編輯軟體如Audacity或Adobe Audition,或者通過命令列工具如FFmpeg。 該欄位自 SDK 1.23.1 引入,2.0.1 及以上版本已包含。 |
speech_noise_threshold | float | 否 | 語音與噪音的判定閾值,用於調整語音活動檢測(VAD)的靈敏度。 取值範圍:[-1.0, 1.0]。 取值說明:
此參數為進階配置參數,調整可能顯著影響識別效果,建議:
|
使用 recognize 建立辨識工作階段時,透過 input 傳入上下文。
| 參數 | 類型 | 是否必須 | 說明 |
|---|---|---|---|
input | dict | 否 | 輸入對象,用於傳入對話上下文(context)。上下文用於輔助識別、提升專有詞彙的識別準確率。使用方法詳見快速開始。 重要僅 dict 中需包含
重要約束:上下文訊息( 重要攜帶上下文時, 說明該欄位自 SDK 1.25.23 引入,2.0.1 及以上版本已包含。
|
Fun-ASR-Realtime
共用說明
請參閱新版 Fun-ASR-Realtime Python SDK。
請求參數通過核心資源(client.audio.asr)的recognize/recognize_file方法進行設定:model、format、sample_rate、vocabulary_id 可直接傳入。透過 parameters 字典傳入 max_sentence_silence 和 language_hints。
| 參數 | 類型 | 是否必須 | 說明 |
|---|---|---|---|
model | str | 是 | 模型名稱。 |
sample_rate | int | 是 | 採樣率(Hz)。 取值範圍:8k模型僅支援 8000 Hz,其他模型支援任意採樣率。 |
format | str | 是 | 音頻格式。 取值範圍:
重要opus/speex:必須使用Ogg封裝; wav:必須為PCM編碼; amr:僅支援AMR-NB類型。 |
vocabulary_id | str | 否 | 先行編譯熱詞列表 ID。 需預先調用建立熱詞列表介面產生,識別時傳入該 ID 即可使用列表中的熱詞。 適用於詞彙已知且相對穩定、需要跨請求複用同一詞表的情境。 使用方法請參見先行編譯熱詞。 |
max_sentence_silence | int | 否 | VAD 斷句靜音閾值(ms)。當一段語音後的靜音時間長度超過該閾值時,系統會判定該句子已結束。 預設值:1300。 取值範圍:[200, 6000]。 |
multi_threshold_mode_enabled | bool | 否 | 是否啟用多閾值模式。啟用後可防止 VAD 斷句切割過長。 預設值:False。 |
punctuation_prediction_enabled | bool | 否 | 設定是否在識別結果中自動添加標點:
|
heartbeat | bool | 否 | 是否啟用心跳包。 預設值:False。
靜音音頻指的是在音頻檔案或資料流中沒有聲音訊號的內容。靜音音頻可以通過多種方法產生,例如使用音頻編輯軟體如Audacity或Adobe Audition,或者通過命令列工具如FFmpeg。 使用該欄位時,SDK版本不能低於2.0.1。 |
language_hints | list[str] | 否 | 待識別音頻語種。無預設值,不設定時模型自動識別。 僅支援設定 1 個值,設定多個時僅第一個生效。 點擊查看支援的語言代碼
|
speech_noise_threshold | float | 否 | 語音與噪音的判定閾值,用於調整語音活動檢測(VAD)的靈敏度。 取值範圍:[-1.0, 1.0]。 取值說明:
此參數為進階配置參數,調整可能顯著影響識別效果,建議:
|
special_word_filter | str | 否 | 指定在語音辨識過程中需要處理的敏感詞,並支援對不同敏感詞設定不同的處理方式。詳情請參見敏感詞過濾。 |
使用 recognize 建立辨識工作階段時,透過 input 傳入上下文。
| 參數 | 類型 | 是否必須 | 說明 |
|---|---|---|---|
input | dict | 否 | 輸入對象,用於傳入對話上下文(context)。上下文用於輔助識別、提升專有詞彙的識別準確率。使用方法詳見提升識別準確率。 重要僅 dict 中需包含
重要約束:上下文訊息( 重要攜帶上下文時, 說明使用該欄位時,SDK版本不能低於2.0.1。
|
介面參考
共用介面
事件迭代(events()/results())
雙向流式調用時,服務端會通過事件的方式,將關鍵流程資訊和資料返回給用戶端。您需要在接收線程中迭代會話的events()(原始事件dict)或results()(類型化識別結果幀),處理服務端返回的資訊或者資料。
# 迭代原始事件:識別文本位於 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('識別文本:', sentence['text'])
# 或只迭代識別結果幀(返回 RecognitionResult,心跳幀已過濾)
def receive_results(rec):
for result in rec.results():
sentence = result.get_sentence()
if sentence and 'text' in sentence:
print('識別文本:', sentence['text'])
| 事件/迭代方法 | 產出內容 | 傳回值 | 描述 |
|---|---|---|---|
|
| 無 | 由 |
|
| 迭代器 | 當服務有回複時產出事件。識別結果位於 |
|
| 迭代器 | 只產出識別結果幀(心跳幀已過濾),全部識別結果返回後迭代結束。 |
|
| 無 | 發生異常時在發送/接收線程中拋出,可使用try/except捕獲。 |
|
| 無 | 當服務已經完成全部識別後由 |
識別結果(RecognitionResult)
RecognitionResult代表會話results()迭代產出的一次識別結果幀(雙向流式調用與非流式調用均可使用;events()產出的是原始事件dict,如需該類型化視圖請改用results())。
| 成員方法 | 方法簽名 | 說明 |
|---|---|---|
get_sentence | | 擷取當前識別的句子及時間戳記資訊,此方法傳回型別為Dict[str, Any](單句資訊)。 詳情請參見單句資訊(Sentence)。 |
request_id | | 當前事件對應的請求request_id。 |
is_sentence_end | | 判斷當前句子是否已經結束。該方法通過檢查 |
單句資訊(Sentence)
Sentence類成員如下:
| 參數 | 類型 | 說明 |
|---|---|---|
begin_time | int | 句子開始時間,單位為ms。 |
end_time | int | 句子結束時間,單位為ms。 |
text | str | 識別文本。 |
words | 字時間戳記資訊(Word)的list集合 | 字時間戳記資訊。 |
字時間戳記資訊(Word)
Word類成員如下:
| 參數 | 類型 | 說明 |
|---|---|---|
begin_time | int | 字開始時間,單位為ms。 |
end_time | int | 字結束時間,單位為ms。 |
text | str | 字。 |
punctuation | str | 標點。 |
Qwen-Audio-ASR-Streaming / Qwen-Audio-ASR-Message
介面地址
SDK的即時識別走WebSocket介面,端點由Client的workspace與region自動決定(包含WorkspaceId)。如需切換到其他地區,構造Client時設定對應地區的region即可。
新加坡
wss://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api-ws/v1/inference
調用時請將{WorkspaceId}替換為真實的Workspace ID。
華北2(北京)
wss://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api-ws/v1/inference
調用時請將{WorkspaceId}替換為真實的Workspace ID。
重要阿里雲百鍊為華北2(北京)、新加坡地區推出了業務空間專屬網域名稱,能夠為推理請求提供卓越的效能和更高的穩定性,建議遷移至新網域名稱:
- 華北2(北京)地區:從
dashscope.aliyuncs.com遷移至{WorkspaceId}.cn-beijing.maas.aliyuncs.com - 新加坡地區:從
dashscope-intl.aliyuncs.com遷移至{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com
Qwen-Audio-ASR-Streaming
關鍵介面
核心資源(client.audio.asr)
即時語音辨識能力掛載在client.audio.asr資源上:recognize建立雙向流式識別會話(Recognition),recognize_file對本地檔案一次性識別。
| 成員方法 | 方法簽名 | 說明 |
|---|---|---|
recognize | | 建立雙向流式識別會話,進入 發送音頻與消費事件需並發進行(配合 |
recognize_file | | 基於本地檔案的非流式調用:自動分塊發送音頻並驅動到任務結束,逐個產出服務端事件。該方法要求所識別檔案具有可讀許可權。 |
start | | 開始語音辨識:建立串連、發送任務並等待 |
send_audio_frame | | 推送音頻。每次推送的音頻流不宜過大或過小,建議每包音頻時間長度為100ms左右,大小在1KB~16KB之間。 識別結果通過事件迭代( |
stop | | 停止語音辨識:只通知服務端輸入結束,接收線程需繼續消費 |
events / results | | 迭代服務端事件: |
close | | 關閉識別會話。退出 |
request_id / first_package_delay / last_package_delay / last_response | | 擷取request_id、首包延遲(從發送第一包音頻到收到首包識別結果延遲)和尾包延遲(發送 |
響應結果
Qwen-Audio-ASR-Message
關鍵介面
核心資源(client.audio.asr)
即時語音辨識能力掛載在client.audio.asr資源上:recognize建立雙向流式識別會話(Recognition),recognize_file對本地檔案一次性識別。
| 成員方法 | 方法簽名 | 說明 |
|---|---|---|
recognize | | 建立雙向流式識別會話,進入 發送音頻與消費事件需並發進行(配合 |
recognize_file | | 基於本地檔案的非流式調用:自動分塊發送音頻並驅動到任務結束,逐個產出服務端事件。該方法要求所識別檔案具有可讀許可權。 |
start | | 開始語音辨識:建立串連、發送任務並等待 |
send_audio_frame | | 推送音頻。每次推送的音頻流不宜過大或過小,建議每包音頻時間長度為100ms左右,大小在1KB~16KB之間。 識別結果通過事件迭代( |
stop | | 停止語音辨識:只通知服務端輸入結束,接收線程需繼續消費 |
events / results | | 迭代服務端事件: |
close | | 關閉識別會話。退出 |
request_id / first_package_delay / last_package_delay / last_response | | 擷取request_id、首包延遲(從發送第一包音頻到收到首包識別結果延遲)和尾包延遲(發送 |
響應結果
Fun-ASR-Realtime
介面地址
SDK的即時識別走WebSocket介面,端點由Client的workspace與region自動決定(包含WorkspaceId)。如需切換到其他地區,構造Client時設定對應地區的region即可。
新加坡
wss://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api-ws/v1/inference
調用時請將{WorkspaceId}替換為真實的Workspace ID。
華北2(北京)
wss://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api-ws/v1/inference
調用時請將{WorkspaceId}替換為真實的Workspace ID。
重要阿里雲百鍊為華北2(北京)、新加坡地區推出了業務空間專屬網域名稱,能夠為推理請求提供卓越的效能和更高的穩定性,建議遷移至新網域名稱:
- 華北2(北京)地區:從
dashscope.aliyuncs.com遷移至{WorkspaceId}.cn-beijing.maas.aliyuncs.com - 新加坡地區:從
dashscope-intl.aliyuncs.com遷移至{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com
關鍵介面
核心資源(client.audio.asr)
即時語音辨識能力掛載在client.audio.asr資源上:recognize建立雙向流式識別會話(Recognition),recognize_file對本地檔案一次性識別。
| 成員方法 | 方法簽名 | 說明 |
|---|---|---|
recognize | | 建立雙向流式識別會話,進入 發送音頻與消費事件需並發進行(配合 |
recognize_file | | 基於本地檔案的非流式調用:自動分塊發送音頻並驅動到任務結束,逐個產出服務端事件。該方法要求所識別檔案具有可讀許可權。 |
start | | 開始語音辨識:建立串連、發送任務並等待 |
send_audio_frame | | 推送音頻。每次推送的音頻流不宜過大或過小,建議每包音頻時間長度為100ms左右,大小在1KB~16KB之間。 識別結果通過 |
stop | | 停止語音辨識:只通知服務端輸入結束,接收線程需繼續消費 |
events / results | | 迭代服務端事件: |
close | | 關閉識別會話。退出 |
request_id / first_package_delay / last_package_delay / last_response | | 擷取request_id、首包延遲(從發送第一包音頻到收到首包識別結果延遲)和尾包延遲(發送 |
響應結果
錯誤碼
如遇報錯問題,請參見錯誤碼進行排查。
若問題仍未解決,請加入開發人員群反饋遇到的問題,並提供Request ID,以便進一步排查問題。