Alibaba Cloud Model Studio：即時語音辨識（Qwen-ASR-Realtime）互動流程

使用者指南：模型介紹、功能特性和範例程式碼請參見即時語音辨識-通義千問

URL

編碼時，將<model_name>替換為實際的模型。

wss://dashscope-intl.aliyuncs.com/api-ws/v1/realtime?model=<model_name>

Headers

"Authorization": "bearer <your_dashscope_api_key>"

VAD 模式（預設）

服務端自動檢測語音的起點和終點（斷句）。開發人員只需持續發送音頻流，服務端會在檢測到一句話結束時自動返回最終識別結果。此模式適用於即時對話、會議記錄等情境。

啟用方式：配置用戶端session.update事件的session.turn_detection參數。

• 服務端在檢測到語音開始時發送input_audio_buffer.speech_started事件。

• 用戶端通過發送input_audio_buffer.append事件將音頻追加到緩衝區。

• 服務端在檢測到語音結束時發送input_audio_buffer.speech_stopped事件。

• 服務端通過發送input_audio_buffer.committed事件來提交輸入音頻緩衝區。

• 服務端發送conversation.item.created事件，其中包含從音頻緩衝區建立的使用者訊息項。

• 服務端發送conversation.item.input_audio_transcription.text事件，其中包含語音辨識結果。

Manual 模式

由用戶端控制斷句。用戶端需要發送完一整句話的音頻後，再發送一個input_audio_buffer.commit事件來通知服務端。此模式適用於用戶端能明確判斷語句邊界的情境，如聊天軟體中的發送語音。

啟用方式：將用戶端session.update事件的session.turn_detection設為null。

• 用戶端通過發送input_audio_buffer.append事件將音頻追加到緩衝區。

• 用戶端通過發送input_audio_buffer.commit事件來提交輸入音頻緩衝區。 該提交會在對話中建立一個新的使用者訊息項。

• 服務端發送input_audio_buffer.committed事件進行響應。

• 服務端發送conversation.item.input_audio_transcription.text事件，其中包含語音辨識結果。