非即時語音辨識（Qwen-Audio-ASR）HTTP API - Alibaba Cloud Model Studio

本文介紹Qwen-Audio-ASR非即時語音辨識HTTP API的參數和介面細節。

關於支援的音頻格式、檔案大小限制、時間長度限制等輸入要求，請參見音頻規格。

介面地址

新加坡

POST https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation

調用時請將{WorkspaceId}替換為真實的Workspace ID。

華北2（北京）

POST https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation

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

要求標頭

參數	類型	是否必選	說明
`Authorization`	`string`	是	鑒權令牌，格式為`Bearer <your_api_key>`，使用時將"`<your_api_key>`"替換為實際的API Key。
`Content-Type`	`string`	是	請求參數的媒體類型，固定為`application/json`。
`X-DashScope-SSE`	`string`	否	用於控制是否要求串流傳回。設定為 `enable` 時要求 SSE 串流傳回；設定為 `disable` 或不傳該參數則僅傳回最終結果。說明僅適用於 `qwen-audio-3.0-asr-flash`：音訊長度不少於 1 分鐘時才以 SSE 串流方式傳回結果。

請求參數

modelstring（必選）

模型名稱。

inputobject（必選）

輸入資訊。

屬性

messagesarray(object)（必選）

訊息列表。包含當前待識別的音頻，以及可選的對話上下文（用於提升識別效果）。

重要上下文功能用於提升專有詞彙的識別準確率，使用方法詳見上下文增強。

上下文訊息（input_text 和 text 類型）各最多 5 條，超出時保留最近的 5 條。每輪上下文文本總長度（user 和 assistant 的 text 欄位長度之和）不超過 400 個字元（按字元數計算，每個字元計為 1），超出部分從末尾截斷。

重要攜帶上下文時，messages 中的訊息順序有要求：上下文訊息必須按對話輪次排列，每輪中 user（input_text 類型）必須在對應的 assistant（text 類型）之前；包含 input_audio 的 user 訊息必須放在 messages 數組的最後。

屬性

rolestring（必選）

訊息角色。取值範圍：

user（必選）：使用者訊息。type為input_audio時表示當前待識別的音頻；type為input_text時表示前幾輪的識別結果或領域相關的詞表（可選，上下文）。
assistant（可選，上下文）：前幾輪大語言模型的回複內容。

contentarray(object)（必選）

訊息內容列表。

屬性

typestring（必選）

內容類型。每個請求至少需要一條input_audio類型的訊息。取值範圍：

input_audio（必選）：當前待識別的音頻輸入（role為user），需同時傳入input_audio對象。
input_text（可選，上下文）：前幾輪使用者語音的識別結果或領域相關的詞表（role為user），需同時傳入text欄位。
text（可選，上下文）：前幾輪大語言模型的回複內容（role為assistant），需同時傳入text欄位。

input_audioobject（條件必選）

當type為input_audio時必填。

屬性

datastring（必選）

待識別音頻資料。關於支援的音頻格式、檔案大小限制、時間長度限制等輸入要求，請參見音頻規格。支援以下兩種方式：

音頻檔案URL：直接傳入可公開訪問的音頻檔案地址。
Base64 Data URI：採用Data URI格式傳入Base64編碼的音頻資料，值由data:{MIME_TYPE};base64,首碼與Base64編碼的音頻資料拼接而成。支援的MIME類型包括audio/wav、audio/mp3等。

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

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

textstring（條件必選）

當type為input_text時，填入前幾輪使用者語音的識別結果或領域相關的詞表；當type為text時，填入前幾輪大語言模型的回複內容。文本按字元數計算，每個字元計為 1。每輪上下文中所有訊息的 text 欄位長度之和不超過 400 個字元，超出部分從末尾截斷。

parametersobject（必選）

模型參數。

說明qwen-audio-3.0-asr-flash 的潤色順滑功能預設關閉，暫未開放。qwen-audio-3.1-asr-flash 支援原生文字潤色。

潤色順滑：模型在辨識語音的同時，自動清理無意義語氣詞和口吃重複，處理說話過程中的自我修正，理順口語表達，並規範標點與文字格式。輸出結果更加簡潔、流暢、易讀，同時盡可能保留使用者的最終意圖和關鍵資訊。

屬性

speaker_diarization_enabled boolean （可選）

說明僅適用於 qwen-audio-3.1-asr-flash。

是否啟用說話人分離，預設值為 false。設為 true 時，透過回應中的 speaker_id 區分說話人，並傳回 output.sentences。啟用後，keep_dialect 和 language_hints 不生效。

keep_dialect boolean （可選）

說明僅適用於 qwen-audio-3.1-asr-flash。

是否保留方言表達，預設值為 false。false：將方言轉寫為普通話文字；true：保留方言表達。

formatstring（必選）

音頻格式。根據實際音頻格式填寫，支援wav、mp3、opus等。詳情請參見音頻規格。

sample_ratestring（可選）

音頻採樣率，單位Hz。例如16000表示16kHz採樣率。詳情請參見音頻規格。

vocabulary_idstring（可選）

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。

vocabularyobject（可選）

即時熱詞。

以索引值對形式傳入，鍵為熱詞文本（string），值為熱詞權重（integer），無需預先建立熱詞列表。權重取值範圍為 [1, 5] 或 50：取 [1, 5] 時值越大模型越傾向輸出該詞；取 50 時為超級熱詞，召回率大幅提升，但超級熱詞數量最多不超過 50 個。

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qwen-audio-3.0-asr-flash支援即時熱詞。

language_hints array[string]（可選）

設定待辨識語言代碼。如果無法提前確定語種，可不設定，模型會自動辨識語種。最多支援設定 4 個值，超出時僅前 4 個生效。

指定語種代碼可提升辨識準確率。

支援的語言代碼

zh: 中文
en: 英文
ja: 日語
ko: 韓語
vi: 越南語
th: 泰語
id: 印尼語
ms: 馬來語
tl: 菲律賓語
hi: 印地語
ar: 阿拉伯語
fr: 法語
de: 德語
es: 西班牙語
pt: 葡萄牙語
ru: 俄語
it: 意大利語
nl: 荷蘭語
sv: 瑞典語
da: 丹麥語
fi: 芬蘭語
no: 挪威語
el: 希臘語
pl: 波蘭語
cs: 捷克語
hu: 匈牙利語
ro: 羅馬尼亞語
bg: 保加利亞語
hr: 克羅地亞語
sk: 斯洛伐克語

qwen-audio-3.1-asr-flash 還支援以下語言代碼：

tr: 土耳其語
fa: 波斯語
mr: 馬拉地語
ml: 馬拉雅拉姆語
ne: 尼泊爾語
ky: 吉爾吉斯語
az: 阿塞拜疆語
ka: 格魯吉亞語
hy: 亞美尼亞語
sl: 斯洛文尼亞語
sq: 阿爾巴尼亞語
et: 愛沙尼亞語
lv: 拉脫維亞語
lt: 立陶宛語
ca: 加泰羅尼亞語
eu: 巴斯克語
gl: 加利西亞語
or: 奧里亞語
dv: 迪維希語
as: 阿薩姆語
ku: 庫爾德語
tig: 提格雷語
fy: 西弗里西亞語
ba: 巴什基爾語
be: 白俄羅斯語
tt: 韃靼語
ia: 國際語
mhr: 東馬里語
tok: 道本語

以下為新加坡地區的配置，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。新加坡地區和北京地區的API Key不同。

非流式

curl --location --request POST 'https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation' \
     --header "Authorization: Bearer $DASHSCOPE_API_KEY" \
     --header "Content-Type: application/json" \
     --header "X-DashScope-SSE: disable" \
     --data '{
    "model": "qwen-audio-3.0-asr-flash",
    "input": {
        "messages": [
            {
                "role": "user",
                "content": [
                    {
                        "type": "input_audio",
                        "input_audio": {
                            "data": "{YOUR_AUDIO_URL}"
                        }
                    }
                ]
            }
        ]
    },
    "parameters": {
        "format": "wav",
        "sample_rate": "16000"
    }
}'

流式

curl --location --request POST 'https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation' \
     --header "Authorization: Bearer $DASHSCOPE_API_KEY" \
     --header "Content-Type: application/json" \
     --header "X-DashScope-SSE: enable" \
     --data '{
    "model": "qwen-audio-3.0-asr-flash",
    "input": {
        "messages": [
            {
                "role": "user",
                "content": [
                    {
                        "type": "input_audio",
                        "input_audio": {
                            "data": "{YOUR_AUDIO_URL}"
                        }
                    }
                ]
            }
        ]
    },
    "parameters": {
        "format": "wav",
        "sample_rate": "16000"
    }
}'

攜帶上下文-非流式

curl --location --request POST 'https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation' \
     --header "Authorization: Bearer $DASHSCOPE_API_KEY" \
     --header "Content-Type: application/json" \
     --header "X-DashScope-SSE: disable" \
     --data '{
    "model": "qwen-audio-3.0-asr-flash",
    "input": {
        "messages": [
            {
                "role": "user",
                "content": [
                    {
                        "type": "input_text",
                        "text": "你好啊"
                    }
                ]
            },
            {
                "role": "assistant",
                "content": [
                    {
                        "type": "text",
                        "text": "你好啊，我是通義千問，有什麼可以協助你的？"
                    }
                ]
            },
            {
                "role": "user",
                "content": [
                    {
                        "type": "input_audio",
                        "input_audio": {
                            "data": "{YOUR_AUDIO_URL}"
                        }
                    }
                ]
            }
        ]
    },
    "parameters": {
        "format": "wav",
        "sample_rate": "16000"
    }
}'

攜帶上下文-流式

curl --location --request POST 'https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation' \
     --header "Authorization: Bearer $DASHSCOPE_API_KEY" \
     --header "Content-Type: application/json" \
     --header "X-DashScope-SSE: enable" \
     --data '{
    "model": "qwen-audio-3.0-asr-flash",
    "input": {
        "messages": [
            {
                "role": "user",
                "content": [
                    {
                        "type": "input_text",
                        "text": "你好啊"
                    }
                ]
            },
            {
                "role": "assistant",
                "content": [
                    {
                        "type": "text",
                        "text": "你好啊，我是通義千問，有什麼可以協助你的？"
                    }
                ]
            },
            {
                "role": "user",
                "content": [
                    {
                        "type": "input_audio",
                        "input_audio": {
                            "data": "{YOUR_AUDIO_URL}"
                        }
                    }
                ]
            }
        ]
    },
    "parameters": {
        "format": "wav",
        "sample_rate": "16000"
    }
}'

Base64

可輸入Base64編碼資料（Data URL），格式為：data:<mediatype>;base64,<data>。

<mediatype>：MIME類型

因音頻格式而異，例如：
- WAV：audio/wav
- MP3：audio/mpeg
<data>：音頻轉成的Base64編碼的字串

Base64 編碼會增大資料體積，音頻檔案的大小和時間長度限制請參見音頻規格。

樣本：data:audio/wav;base64,SUQzBAAAAAAAI1RTU0UAAAAPAAADTGF2ZjU4LjI5LjEwMAAAAAAAAAAAAAAA//PAxABQ/BXRbMPe4IQAhl9

python

import base64, pathlib

# 請替換為自己的音頻檔案路徑，確保其符合音頻要求
file_path = pathlib.Path("{YOUR_AUDIO_FILE}")
base64_str = base64.b64encode(file_path.read_bytes()).decode()
data_uri = f"data:audio/mpeg;base64,{base64_str}"

java

import java.nio.file.*;
import java.util.Base64;

public class Main {
    /**
     * 請替換為自己的音頻檔案路徑，確保其符合音頻要求
     */
    public static String toDataUrl(String filePath) throws Exception {
        byte[] bytes = Files.readAllBytes(Paths.get(filePath));
        String encoded = Base64.getEncoder().encodeToString(bytes);
        return "data:audio/mpeg;base64," + encoded;
    }

    public static void main(String[] args) throws Exception {
        System.out.println(toDataUrl("{YOUR_AUDIO_FILE}"));
    }
}

import base64, pathlib
import os
import requests

# 請替換為自己的音頻檔案路徑，確保其符合音頻要求
file_path = pathlib.Path("{YOUR_AUDIO_FILE}")
base64_str = base64.b64encode(file_path.read_bytes()).decode()
data_uri = f"data:audio/wav;base64,{base64_str}"

# 請將"{WorkspaceId}"替換為真實的業務空間ID
url = "https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation"

headers = {
    "Authorization": f"Bearer {os.environ['DASHSCOPE_API_KEY']}",
    "Content-Type": "application/json",
    "X-DashScope-SSE": "disable",
}

payload = {
    "model": "qwen-audio-3.0-asr-flash",
    "input": {
        "messages": [
            {
                "role": "user",
                "content": [
                    {
                        "type": "input_audio",
                        "input_audio": {
                            "data": data_uri,
                        },
                    }
                ],
            }
        ]
    },
    "parameters": {
        "format": "wav",
        "sample_rate": "16000",
    },
}

response = requests.post(url, headers=headers, json=payload)
print(response.status_code)
print(response.json())

即時熱詞

curl --location --request POST 'https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation' \
     --header "Authorization: Bearer $DASHSCOPE_API_KEY" \
     --header "Content-Type: application/json" \
     --header "X-DashScope-SSE: disable" \
     --data '{
    "model": "qwen-audio-3.0-asr-flash",
    "input": {
        "messages": [
            {
                "role": "user",
                "content": [
                    {
                        "type": "input_audio",
                        "input_audio": {
                            "data": "{YOUR_AUDIO_URL}"
                        }
                    }
                ]
            }
        ]
    },
    "parameters": {
        "format": "wav",
        "sample_rate": "16000",
        "vocabulary": {"張三": 5, "李四": 5}
    }
}'

響應參數

request_idstring

本次請求的唯一標識。

outputobject

輸出結果。

屬性

textstring

當前累積的完整識別文本。

sentences array[object]

說明僅適用於 qwen-audio-3.1-asr-flash。

啟用說話人分離時傳回。包含目前及歷史句子的辨識結果，每個元素的結構與 sentence 相同。

sentenceobject

當前句子的詳細資料。

屬性

speaker_id integer | null

說明僅適用於 qwen-audio-3.1-asr-flash。

說話人編號，用於區分不同說話人。啟用說話人分離時傳回編號，未啟用時為 null。

sentence_idinteger

句子編號，從1開始。

sentence_endboolean

是否為該句的最終結果。為true時表示該句識別完成。

begin_timeinteger

句子開始時間，單位毫秒。

end_timeinteger

句子結束時間，單位毫秒。僅在sentence_end為true時返回。

textstring

當前句子的識別文本。

channel_idinteger

聲道編號，從0開始。

wordsarray

詞層級時間戳記列表。

屬性

speaker_id integer | null

說明僅適用於 qwen-audio-3.1-asr-flash。

詞對應的說話人編號。啟用說話人分離時傳回編號，未啟用時為 null。

textstring

詞文本。

begin_timeinteger

詞開始時間，單位毫秒。

end_timeinteger

詞結束時間，單位毫秒。

punctuationstring

詞後的標點符號。無標點時為空白字串。

fixedboolean

詞是否已穩定。false表示後續事件中該詞的時間戳記可能調整。

usageobject

用量資訊。僅在sentence_end為true時返回。

屬性

durationinteger

已處理的音頻時間長度，單位秒。

input_tokens integer

說明僅適用於 qwen-audio-3.1-asr-flash。

本次呼叫消耗的輸入 Token 數。

output_tokens integer

說明僅適用於 qwen-audio-3.1-asr-flash。

本次呼叫消耗的輸出 Token 數。

total_tokens integer

說明僅適用於 qwen-audio-3.1-asr-flash。

本次呼叫消耗的總 Token 數，等於 input_tokens 與 output_tokens 之和。

非流式

{
    "output": {
        "sentence": {
            "begin_time": 760,
            "channel_id": 0,
            "end_time": 3800,
            "sentence_end": true,
            "sentence_id": 1,
            "text": "Hello World，這裡是阿里巴巴語音實驗室。",
            "words": [
                {"begin_time": 760, "end_time": 1040, "fixed": true, "punctuation": "", "text": "Hello"},
                {"begin_time": 1040, "end_time": 1240, "fixed": true, "punctuation": "，", "text": " World"},
                {"begin_time": 1360, "end_time": 1880, "fixed": true, "punctuation": "", "text": "這裡是"},
                {"begin_time": 1880, "end_time": 2520, "fixed": true, "punctuation": "", "text": "阿里巴巴"},
                {"begin_time": 2520, "end_time": 2840, "fixed": true, "punctuation": "", "text": "語音"},
                {"begin_time": 2840, "end_time": 3800, "fixed": true, "punctuation": "。", "text": "實驗室"}
            ]
        },
        "text": "Hello World，這裡是阿里巴巴語音實驗室。"
    },
    "usage": {
        "duration": 4
    },
    "request_id": "40e0734d-096f-9ae3-86c1-a8c013287561"
}

流式

SSE 串流回應的事件格式如下：

id:{序號}
event:result
:HTTP_STATUS/200
data:{JSON資料}

返回樣本：

id:1
event:result
:HTTP_STATUS/200
data:{"output":{"sentence":{"sentence_id":1,"sentence_end":true,"end_time":3800,"words":[{"end_time":1040,"punctuation":"","begin_time":760,"fixed":true,"text":"Hello"},{"end_time":1240,"punctuation":"，","begin_time":1040,"fixed":true,"text":" World"},{"end_time":1880,"punctuation":"","begin_time":1360,"fixed":true,"text":"這裡是"},{"end_time":2520,"punctuation":"","begin_time":1880,"fixed":true,"text":"阿里巴巴"},{"end_time":2840,"punctuation":"","begin_time":2520,"fixed":true,"text":"語音"},{"end_time":3800,"punctuation":"。","begin_time":2840,"fixed":true,"text":"實驗室"}],"begin_time":760,"text":"Hello World，這裡是阿里巴巴語音實驗室。","channel_id":0},"text":"Hello World，這裡是阿里巴巴語音實驗室。"},"usage":{"duration":4},"request_id":"fc1582e4-935c-9fc2-a482-a98bf43daa69"}

SSE 流式結果處理邏輯

在流式模式下，用戶端需關注以下處理要點：

每收到一個SSE事件，解析data欄位中的JSON。
對於 qwen-audio-3.0-asr-flash，透過 output.sentence.sentence_end 判斷目前句子是否結束：當該值為 true 時，該句辨識完成，詞級時間戳記已穩定，可作為最終結果使用；當該值為 false 時，辨識仍在進行中，文字和時間戳記可能在後續事件中更新。
usage 資訊僅在句子結束事件中傳回，包含音訊處理時長。對於 qwen-audio-3.1-asr-flash，還包含本次呼叫的輸入、輸出和總 Token 數，該模型按 Token 計費。

對於 qwen-audio-3.1-asr-flash，未啟用說話人分離時，詞級時間戳記在 output.sentence.words[i].fixed 為 true 後才固定；在此之前，時間戳記仍可能調整。啟用說話人分離時，應讀取 output.sentences 中目前及歷史句子的結果。