实时语音识别（Qwen-Audio-3.0-ASR-Flash-Streaming/Fun-ASR-Realtime）客户端事件_大模型服务平台百炼(Model Studio) - 大模型服务平台百炼

本文介绍 Qwen-Audio-3.0-ASR-Flash-Streaming/Fun-ASR-Realtime 实时语音识别服务中客户端通过 WebSocket 发送给服务端的客户端事件，包括 run-task（启动任务）、finish-task（结束任务）等指令的数据结构与字段含义。

用户指南：关于模型介绍和选型建议请参见语音识别。

事件交互流程：如需了解事件交互时序，请参见WebSocket API。

run-task

说明：启动语音识别任务，设置模型、音频格式、采样率等参数。

发送时机：建立 WebSocket 连接后立即发送。

响应事件：服务端返回 task-started 事件后才能发送音频。

headerobject（必选）

属性

actionstring（必选）

指令类型，固定为 run-task。

task_idstring（必选）

客户端生成的任务 ID（UUID 格式），用于关联后续事件。

streamingstring（必选）

固定为 duplex。

payloadobject（必选）

属性

task_groupstring（必选）

任务组，固定为 audio。

taskstring（必选）

任务类型，固定为 asr。

functionstring（必选）

功能类型。固定为recognition。

modelstring（必选）

指定模型名。支持Qwen-Audio-3.0-ASR-Flash-Streaming和Fun-ASR-Realtime系列模型，详情请参见支持的模型与地域。

inputobject（必选）

输入对象。不携带上下文时传入{}。

重要仅 qwen-audio-3.0-asr-flash-streaming、fun-asr-realtime 和 fun-asr-realtime-2025-11-07 模型支持上下文。

属性

contextarray(object)（可选）

对话上下文，用于辅助识别、提升专有词汇的识别准确率。使用方法详见上下文增强。

重要约束：上下文消息（input_text 和 text 类型）各最多 5 条，超出时保留最近的 5 条。每轮上下文文本总长度（user 和 assistant 的 text 字段长度之和）不超过 400 个字符（按字符数计算，每个字符计为 1），超出部分从末尾截断。

重要携带上下文时，context 中的消息顺序有要求：上下文消息必须按对话轮次排列，每轮中 user（input_text 类型）必须在对应的 assistant（text 类型）之前。

属性

rolestring（必选）

消息角色。取值范围：

user：前几轮用户语音的识别结果或领域相关的词表。
assistant：前几轮大语言模型的回复内容。

contentarray(object)（必选）

消息内容列表。

属性

typestring（必选）

内容类型。取值范围：

input_text：前几轮用户语音的识别结果或领域相关的词表（role 为 user 时使用），需同时传入 text 字段。
text：前几轮大语言模型的回复内容（role 为 assistant 时使用），需同时传入 text 字段。

textstring（必选）

文本内容。当 type 为 input_text 时，填入前几轮用户语音的识别结果或领域相关的词表；当 type 为 text 时，填入前几轮大语言模型的回复内容。

parametersobject（必选）

语音识别参数。

属性

formatstring（必选）

音频格式。

取值范围：

pcm
wav
mp3
opus
speex
aac
amr

重要opus/speex：必须使用Ogg封装；

wav：必须为PCM编码；

amr：仅支持AMR-NB类型。

sample_rateinteger（必选）

采样率（Hz）。

取值范围：8k模型仅支持 8000 Hz，其他模型支持任意采样率。

vocabulary_idstring（可选）

预编译热词列表 ID。

需预先调用创建热词列表接口生成，识别时传入该 ID 即可使用列表中的热词。

适用于词汇已知且相对稳定、需要跨请求复用同一词表的场景。

使用方法请参见预编译热词。

vocabularyobject（可选）

即时热词。

以键值对形式传入，键为热词文本（string），值为热词权重（integer），无需预先创建热词列表。权重取值范围为 [1, 5] 或 50：取 [1, 5] 时值越大模型越倾向输出该词；取 50 时为超级热词，召回率大幅提升，但超级热词数量最多不超过 50 个。

适用于临时性、会话级别的热词优化。

与预编译热词同时配置时，系统会合并两类热词；合并后超过 2000 个时，随机选择 2000 个使用。使用方法请参见即时热词。

重要仅qwen-audio-3.0-asr-flash-streaming支持即时热词。

language_hintsarray[string]（可选）

待识别音频语种。无默认值，不设置时模型自动识别。

对于 Qwen-Audio-3.0-ASR-Flash-Streaming 系列模型，最多支持设置 4 个值，即便设置超出 4 个，也仅前 4 个生效；对于 Fun-ASR-Realtime 系列模型，仅支持设置 1 个值，即便设置多个，也仅第一个生效。

点击查看支持的语言代码

qwen-audio-3.0-asr-flash-streaming、fun-asr-realtime、fun-asr-realtime-2025-11-07：
- zh: 中文
- en: 英文
- ja: 日语
- ko：韩语
- vi：越南语
- th：泰语
- id：印尼语
- ms：马来语
- tl：菲律宾语
- hi：印地语
- ar：阿拉伯语
- fr：法语
- de：德语
- es：西班牙语
- pt：葡萄牙语
- ru：俄语
- it：意大利语
- nl：荷兰语
- sv：瑞典语
- da：丹麦语
- fi：芬兰语
- no：挪威语
- el：希腊语
- pl：波兰语
- cs：捷克语
- hu：匈牙利语
- ro：罗马尼亚语
- bg：保加利亚语
- hr：克罗地亚语
- sk：斯洛伐克语
fun-asr-realtime-2026-02-28：
- zh: 中文
- en: 英文
- ja: 日语
fun-asr-realtime-2025-09-15：
- zh: 中文
- en: 英文
fun-asr-flash-8k-realtime、fun-asr-flash-8k-realtime-2026-01-28：
- zh: 中文

semantic_punctuation_enabledboolean（可选）

是否启用语义断句。

默认值：false。

true：开启语义断句，关闭 VAD 断句。
false（默认）：开启 VAD 断句，关闭语义断句。

语义断句准确性更高，适合会议转写场景；VAD（Voice Activity Detection，语音活动检测）断句延迟较低，适合交互场景。

max_sentence_silenceinteger（可选）

VAD 断句静音阈值（ms）。当一段语音后的静音时长超过该阈值时，系统会判定该句子已结束。当semantic_punctuation_enabled为true时，不作为sentence_end返回依据，但设置过小可能会影响识别效果。

默认值：1300。

取值范围：[200, 6000]。

multi_threshold_mode_enabledboolean（可选）

重要仅在semantic_punctuation_enabled参数为false时生效。

是否启用多阈值模式。启用后可防止 VAD 断句切割过长。

默认值：false。

heartbeatboolean（可选）

是否启用心跳包。

默认值：false。

true：在持续发送静音音频的情况下，可保持与服务端的连接不中断。
false（默认）：即使持续发送静音音频，连接也将在一定时间后因超时而断开。

静音音频指的是在音频文件或数据流中没有声音信号的内容。静音音频可以通过多种方法生成，例如使用音频编辑软件如Audacity或Adobe Audition，或者通过命令行工具如FFmpeg。

speech_noise_thresholdfloat（可选）

语音与噪音的判定阈值，用于调整语音活动检测（VAD）的灵敏度。

取值范围：[-1.0, 1.0]。

取值说明：

取值越接近 -1：降低噪音判定阈值，噪音被识别为语音的概率增大，可能导致更多噪音被转写
取值越接近 +1：提高噪音判定阈值，语音被误判为噪音的概率增大，可能导致部分语音被过滤

此参数为高级配置参数，调整可能显著影响识别效果，建议：

调整前充分测试验证效果
根据实际音频环境小幅度调整（建议步长 0.1）

special_word_filter string（可选）

指定在语音识别过程中需要处理的敏感词，并支持对不同敏感词设置不同的处理方式。详情请参见敏感词过滤。

基本请求

{
    "header": {
        "action": "run-task",
        "task_id": "2bf83b9a-baeb-4fda-8d9a-xxxxxxxxxxxx",
        "streaming": "duplex"
    },
    "payload": {
        "task_group": "audio",
        "task": "asr",
        "function": "recognition",
        "model": "qwen-audio-3.0-asr-flash-streaming",
        "parameters": {
            "format": "pcm",
            "sample_rate": 16000
        },
        "input": {}
    }
}

携带上下文

{
    "header": {
        "action": "run-task",
        "task_id": "2bf83b9a-baeb-4fda-8d9a-xxxxxxxxxxxx",
        "streaming": "duplex"
    },
    "payload": {
        "task_group": "audio",
        "task": "asr",
        "function": "recognition",
        "model": "qwen-audio-3.0-asr-flash-streaming",
        "parameters": {
            "format": "pcm",
            "sample_rate": 16000
        },
        "input": {
            "context": [
                {
                    "role": "user",
                    "content": [
                        {
                            "type": "input_text",
                            "text": "你好啊"
                        }
                    ]
                },
                {
                    "role": "assistant",
                    "content": [
                        {
                            "type": "text",
                            "text": "你好啊，我是通义千问，有什么可以帮助你的？"
                        }
                    ]
                }
            ]
        }
    }
}

即时热词

{
    "header": {
        "action": "run-task",
        "task_id": "2bf83b9a-baeb-4fda-8d9a-xxxxxxxxxxxx",
        "streaming": "duplex"
    },
    "payload": {
        "task_group": "audio",
        "task": "asr",
        "function": "recognition",
        "model": "qwen-audio-3.0-asr-flash-streaming",
        "parameters": {
            "format": "pcm",
            "sample_rate": 16000,
            "vocabulary": {"张三": 5, "李四": 5}
        },
        "input": {}
    }
}

continue-task

说明：在任务执行过程中更新对话上下文信息，用于辅助识别。

发送时机：任务运行中，需要更新对话上下文时发送。

重要仅 qwen-audio-3.0-asr-flash-streaming、fun-asr-realtime 和 fun-asr-realtime-2025-11-07 模型支持该事件。

headerobject（必选）

属性

actionstring（必选）

指令类型，固定为 continue-task。

task_idstring（必选）

客户端生成的任务 ID（UUID 格式），需与run-task事件中的 task_id 保持一致。

streamingstring（必选）

固定为 duplex。

payloadobject（必选）

属性

inputobject（必选）

输入对象。

属性

contextarray(object)（可选）

对话上下文，用于辅助识别、提升专有词汇的识别准确率。使用方法详见上下文增强。

属性

rolestring（必选）

消息角色。取值范围：

user：前几轮用户语音的识别结果或领域相关的词表。
assistant：前几轮大语言模型的回复内容。

contentarray(object)（必选）

消息内容列表。

属性

typestring（必选）

内容类型。取值范围：

input_text：前几轮用户语音的识别结果或领域相关的词表（role 为 user 时使用），需同时传入 text 字段。
text：前几轮大语言模型的回复内容（role 为 assistant 时使用），需同时传入 text 字段。

textstring（必选）

文本内容。当 type 为 input_text 时，填入前几轮用户语音的识别结果或领域相关的词表；当 type 为 text 时，填入前几轮大语言模型的回复内容。

{
    "header": {
        "action": "continue-task",
        "task_id": "2bf83b9a-baeb-4fda-8d9a-xxxxxxxxxxxx",
        "streaming": "duplex"
    },
    "payload": {
        "input": {
            "context": [
                {
                    "role": "user",
                    "content": [
                        {
                            "type": "input_text",
                            "text": "你好啊"
                        }
                    ]
                },
                {
                    "role": "assistant",
                    "content": [
                        {
                            "type": "text",
                            "text": "你好啊，我是通义千问，有什么可以帮助你的？"
                        }
                    ]
                }
            ]
        }
    }
}

finish-task

说明：通知服务端音频发送完毕，请求结束任务。

发送时机：所有音频数据发送完毕后。

响应事件：服务端返回 task-finished 事件。

headerobject（必选）

属性

actionstring（必选）

指令类型，固定为 finish-task。

task_idstring（必选）

客户端生成的任务 ID（UUID 格式），需与run-task事件中的 task_id 保持一致。

streamingstring（必选）

固定为 duplex。

payloadobject（必选）

属性

inputobject（必选）

固定为{}。

{
    "header": {
        "action": "finish-task",
        "task_id": "2bf83b9a-baeb-4fda-8d9a-xxxxxxxxxxxx",
        "streaming": "duplex"
    },
    "payload": {
        "input": {}
    }
}