本文介绍Fun-ASR-Flash非实时语音识别HTTP API的参数和接口细节。
关于支持的音频格式、文件大小限制、时长限制等输入要求,请参见音频规格。
在流式模式下,客户端需关注以下处理要点:
接口地址
POST https://maas.qianwenaiapi.com/api/v1/services/aigc/multimodal-generation/generation
请求头
| 参数 | 类型 | 是否必选 | 说明 |
|---|---|---|---|
| Authorization | string | 是 | 鉴权令牌,格式为Bearer $DASHSCOPE_API_KEY,使用时将"$DASHSCOPE_API_KEY"替换为实际的API Key。 |
| Content-Type | string | 是 | 请求参数的媒体类型,固定为application/json。 |
| X-DashScope-SSE | string | 否 | 用于控制是否以SSE流式方式返回结果。设置为enable时开启SSE流式返回模式。仅当音频时长不少于1分钟时,服务端才会分多次返回中间识别结果和最终结果;设置为disable或不传该参数则仅返回最终结果。 |
请求参数
- 非流式
- 流式
- 携带上下文-非流式
- 携带上下文-流式
- Base64
| 参数 | 类型 | 说明 |
|---|---|---|
| model | string | (必选) 模型名称。 |
| input | object | (必选) 输入信息。 |
| input.messages | array(object) | (必选) 消息列表。包含当前待识别的音频,以及可选的对话上下文(用于提升识别效果)。 提示: 上下文功能用于提升专有词汇的识别准确率,使用方法详见上下文增强。 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。 提示: 携带上下文时,messages 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;包含 input_audio 的 user 消息必须放在 messages 数组的最后。 |
| input.messages.role | string | (必选) 消息角色。取值范围:
|
| input.messages.content | array(object) | (必选) 消息内容列表。 |
| input.messages.content.type | string | (必选) 内容类型。每个请求至少需要一条input_audio类型的消息。取值范围:
|
| input.messages.content.input_audio | object | (条件必选) 当type为input_audio时必填。 |
| input.messages.content.input_audio.data | string | (必选) 待识别音频数据。关于支持的音频格式、文件大小限制、时长限制等输入要求,请参见音频规格。支持以下两种方式:
https://example.com/audio/sample.wav 示例(Base64方式):data:audio/wav;base64,{BASE64_ENCODED_DATA} |
| input.messages.content.text | string | (条件必选) 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。文本按字符数计算,每个字符计为 1。每轮上下文中所有消息的 text 字段长度之和不超过 400 个字符,超出部分从末尾截断。 |
| parameters | object | (必选) 模型参数。 说明: 润色顺滑功能默认关闭,暂未开放。 润色顺滑:模型在识别语音的同时,自动清理无意义语气词和口吃重复,处理说话过程中的自我纠正,理顺口语表达,并规范标点与文本格式。输出结果更加简洁、流畅、易读,同时尽可能保留用户的最终意图和关键信息。 |
| parameters.format | string | (必选) 音频格式。根据实际音频格式填写,支持wav、mp3、opus等。详情请参见音频规格。 |
| parameters.sample_rate | string | (可选) 音频采样率,单位Hz。例如16000表示16kHz采样率。详情请参见音频规格。 |
| parameters.vocabulary_id | string | (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。 |
| parameters.language_hints | array[string] | (可选) 设置待识别语言代码。如果无法提前确定语种,可不设置,模型会自动识别语种。 最多支持设置 1 个值,超出时仅前 1 个生效。
|
响应参数
- 非流式
- 流式
| 参数 | 类型 | 说明 |
|---|---|---|
| request_id | string | 本次请求的唯一标识。 |
| output | object | 输出结果。 |
| output.text | string | 当前累积的完整识别文本。 |
| output.sentence | object | 当前句子的详细信息。 |
| output.sentence.sentence_id | integer | 句子编号,从1开始。 |
| output.sentence.sentence_end | boolean | 是否为该句的最终结果。为true时表示该句识别完成。 |
| output.sentence.begin_time | integer | 句子开始时间,单位毫秒。 |
| output.sentence.end_time | integer | 句子结束时间,单位毫秒。仅在sentence_end为true时返回。 |
| output.sentence.text | string | 当前句子的识别文本。 |
| output.sentence.channel_id | integer | 声道编号,从0开始。 |
| output.sentence.words | array | 词级别时间戳列表。 |
| output.sentence.words.text | string | 词文本。 |
| output.sentence.words.begin_time | integer | 词开始时间,单位毫秒。 |
| output.sentence.words.end_time | integer | 词结束时间,单位毫秒。 |
| output.sentence.words.punctuation | string | 词后的标点符号。无标点时为空字符串。 |
| output.sentence.words.fixed | boolean | 词是否已稳定。false表示后续事件中该词的时间戳可能调整。 |
| usage | object | 用量信息。仅在sentence_end为true时返回。 |
| usage.duration | integer | 已处理的音频时长,单位秒。 |
SSE 流式结果处理逻辑
在流式模式下,客户端需关注以下处理要点:
- 每收到一个SSE事件,解析
data字段中的JSON。 - 通过
output.sentence.sentence_end判断当前句子是否结束:当该值为true时,该句识别完成,词级时间戳已稳定,可作为最终结果使用;当该值为false时,识别仍在进行中,文本和时间戳可能在后续事件中更新。 usage信息仅在句子结束事件中返回,包含音频处理时长。