跳转到主要内容
千问AI平台 home page
文档
Qwen-Audio-3.x-ASR-Flash/Fun-ASR-Flash

非实时语音识别（Qwen-Audio-3.x-ASR-Flash/Fun-ASR-Flash） HTTP API

本文介绍Qwen-Audio-3.x-ASR-Flash/Fun-ASR-Flash非实时语音识别HTTP API的参数和接口细节。

用户指南：非实时语音识别。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。

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
Authorizationstring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-Typestring是请求参数的媒体类型，固定为application/json。
X-DashScope-SSEstring是用于控制是否以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
  • 即时热词
curl --location --request POST 'https://maas.qianwenaiapi.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-3.1-asr-flash",
    "input": {
        "messages": [
            {
                "role": "user",
                "content": [
                    {
                        "type": "input_audio",
                        "input_audio": {
                            "data": "{YOUR_AUDIO_URL}"
                        }
                    }
                ]
            }
        ]
    },
    "parameters": {
        "format": "wav",
        "sample_rate": "16000"
    }
}'
参数类型说明
modelstring（必选） 指定模型名。支持Qwen-Audio-3.x-ASR-Flash和Fun-ASR-Flash系列模型，详情请参见支持的模型与地域。
inputobject（必选） 输入信息。
input.messagesarray(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.rolestring（必选） 消息角色。取值范围：
  • user（必选）：用户消息。type为input_audio时表示当前待识别的音频；type为input_text时表示前几轮的识别结果或领域相关的词表（可选，上下文）。
  • assistant（可选，上下文）：前几轮大语言模型的回复内容。
input.messages.contentarray(object)（必选） 消息内容列表。
input.messages.content.typestring（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_audio（必选）：当前待识别的音频输入（role为user），需同时传入input_audio对象。
  • input_text（可选，上下文）：前几轮用户语音的识别结果或领域相关的词表（role为user），需同时传入text字段。
  • text（可选，上下文）：前几轮大语言模型的回复内容（role为assistant），需同时传入text字段。
input.messages.content.input_audioobject（条件必选） 当type为input_audio时必填。
input.messages.content.input_audio.datastring（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：
  • 音频文件URL：直接传入可公开访问的音频文件地址。
  • Base64 Data URI：采用Data URI格式传入Base64编码的音频数据，值由data:{MIME_TYPE};base64,前缀与Base64编码的音频数据拼接而成。支持的MIME类型包括audio/wav、audio/mp3等。
示例（URL方式）：https://example.com/audio/sample.wav 示例（Base64方式）：data:audio/wav;base64,{BASE64_ENCODED_DATA}
input.messages.content.textstring（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。
parametersobject（必选） 模型参数。 说明： Qwen-Audio-3.0-ASR-Flash 和 Fun-ASR-Flash 的润色顺滑功能默认关闭，**暂未开放。**Qwen-Audio-3.1-ASR-Flash 支持原生文本润色。 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.speaker_diarization_enabledboolean（可选） 仅 qwen-audio-3.1-asr-flash 支持。是否启用说话人分离，默认值为 false。设为 true 时，通过响应中的 speaker_id 区分说话人，并返回 output.sentences。开启后，keep_dialect 和 language_hints 不生效。
parameters.keep_dialectboolean（可选） 仅 qwen-audio-3.1-asr-flash 支持。是否保留方言表达，默认值为 false。false：将方言转写为普通话文本；true：保留方言表达。
parameters.formatstring（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_ratestring（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_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。
parameters.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。 提示： 仅qwen-audio-3.1-asr-flash、qwen-audio-3.0-asr-flash支持即时热词。
parameters.language_hintsarray[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。 对于 Qwen-Audio-3.x-ASR-Flash 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-Flash 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。
  • qwen-audio-3.1-asr-flash、qwen-audio-3.0-asr-flash、fun-asr-flash-2026-06-15：
  • 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

响应参数

  • 非流式
  • 流式
{
    "output": {
        "sentence": {
            "begin_time": 760,
            "channel_id": 0,
            "end_time": 3800,
            "sentence_end": true,
            "sentence_id": 1,
            "text": "Hello World，这里是阿里巴巴语音实验室。",
            "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": "这里是"},
                {"begin_time": 1880, "end_time": 2520, "fixed": true, "punctuation": "", "text": "阿里巴巴"},
                {"begin_time": 2520, "end_time": 2840, "fixed": true, "punctuation": "", "text": "语音"},
                {"begin_time": 2840, "end_time": 3800, "fixed": true, "punctuation": "。", "text": "实验室"}
            ]
        },
        "text": "Hello World，这里是阿里巴巴语音实验室。"
    },
    "usage": {
        "duration": 4
    },
    "request_id": "40e0734d-096f-9ae3-86c1-a8c013287561"
}
参数类型说明
request_idstring本次请求的唯一标识。
outputobject输出结果。
output.textstring当前累积的完整识别文本。
output.sentencesarray[object]仅 qwen-audio-3.1-asr-flash 开启说话人分离时返回。包含当前及历史句子的识别结果，每个元素的结构与 sentence 相同。
output.sentenceobject当前句子的详细信息。
output.sentence.speaker_idinteger | null说话人编号，用于区分不同说话人。qwen-audio-3.1-asr-flash 开启说话人分离时返回编号，未开启时为 null。
output.sentence.sentence_idinteger句子编号，从1开始。
output.sentence.sentence_endboolean是否为该句的最终结果。为true时表示该句识别完成。
output.sentence.begin_timeinteger句子开始时间，单位毫秒。
output.sentence.end_timeinteger句子结束时间，单位毫秒。仅在sentence_end为true时返回。
output.sentence.textstring当前句子的识别文本。
output.sentence.channel_idinteger声道编号，从0开始。
output.sentence.wordsarray词级别时间戳列表。
output.sentence.words.speaker_idinteger | null词对应的说话人编号。qwen-audio-3.1-asr-flash 开启说话人分离时返回编号，未开启时为 null。
output.sentence.words.textstring词文本。
output.sentence.words.begin_timeinteger词开始时间，单位毫秒。
output.sentence.words.end_timeinteger词结束时间，单位毫秒。
output.sentence.words.punctuationstring词后的标点符号。无标点时为空字符串。
output.sentence.words.fixedboolean词是否已稳定。false表示后续事件中该词的时间戳可能调整。
usageobject用量信息。仅在sentence_end为true时返回。
usage.durationinteger已处理的音频时长，单位秒。
usage.input_tokensinteger本次调用消耗的输入 Token 数。仅适用于 qwen-audio-3.1-asr-flash。
usage.output_tokensinteger本次调用消耗的输出 Token 数。仅适用于 qwen-audio-3.1-asr-flash。
usage.total_tokensinteger本次调用消耗的总 Token 数，等于 input_tokens 与 output_tokens 之和。仅适用于 qwen-audio-3.1-asr-flash。

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：
  1. 每收到一个SSE事件，解析data字段中的JSON。
  2. 对于 Qwen-Audio-3.0-ASR-Flash 和 Fun-ASR-Flash，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。
  3. usage信息仅在句子结束事件中返回，包含音频处理时长。对于 qwen-audio-3.1-asr-flash，还包含本次调用的输入、输出和总 Token 数，该模型按 Token 计费。
对于 qwen-audio-3.1-asr-flash，未开启说话人分离时，词级时间戳在 output.sentence.words[i].fixed 为 true 后才固定；在此之前，时间戳仍可能调整。开启说话人分离时，应读取 output.sentences 中当前及历史句子的结果。