Qwen-ASR client events

Qwen-ASR Realtime WebSocket 会话中，客户端发送给服务端的事件。

连接

连接地址：

wss://dashscope.aliyuncs.com/api-ws/v1/realtime?model={model_name}

认证请求头：

Authorization: Bearer $DASHSCOPE_API_KEY
OpenAI-Beta: realtime=v1

将 {model_name} 替换为 qwen3-asr-flash-realtime 等支持的模型，将 $DASHSCOPE_API_KEY 替换为您的 API Key。功能概述和示例代码请参考实时语音识别。服务端事件请参考 Qwen-ASR-Realtime 服务端事件。

事件生命周期

典型会话流程：

建立 WebSocket 连接。
发送 session.update 设置音频格式、语言和 VAD 选项。
持续发送 input_audio_buffer.append 流式传输音频。
手动模式下，发送 input_audio_buffer.commit 触发识别。VAD 模式下，服务端自动触发识别。
发送 session.finish 结束会话。收到 session.finished 后断开连接。

session.update

连接成功后立即发送，用于设置音频格式、语言和语音活动检测（VAD）选项。省略时使用默认值。设置成功后，服务端返回 session.updated。

Example

{
  "event_id": "event_123",
  "type": "session.update",
  "session": {
    "input_audio_format": "pcm",
    "sample_rate": 16000,
    "input_audio_transcription": {
      "language": "zh"
    },
    "turn_detection": {
      "type": "server_vad",
      "threshold": 0.0,
      "silence_duration_ms": 400
    }
  }
}

string

body

必填

固定值：session.update。

string

body

必填

唯一的事件 ID。

object

body

必填

会话配置。

显示properties

string

body

音频编码格式。可选值：pcm、opus。默认值：pcm。

integer

body

采样率，单位 Hz。可选值：16000、8000。默认值：16000。设置为 8000 时，服务端会上采样至 16,000 Hz，会增加少量延迟。仅在原始音频为 8 kHz 的场景（如电话录音）中使用 8000。

object

body

识别设置。

显示properties

string

body

音频语言。参见支持的语言。

object

body

上下文偏置配置。

显示properties

string

body

用于上下文偏置的参考文本——可以是背景描述、实体列表或参考资料，帮助提升识别准确率。最大 10,000 个 token。

object

body

VAD 设置。设置为 null 可禁用 VAD 模式，改用手动模式。如果提供此字段，则启用 VAD 模式。

显示properties

string

body

必填

固定值：server_vad。

float

body

VAD 灵敏度。默认值：0.2。取值范围：[-1, 1]。值越低灵敏度越高，但可能误触背景噪音；值越高灵敏度越低，可避免噪音环境中的误触发。参见推荐 VAD 预设。

integer

body

标记语音结束的静音时长，单位毫秒。默认值：800。取值范围：[200, 6000]。较短的值（如 300 ms）可加快响应速度，但可能将句中停顿误判为断句；较长的值（如 1,200 ms）能更好地处理停顿，但会增加延迟。参见推荐 VAD 预设。

预设	threshold	silence_duration_ms	适用场景
低延迟	`0.0`	`400`	快速交互场景（语音指令、智能客服），响应速度优先于长停顿处理
均衡（默认）	`0.2`	`800`	通用转写，兼顾速度与准确率

支持的语言

代码	语言
zh	中文（普通话、四川话、闽南语、吴语）
yue	粤语
en	英语
ja	日语
de	德语
ko	韩语
ru	俄语
fr	法语
pt	葡萄牙语
ar	阿拉伯语
it	意大利语
es	西班牙语
hi	印地语
id	印尼语
th	泰语
tr	土耳其语
uk	乌克兰语
vi	越南语
cs	捷克语
da	丹麦语
fil	菲律宾语
fi	芬兰语
is	冰岛语
ms	马来语
no	挪威语
pl	波兰语
sv	瑞典语

input_audio_buffer.append

向服务端缓冲区流式发送音频数据。不同模式下的行为：

VAD 模式：服务端自动监测缓冲区中的语音活动，并自动触发识别。
手动模式：您控制语音边界。发送较小的数据块可降低延迟。

audio 字段为 Base64 编码。手动模式下，单个事件最大 15 MiB。无论哪种模式，服务端均不确认此事件。

Example

{
  "event_id": "event_2728",
  "type": "input_audio_buffer.append",
  "audio": "<Base64-encoded-audio-data>"
}

string

body

必填

固定值：input_audio_buffer.append。

string

body

必填

唯一的事件 ID。

string

body

必填

Base64 编码的音频数据。

input_audio_buffer.commit

将缓冲区中的所有音频作为一段完整语音触发识别。用于手动模式下由您控制语音边界的场景（如按住说话，松开按钮标记语音结束）。 VAD 模式下不可用。成功后，服务端返回 input_audio_buffer.committed。

Example

{
  "event_id": "event_789",
  "type": "input_audio_buffer.commit"
}

string

body

必填

固定值：input_audio_buffer.commit。

string

body

必填

唯一的事件 ID。

session.finish

结束会话。服务端的响应取决于是否检测到语音：

检测到语音：服务端完成识别，先发送 conversation.item.input_audio_transcription.completed 返回识别结果，再发送 session.finished。
未检测到语音：服务端直接发送 session.finished。

收到 session.finished 后，断开 WebSocket 连接。

Example

{
  "event_id": "event_341",
  "type": "session.finish"
}

string

body

必填

固定值：session.finish。

string

body

必填

唯一的事件 ID。

​连接

​事件生命周期

​session.update

​推荐 VAD 预设

​支持的语言

​input_audio_buffer.append

​input_audio_buffer.commit

​session.finish

连接

事件生命周期

session.update

推荐 VAD 预设

支持的语言

input_audio_buffer.append

input_audio_buffer.commit

session.finish