非实时语音识别（Qwen-Audio-ASR）HTTP API

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
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	用于控制是否请求流式返回。设置为`enable`时请求SSE流式返回；设置为`disable`或不传该参数则仅返回最终结果。仅适用于`qwen-audio-3.0-asr-flash`：音频时长不少于1分钟时才以SSE流式方式返回结果。

请求参数

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"
    }
}'

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: enable" \
     --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"
    }
}'

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_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？"
                    }
                ]
            },
            {
                "role": "user",
                "content": [
                    {
                        "type": "input_audio",
                        "input_audio": {
                            "data": "{YOUR_AUDIO_URL}"
                        }
                    }
                ]
            }
        ]
    },
    "parameters": {
        "format": "wav",
        "sample_rate": "16000"
    }
}'

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: enable" \
     --data '{
    "model": "qwen-audio-3.1-asr-flash",
    "input": {
        "messages": [
            {
                "role": "user",
                "content": [
                    {
                        "type": "input_text",
                        "text": "你好啊"
                    }
                ]
            },
            {
                "role": "assistant",
                "content": [
                    {
                        "type": "text",
                        "text": "你好啊，我是通义千问，有什么可以帮助你的？"
                    }
                ]
            },
            {
                "role": "user",
                "content": [
                    {
                        "type": "input_audio",
                        "input_audio": {
                            "data": "{YOUR_AUDIO_URL}"
                        }
                    }
                ]
            }
        ]
    },
    "parameters": {
        "format": "wav",
        "sample_rate": "16000"
    }
}'

可输入Base64编码数据（Data URL），格式为：data:<mediatype>;base64,<data>。

<mediatype>：MIME类型

因音频格式而异，例如：

WAV：audio/wav
MP3：audio/mpeg
<data>：音频转成的Base64编码的字符串

Base64 编码会增大数据体积，音频文件的大小和时长限制请参见音频规格。

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

import base64, pathlib

# 请替换为自己的音频文件路径，确保其符合音频要求
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}"

import base64, pathlib
import os
import requests

# 请替换为自己的音频文件路径，确保其符合音频要求
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}"

url = "https://maas.qianwenaiapi.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-3.1-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())

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",
        "vocabulary": {"张三": 5, "李四": 5}
    }
}'

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： `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.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_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_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：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.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： `qwen-audio-3.0-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_enabled	boolean	（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_dialect	boolean	（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.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.vocabulary	object	（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_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 4 个值，超出时仅前 4 个生效。 qwen-audio-3.1-asr-flash、qwen-audio-3.0-asr-flash： 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：斯洛伐克语指定语种代码可提升识别准确率。 qwen-audio-3.1-asr-flash 还支持以下语言代码： tr: 土耳其语 fa: 波斯语 mr: 马拉地语 ml: 马拉雅拉姆语 ne: 尼泊尔语 ky: 吉尔吉斯语 az: 阿塞拜疆语 ka: 格鲁吉亚语 hy: 亚美尼亚语 sl: 斯洛文尼亚语 sq: 阿尔巴尼亚语 et: 爱沙尼亚语 lv: 拉脱维亚语 lt: 立陶宛语 ca: 加泰罗尼亚语 eu: 巴斯克语 gl: 加利西亚语 or: 奥里亚语 dv: 迪维希语 as: 阿萨姆语 ku: 库尔德语 tig: 提格雷语 fy: 西弗里西亚语 ba: 巴什基尔语 be: 白俄罗斯语 tt: 鞑靼语 ia: 国际语 mhr: 东马里语 tok: 道本语

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"
}

仅当音频时长不少于1分钟且设置X-DashScope-SSE: enable时，服务端才会以Server-Sent Events协议返回识别结果。SSE事件格式如下：

id:{序列号}
event:result
:HTTP_STATUS/200
data:{JSON数据}

返回示例：

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":"这里是"},{"end_time":2520,"punctuation":"","begin_time":1880,"fixed":true,"text":"阿里巴巴"},{"end_time":2840,"punctuation":"","begin_time":2520,"fixed":true,"text":"语音"},{"end_time":3800,"punctuation":"。","begin_time":2840,"fixed":true,"text":"实验室"}],"begin_time":760,"text":"Hello World，这里是阿里巴巴语音实验室。","channel_id":0},"text":"Hello World，这里是阿里巴巴语音实验室。"},"usage":{"duration":4},"request_id":"fc1582e4-935c-9fc2-a482-a98bf43daa69"}

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.sentences	array[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.sentence	object	当前句子的详细信息。
output.sentence.speaker_id	integer \| 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_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.speaker_id	integer \| 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.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。
usage.input_tokens	integer	本次调用消耗的输入 Token 数。仅适用于 `qwen-audio-3.1-asr-flash`。
usage.output_tokens	integer	本次调用消耗的输出 Token 数。仅适用于 `qwen-audio-3.1-asr-flash`。
usage.total_tokens	integer	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：

每收到一个SSE事件，解析data字段中的JSON。
对于 qwen-audio-3.0-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。
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。

​接口地址

​请求头

​请求参数

​响应参数

​SSE 流式结果处理逻辑

接口地址

请求头

请求参数

响应参数

SSE 流式结果处理逻辑