录音文件转写

Dify 是一个通过可视化工作流构建 LLM 应用的低代码平台。将其连接到千问云的按量付费 API，即可创建由 Qwen 模型驱动的聊天助手、智能体和知识库。

快速开始

几分钟即可上手：

# 1. 安装插件
进入 Dify 插件市场 → Models → 搜索 "TONGYI" → 安装

# 2. 配置（Settings → Model Providers → TONGYI → Settings）
API Key: sk-xxx
Use international endpoint: No

# 3. 测试（创建空白应用 → 聊天助手）
选择模型：qwen3.5-plus
输入消息："写一个 Python hello world 程序"

预期结果：模型返回 Python 代码

配置

基本设置

配置 Dify 连接千问云：

插件：TONGYI（从 Dify 插件市场安装）
使用国际端点：No
认证方式：需要 API key
模型选择：从插件中选择可用模型

详细配置步骤

安装 TONGYI 插件

进入 Dify 插件市场 → Models → TONGYI → 安装

配置 API key

点击头像 → Settings → Model Providers → TONGYI → Settings

API Key：您的 API key
Use international endpoint：No

启用模型

点击 TONGYI 卡片上的模型列表 → 开启所需模型

如果 TONGYI 插件中没有最新模型，可使用 OpenAI-API-compatible 插件，端点填写 https://dashscope.aliyuncs.com/compatible-mode/v1

使用千问云提供的 DeepSeek 模型也请使用 TONGYI 插件。

限制

插件维护：TONGYI 插件由 Dify 维护，而非由千问云维护
模型可用性：部分最新模型可能需要通过 OpenAI-compatible 插件接入

使用示例

聊天助手
包含 LLM 节点的工作流
知识库
视觉模型

创建应用

工作区 → Create blank app → Chat assistant

配置模型

选择 qwen3.5-plus → 如可用，开启思考模式

测试对话

输入："解释神经网络的工作原理"

常见问题

"Invalid API-key provided" 错误

解决方法：

尝试安装早期版本的 TONGYI 插件

使用默认工作区（非子工作区）的 API key。0.0.41 版本的千问插件会校验 qwen-turbo 模型调用权限，建议使用默认业务空间的 API Key。

确认 "Use international endpoint" 已设为 No

带 -latest 后缀的模型不可用

解决方法：使用 OpenAI-API-compatible 插件，配置如下：

Endpoint：https://dashscope.aliyuncs.com/compatible-mode/v1

API key：您的千问云 API key

Model：手动输入模型 ID

Token 消耗过高

解决方法：

根据任务选择合适的模型

设置合理的上下文窗口大小

定期清理对话历史

Vision 开关未显示

解决方法：确认已选择支持视觉的模型（qwen3.5-plus 或 qwen3-vl-plus）

如何使用 Qwen-Omni / Qwen-Audio / Qwen-OCR 模型？

以上模型均不支持直接在 Dify 上配置，您可通过 Chatflow 或工作流的 HTTP 节点接入，接入细节请参见文档中的 curl 命令。为了降低 HTTP 节点的超时风险，建议您通过流式输出方式调用。

如何使用万相模型？

Dify 没有提供万相模型相关的插件，通过 Dify 的 Chatflow/工作流的 HTTP 节点可达到文生图/视频的功能。步骤：

下载并导入工作流模板（万相-文生图Demo.yml 或万相-文生视频Demo.yml），在工作室点击导入 DSL 文件并选择模板。

进入工作流界面，将 DASHSCOPE_API_KEY 的值修改为您的 API Key。

点击运行按钮即可生成作品。视频生成时间一般在 5 分钟以上。

（可选）发布为工具，以便在其他大模型应用中使用。

模板默认使用 wanx2.1-t2i-turbo（文生图）/ wanx2.1-t2v-turbo（文生视频）。您可以在 STEP1 节点修改模型。

进阶功能

思考模式

对于支持推理的模型：

选择支持思考模式的模型
开启思考模式开关
设为 "True" 启用逐步推理

代码执行节点

从响应中提取推理过程：

在代码执行节点中使用正则表达式
将思考过程与最终答案分离
按需格式化输出

快速开始

Fun-ASR
Qwen-ASR
Qwen-Omni

模型列表

模型	版本	单价	免费额度（说明）
fun-asr 当前指向 fun-asr-2025-11-07	稳定版	0.00022元/秒	36,000 秒（10 小时）有效期 90 天
fun-asr-2025-11-07 相比 fun-asr-2025-08-25 改进了远场 VAD 以提升准确率	快照版	0.00022元/秒	36,000 秒（10 小时）有效期 90 天
fun-asr-2025-08-25	快照版	0.00022元/秒	36,000 秒（10 小时）有效期 90 天
fun-asr-mtl 当前指向 fun-asr-mtl-2025-08-25	稳定版	0.00022元/秒	36,000 秒（10 小时）有效期 90 天
fun-asr-mtl-2025-08-25	快照版	0.00022元/秒	36,000 秒（10 小时）有效期 90 天

支持语言：
- fun-asr 和 fun-asr-2025-11-07：普通话、粤语、吴语、闽南语、客家话、赣语、湘语、晋语、英语、日语、韩语、越南语、泰语、印尼语、马来语、菲律宾语、印地语、阿拉伯语、法语、德语、西班牙语、葡萄牙语、俄语、意大利语、荷兰语、瑞典语、丹麦语、芬兰语、挪威语、希腊语、波兰语、捷克语、匈牙利语、罗马尼亚语、保加利亚语、克罗地亚语、斯洛伐克语。同时支持中原、西南、冀鲁、江淮、兰银、胶辽、东北、北京、港台等地区的普通话口音。
- fun-asr-2025-08-25：普通话和英语。
- fun-asr-mtl 和 fun-asr-mtl-2025-08-25：普通话、粤语、英语、日语、韩语、越南语、泰语、印尼语、马来语、菲律宾语、印地语、阿拉伯语、法语、德语、西班牙语、葡萄牙语、俄语、意大利语、荷兰语、瑞典语、丹麦语、芬兰语、挪威语、希腊语、波兰语、捷克语、匈牙利语、罗马尼亚语、保加利亚语、克罗地亚语和斯洛伐克语。
支持采样率：任意
支持音频格式：aac、amr、avi、flac、flv、m4a、mkv、mov、mp3、mp4、mpeg、ogg、opus、wav、webm、wma、wmv

发起首次调用

获取 API Key 并将其设置为环境变量。如需使用 SDK，请先安装 SDK。由于音视频文件通常较大，文件传输和语音识别可能需要较长时间。录音文件识别 API 采用异步调用方式提交任务。识别完成后，需要通过查询接口获取识别结果。

异步提交并同步等待

提交任务后阻塞等待，直到任务完成。

from http import HTTPStatus
from dashscope.audio.asr import Transcription
from urllib import request
import dashscope
import os
import json

dashscope.base_http_api_url = 'https://dashscope.aliyuncs.com/api/v1'

# 如果您没有配置环境变量，请用 API Key 替换下行代码：dashscope.api_key = "sk-xxx"
dashscope.api_key = os.getenv("DASHSCOPE_API_KEY")

task_response = Transcription.async_call(
  model='fun-asr',
  file_urls=['https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20260401/bjgrbu/hello_world_female_en.wav',
      'https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20260401/rlrbee/hello_world_male_en.wav'],
  language_hints=['zh', 'en']  # language_hints 为可选参数，用于指定音频的语言代码。取值范围请参见 API 参考文档。
)

transcription_response = Transcription.wait(task=task_response.output.task_id)

if transcription_response.status_code == HTTPStatus.OK:
  for transcription in transcription_response.output['results']:
    if transcription['subtask_status'] == 'SUCCEEDED':
      url = transcription['transcription_url']
      result = json.loads(request.urlopen(url).read().decode('utf8'))
      print(json.dumps(result, indent=4,
      ensure_ascii=False))
    else:
      print('转写失败！')
      print(transcription)
else:
  print('错误：', transcription_response.output.message)

完整的识别结果以 JSON 格式输出到控制台。结果包含转写文本以及文本在音视频文件中的起止时间（单位为毫秒）。

第一条结果

{
  "file_url": "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20260401/bjgrbu/hello_world_female_en.wav",
  "properties": {
    "audio_format": "pcm_s16le",
    "channels": [
      0
    ],
    "original_sampling_rate": 24000,
    "original_duration_in_milliseconds": 3280
  },
  "transcripts": [
    {
      "channel_id": 0,
      "content_duration_in_milliseconds": 3000,
      "text": "Hello world, this is Alibaba Speech Lab. ",
      "sentences": [
        {
          "begin_time": 240,
          "end_time": 3240,
          "text": "Hello world, this is Alibaba Speech Lab. ",
          "sentence_id": 1,
          "words": [
            {
              "begin_time": 240,
              "end_time": 640,
              "text": "Hello",
              "punctuation": ""
            },
            {
              "begin_time": 640,
              "end_time": 960,
              "text": " world",
              "punctuation": ","
            },
            {
              "begin_time": 1280,
              "end_time": 1480,
              "text": " this",
              "punctuation": ""
            },
            {
              "begin_time": 1480,
              "end_time": 1840,
              "text": " is",
              "punctuation": ""
            },
            {
              "begin_time": 1840,
              "end_time": 2520,
              "text": " Alibaba",
              "punctuation": ""
            },
            {
              "begin_time": 2520,
              "end_time": 2920,
              "text": " Speech",
              "punctuation": ""
            },
            {
              "begin_time": 2920,
              "end_time": 3240,
              "text": " Lab",
              "punctuation": ". "
            }
          ]
        }
      ]
    }
  ]
}

第二条结果

{
  "file_url": "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20260401/rlrbee/hello_world_male_en.wav",
  "properties": {
    "audio_format": "pcm_s16le",
    "channels": [
      0
    ],
    "original_sampling_rate": 24000,
    "original_duration_in_milliseconds": 4000
  },
  "transcripts": [
    {
      "channel_id": 0,
      "content_duration_in_milliseconds": 3160,
      "text": "Hello world, this is Alibaba Speech Lab. ",
      "sentences": [
        {
          "begin_time": 800,
          "end_time": 3960,
          "text": "Hello world, this is Alibaba Speech Lab. ",
          "sentence_id": 1,
          "words": [
            {
              "begin_time": 800,
              "end_time": 1200,
              "text": "Hello",
              "punctuation": ""
            },
            {
              "begin_time": 1200,
              "end_time": 1640,
              "text": " world",
              "punctuation": ","
            },
            {
              "begin_time": 1880,
              "end_time": 2120,
              "text": " this",
              "punctuation": ""
            },
            {
              "begin_time": 2120,
              "end_time": 2560,
              "text": " is",
              "punctuation": ""
            },
            {
              "begin_time": 2560,
              "end_time": 3360,
              "text": " Alibaba",
              "punctuation": ""
            },
            {
              "begin_time": 3360,
              "end_time": 3720,
              "text": " Speech",
              "punctuation": ""
            },
            {
              "begin_time": 3720,
              "end_time": 3960,
              "text": " Lab",
              "punctuation": ". "
            }
          ]
        }
      ]
    }
  ]
}

异步提交并轮询查询

提交任务后通过轮询获取结果，而非阻塞等待。

from http import HTTPStatus
from dashscope.audio.asr import Transcription
import dashscope
import os
import json

dashscope.base_http_api_url = 'https://dashscope.aliyuncs.com/api/v1'

# 如果您没有配置环境变量，请用 API Key 替换下行代码：dashscope.api_key = "sk-xxx"
dashscope.api_key = os.getenv("DASHSCOPE_API_KEY")

transcribe_response = Transcription.async_call(
  model='fun-asr',
  file_urls=['https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20260401/bjgrbu/hello_world_female_en.wav',
      'https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20260401/rlrbee/hello_world_male_en.wav']
)

while True:
  if transcribe_response.output.task_status == 'SUCCEEDED' or transcribe_response.output.task_status == 'FAILED':
    break
  transcribe_response = Transcription.fetch(task=transcribe_response.output.task_id)

if transcribe_response.status_code == HTTPStatus.OK:
  print(json.dumps(transcribe_response.output, indent=4, ensure_ascii=False))
  print('转写完成！')

RESTful API

使用任意 HTTP 库提交任务并轮询获取结果。以下 Python 示例演示了完整流程：

import requests
import json
import os
import time

# 如果您没有配置环境变量，请用 API Key 替换下行代码：api_key = "sk-xxx"
api_key = os.getenv("DASHSCOPE_API_KEY")
file_urls = [
  "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20260401/bjgrbu/hello_world_female_en.wav",
  "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20260401/rlrbee/hello_world_male_en.wav",
]

region = "dashscope.aliyuncs.com"

# 提交录音文件转写任务，包含待转写的文件 URL 列表
def submit_task(apikey, file_urls) -> str:

  headers = {
    "Authorization": f"Bearer {

​快速开始

​配置

​基本设置

​详细配置步骤

​限制

​使用示例

​常见问题

​进阶功能

​思考模式

​代码执行节点

​相关资源

​快速开始

模型列表

发起首次调用

异步提交并同步等待

异步提交并轮询查询

RESTful API

快速开始

配置

基本设置

详细配置步骤

限制

使用示例

常见问题

进阶功能

思考模式

代码执行节点

相关资源

快速开始