将音视频文件转为文字
千问AI平台提供多个模型系列用于录音文件转写:Qwen-Audio-3.x-ASR-Flash 支持热词、Prompt 上下文和说话人分离,Fun-ASR 支持高精度多语言转写与歌曲识别,Qwen-ASR 具备增强的语义理解能力。
实现上述效果,可在上下文中加入以下任一内容:
不同 SDK 暴露上述字段的命名习惯不同(如字典 key、对象属性、方法等),完整字段对照请参见API 参考。
有关模型可用性、支持语言和功能对比,请参见语音识别模型。
核心特性
- 多语言识别:支持中文(含多种方言)、英语、日语、韩语、德语、法语、俄语等 30 多种语言。
- 格式兼容:支持任意采样率,兼容 aac、wav、mp3 等主流音视频格式。
- 长音频转写:支持单个时长不超过 12 小时、体积不超过 2 GB 的音频文件异步转写。启用说话人分离时,建议音频时长不超过 2 小时。
- 歌曲识别:可转写带背景音乐(BGM)的完整歌曲,仅 fun-asr 支持。
- 可配置功能:说话人分离、敏感词过滤、句子/词语级时间戳、热词增强、上下文增强。
前提条件
- 已获取 API Key,并将其配置到环境变量。
- 如果通过 DashScope SDK 调用,需安装最新版 SDK。
快速开始
- Qwen-Audio-ASR-Filetrans/Fun-ASR
- Qwen-ASR
- Paraformer
支持的模型:
识别文本位于
- Qwen-Audio-ASR-Filetrans:
qwen-audio-3.1-asr-flash-filetrans、qwen-audio-3.0-asr-flash-filetrans - Qwen-Audio-ASR:
qwen-audio-3.1-asr-flash、qwen-audio-3.0-asr-flash - Fun-ASR:fun-asr(稳定版)
- Fun-ASR-Flash:fun-asr-flash-2026-06-15
- fun-asr: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-flash-2026-06-15:同 fun-asr。
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。复制
import os
import json
import dashscope
from urllib import request
client = dashscope.Client(
# 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"),
base_url="https://maas.qianwenaiapi.com/api/v1",
)
# 提交录音文件识别任务,并同步等待任务完成
job = client.audio.asr.transcribe(
['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'],
model='qwen-audio-3.1-asr-flash-filetrans',
# 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。
parameters={'language_hints': ['zh', 'en']},
)
for result in job.results:
if result.subtask_status == 'SUCCEEDED':
url = result.transcription_url
transcription = json.loads(request.urlopen(url).read().decode('utf8'))
print(json.dumps(transcription, indent=4,
ensure_ascii=False))
else:
print('转写失败!')
print(result)
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)。
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)。
第一条结果第二条结果
复制
{
"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": ". "
}
]
}
]
}
]
}
复制
{
"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。复制
import os
import dashscope
client = dashscope.Client(
# 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"),
base_url="https://maas.qianwenaiapi.com/api/v1",
)
# 提交录音文件识别任务
job = client.audio.asr.jobs.create(
model='qwen-audio-3.1-asr-flash-filetrans',
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']
)
# 轮询任务执行结果,直到任务完成
while True:
if job.status == 'SUCCEEDED' or job.status == 'FAILED':
break
job = client.audio.asr.jobs.fetch(job.task_id)
print(job)
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:复制
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 = "maas.qianwenaiapi.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 {apikey}",
"Content-Type": "application/json",
"X-DashScope-Async": "enable",
}
data = {
"model": "qwen-audio-3.1-asr-flash-filetrans",
"input": {"file_urls": file_urls},
"parameters": {
"channel_id": [0],
# "vocabulary_id": "vocab-Xxxx", # 可选,热词 ID。
},
}
# 录音文件转写服务的 URL
service_url = (
f"https://{region}/api/v1/services/audio/asr/transcription"
)
response = requests.post(
service_url, headers=headers, data=json.dumps(data)
)
# 打印响应内容
if response.status_code == 200:
return response.json()["output"]["task_id"]
else:
print("任务提交失败!")
print(response.json())
return None
# 循环查询任务状态,直到任务完成
def wait_for_complete(task_id):
headers = {
"Authorization": f"Bearer {api_key}",
"Content-Type": "application/json",
}
pending = True
while pending:
# 任务状态查询服务的 URL
service_url = f"https://{region}/api/v1/tasks/{task_id}"
response = requests.get(
service_url, headers=headers
)
if response.status_code == 200:
status = response.json()['output']['task_status']
if status == 'SUCCEEDED':
print("任务完成!")
pending = False
return response.json()['output']['results']
elif status == 'RUNNING' or status == 'PENDING':
pass
else:
print("任务失败!")
pending = False
else:
print("查询失败!")
pending = False
print(response.json())
time.sleep(0.1)
task_id = submit_task(apikey=api_key, file_urls=file_urls)
print("task_id: ", task_id)
result = wait_for_complete(task_id)
print("转写结果:", result)
同步调用(Qwen-Audio-ASR/Fun-ASR-Flash)
Qwen-Audio-ASR/Fun-ASR-Flash 系列模型支持对最长 5 分钟的音频文件进行同步调用,结果可以以流式或非流式方式返回。复制
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": "https://dashscope.oss-cn-beijing.aliyuncs.com/samples/audio/paraformer/hello_world_female2.wav"
}
}
]
}
]
},
"parameters": {
"format": "wav",
"sample_rate": "16000"
}
}'
qwen-audio-3.1-asr-flash 通过 DashScope 同步调用接口(multimodal-generation 端点)返回的 HTTP 响应不包含 choices 字段,识别结果结构如下:复制
{
"output": {
"sentence": {
"text": "识别文本内容"
},
"text": "识别文本内容"
},
"request_id": "..."
}
output.sentence.text 和 output.text。开始之前,请先获取 API Key。如需使用 SDK,请先安装 SDK。
- DashScope
- OpenAI 兼容
- Qwen3-ASR-Filetrans
- Qwen3-ASR-Flash
Qwen3-ASR-Filetrans 专为音频文件的异步转写设计,支持最长 12 小时的录音。该模型需要输入可公开访问的音频文件 URL,不支持直接上传本地文件。这是一个非流式 API,在任务完成后返回完整的识别结果。
- cURL
- Java SDK
- Python SDK
使用 cURL 进行语音识别时,需先提交任务获取 task_id,然后使用该 ID 查询任务结果。
提交任务
复制
curl -X POST 'https://maas.qianwenaiapi.com/api/v1/services/audio/asr/transcription' \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H "Content-Type: application/json" \
-H "X-DashScope-Async: enable" \
-d '{
"model": "qwen3-asr-flash-filetrans",
"input": {
"file_url": "https://dashscope.oss-cn-beijing.aliyuncs.com/audios/welcome.mp3"
},
"parameters": {
"channel_id":[
0
],
"enable_itn": false,
"enable_words": true
}
}'
获取任务结果
此查询接口默认 20 QPS、最高可扩容到 100 QPS。复制
curl -X GET 'https://maas.qianwenaiapi.com/api/v1/tasks/{task_id}' \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H "Content-Type: application/json"
完整示例
复制
import com.google.gson.Gson;
import com.google.gson.annotations.SerializedName;
import okhttp3.*;
import java.io.IOException;
import java.util.concurrent.TimeUnit;
public class Main {
private static final String API_URL_SUBMIT = "https://maas.qianwenaiapi.com/api/v1/services/audio/asr/transcription";
private static final String API_URL_QUERY = "https://maas.qianwenaiapi.com/api/v1/tasks/";
private static final Gson gson = new Gson();
public static void main(String[] args) {
// 如果您没有配置环境变量,请用 API Key 替换下行代码:String apiKey = "sk-xxx"
String apiKey = System.getenv("DASHSCOPE_API_KEY");
OkHttpClient client = new OkHttpClient();
// 1. 提交任务
String payloadJson = """
{
"model": "qwen3-asr-flash-filetrans",
"input": {
"file_url": "https://dashscope.oss-cn-beijing.aliyuncs.com/audios/welcome.mp3"
},
"parameters": {
"channel_id": [0],
"enable_itn": false,
"enable_words": true
}
}
""";
RequestBody body = RequestBody.create(payloadJson, MediaType.get("application/json; charset=utf-8"));
Request submitRequest = new Request.Builder()
.url(API_URL_SUBMIT)
.addHeader("Authorization", "Bearer " + apiKey)
.addHeader("Content-Type", "application/json")
.addHeader("X-DashScope-Async", "enable")
.post(body)
.build();
String taskId = null;
try (Response response = client.newCall(submitRequest).execute()) {
if (response.isSuccessful() && response.body() != null) {
String respBody = response.body().string();
ApiResponse apiResp = gson.fromJson(respBody, ApiResponse.class);
if (apiResp.output != null) {
taskId = apiResp.output.taskId;
System.out.println("任务已提交。task_id: " + taskId);
} else {
System.out.println("提交响应内容:" + respBody);
return;
}
} else {
System.out.println("任务提交失败!HTTP 状态码:" + response.code());
if (response.body() != null) {
System.out.println(response.body().string());
}
return;
}
} catch (IOException e) {
e.printStackTrace();
return;
}
// 2. 轮询任务状态
boolean finished = false;
while (!finished) {
try {
TimeUnit.SECONDS.sleep(2); // 等待 2 秒后再次查询
} catch (InterruptedException e) {
Thread.currentThread().interrupt();
return;
}
String queryUrl = API_URL_QUERY + taskId;
Request queryRequest = new Request.Builder()
.url(queryUrl)
.addHeader("Authorization", "Bearer " + apiKey)
.addHeader("Content-Type", "application/json")
.get()
.build();
try (Response response = client.newCall(queryRequest).execute()) {
if (response.body() != null) {
String queryResponse = response.body().string();
ApiResponse apiResp = gson.fromJson(queryResponse, ApiResponse.class);
if (apiResp.output != null && apiResp.output.taskStatus != null) {
String status = apiResp.output.taskStatus;
System.out.println("当前任务状态:" + status);
if ("SUCCEEDED".equalsIgnoreCase(status)
|| "FAILED".equalsIgnoreCase(status)
|| "UNKNOWN".equalsIgnoreCase(status)) {
finished = true;
System.out.println("任务完成。最终结果:");
System.out.println(queryResponse);
}
} else {
System.out.println("查询响应内容:" + queryResponse);
}
}
} catch (IOException e) {
e.printStackTrace();
return;
}
}
}
static class ApiResponse {
@SerializedName("request_id")
String requestId;
Output output;
}
static class Output {
@SerializedName("task_id")
String taskId;
@SerializedName("task_status")
String taskStatus;
}
}
复制
import com.alibaba.dashscope.audio.qwen_asr.*;
import com.alibaba.dashscope.utils.Constants;
import com.google.gson.Gson;
import com.google.gson.GsonBuilder;
import com.google.gson.JsonObject;
import java.io.BufferedReader;
import java.io.InputStreamReader;
import java.net.HttpURLConnection;
import java.net.URL;
import java.util.ArrayList;
import java.util.HashMap;
public class Main {
public static void main(String[] args) {
Constants.baseHttpApiUrl = "https://maas.qianwenaiapi.com/api/v1";
QwenTranscriptionParam param =
QwenTranscriptionParam.builder()
// 如果您没有配置环境变量,请用 API Key 替换下行代码:.apiKey("sk-xxx")
.apiKey(System.getenv("DASHSCOPE_API_KEY"))
.model("qwen3-asr-flash-filetrans")
.fileUrl("https://dashscope.oss-cn-beijing.aliyuncs.com/samples/audio/sensevoice/rich_text_example_1.wav")
//.parameter("language", "zh")
//.parameter("channel_id", new ArrayList<String>(){{add("0");add("1");}})
.parameter("enable_itn", false)
.parameter("enable_words", true)
.build();
try {
QwenTranscription transcription = new QwenTranscription();
// 提交任务
QwenTranscriptionResult result = transcription.asyncCall(param);
System.out.println("create task result: " + result);
// 查询任务状态
result = transcription.fetch(QwenTranscriptionQueryParam.FromTranscriptionParam(param, result.getTaskId()));
System.out.println("task status: " + result);
// 等待任务完成
result =
transcription.wait(
QwenTranscriptionQueryParam.FromTranscriptionParam(param, result.getTaskId()));
System.out.println("task result: " + result);
// 获取语音识别结果
QwenTranscriptionTaskResult taskResult = result.getResult();
if (taskResult != null) {
// 获取识别结果的 URL
String transcriptionUrl = taskResult.getTranscriptionUrl();
// 从 URL 获取结果
HttpURLConnection connection =
(HttpURLConnection) new URL(transcriptionUrl).openConnection();
connection.setRequestMethod("GET");
connection.connect();
BufferedReader reader =
new BufferedReader(new InputStreamReader(connection.getInputStream()));
// 格式化输出 JSON 结果
Gson gson = new GsonBuilder().setPrettyPrinting().create();
System.out.println(gson.toJson(gson.fromJson(reader, JsonObject.class)));
}
} catch (Exception e) {
System.out.println("error: " + e);
}
}
}
复制
import os
import dashscope
# 运行转写脚本
if __name__ == '__main__':
client = dashscope.Client(
# 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"),
base_url="https://maas.qianwenaiapi.com/api/v1",
)
# 提交任务
job = client.audio.asr.jobs.create(
model='qwen3-asr-flash-filetrans',
file_urls=['https://dashscope.oss-cn-beijing.aliyuncs.com/samples/audio/sensevoice/rich_text_example_1.wav'],
parameters={
# 'language': 'zh',
'enable_itn': False,
'enable_words': True
}
)
print(f'task_response: {job}')
print(job.task_id)
# 查询任务执行结果
job = client.audio.asr.jobs.fetch(job.task_id)
print(f'query_response: {job}')
# 等待任务结束
job = client.audio.asr.jobs.wait(job.task_id)
print(f'task_result: {job}')
Qwen3-ASR-Flash 支持最长 5 分钟的录音。该模型接受可公开访问的音频文件 URL 或直接上传的本地文件作为输入,还支持以流式方式返回识别结果。
本示例使用的音频文件为:welcome.mp3。
本示例使用的音频文件为:welcome.mp3。
输入:音频文件 URL
复制
import os
import dashscope
client = dashscope.Client(
# 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"),
base_url="https://maas.qianwenaiapi.com/api/v1",
)
messages = [
{"role": "user", "content": [{"audio": "https://dashscope.oss-cn-beijing.aliyuncs.com/audios/welcome.mp3"}]}
]
response = client.multimodal.chat.create(
model="qwen3-asr-flash",
messages=messages,
parameters={
"asr_options": {
#"language": "zh", # 可选。如果已知音频语言,可通过此参数指定以提高识别准确率。
"enable_itn": False
}
}
)
print(response)
输入:Base64 编码的音频文件
输入 Base64 编码的数据(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
- WAV:
-
<data>:音频的 Base64 编码字符串 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/mpeg;base64,SUQzBAAAAAAAI1RTU0UAAAAPAAADTGF2ZjU4LjI5LjEwMAAAAAAAAAAAAAAA//PAxABQ/BXRbMPe4IQAhl9
查看示例代码
查看示例代码
复制
import base64, pathlib
# input.mp3 是本地音频文件。请替换为您自己的音频文件路径,并确保符合音频要求
file_path = pathlib.Path("input.mp3")
base64_str = base64.b64encode(file_path.read_bytes()).decode()
data_uri = f"data:audio/mpeg;base64,{base64_str}"
复制
import base64
import dashscope
import os
import pathlib
client = dashscope.Client(
# 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"),
base_url="https://maas.qianwenaiapi.com/api/v1",
)
# 请替换为您实际的音频文件路径
file_path = "welcome.mp3"
# 请替换为您实际的音频文件 MIME 类型
audio_mime_type = "audio/mpeg"
file_path_obj = pathlib.Path(file_path)
if not file_path_obj.exists():
raise FileNotFoundError(f"未找到音频文件:{file_path}")
base64_str = base64.b64encode(file_path_obj.read_bytes()).decode()
data_uri = f"data:{audio_mime_type};base64,{base64_str}"
messages = [
{"role": "user", "content": [{"audio": data_uri}]}
]
response = client.multimodal.chat.create(
model="qwen3-asr-flash",
messages=messages,
parameters={
"asr_options": {
# "language": "zh", # 可选。如果已知音频语言,可通过此参数指定以提高识别准确率。
"enable_itn": False
}
}
)
print(response.output_text)
输入:本地音频文件的绝对路径
使用 DashScope SDK 处理本地文件时,需要提供文件路径。下表说明了不同操作系统和 SDK 下文件路径的构造方式。| 系统 | SDK | 输入文件路径 | 示例 |
|---|---|---|---|
| Linux 或 macOS | Python SDK | file://<绝对文件路径> | file:///home/images/test.png |
| Linux 或 macOS | Java SDK | file://<绝对文件路径> | file:///home/images/test.png |
| Windows | Python SDK | file://<绝对文件路径> | file://D:/images/test.png |
| Windows | Java SDK | file:///<绝对文件路径> | file:///D:/images/test.png |
使用本地文件时,API 调用限制为 100 QPS 且无法扩容。请勿在生产环境、高并发场景或压力测试中使用此方式。如需更高并发,请将文件上传至 OSS,然后通过音频文件 URL 调用 API。
复制
import os
import dashscope
client = dashscope.Client(
# 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"),
base_url="https://maas.qianwenaiapi.com/api/v1",
)
# 请将 ABSOLUTE_PATH/welcome.mp3 替换为本地音频文件的绝对路径
audio_file_path = "file://ABSOLUTE_PATH/welcome.mp3"
messages = [
{"role": "user", "content": [{"audio": audio_file_path}]}
]
response = client.multimodal.chat.create(
model="qwen3-asr-flash",
messages=messages,
parameters={
"asr_options": {
# "language": "zh", # 可选。如果已知音频语言,可通过此参数指定以提高识别准确率。
"enable_itn": False
}
}
)
print(response)
流式输出
Qwen-Audio-ASR、Fun-ASR-Flash 和 Qwen3-ASR-Flash 支持流式输出:边识别边返回中间结果,适用于需要实时反馈进度的场景。Qwen-Audio-ASR 和 Fun-ASR-Flash 的 HTTP SSE 调用方式及返回结构,请参见Qwen-Audio-ASR HTTP API和Fun-ASR-Flash HTTP API。Qwen-Audio-ASR-Filetrans、Fun-ASR、Qwen3-ASR-Filetrans、Paraformer 等异步转写模型不支持流式输出,需通过任务轮询获取最终结果(详见长音频文件处理)。根据不同的调用方式,设置不同参数以启用流式输出:- DashScope Python SDK:将
stream参数设置为 true。 - DashScope Java SDK:使用
streamCall接口。 - DashScope HTTP:设置请求头
X-DashScope-SSE为enable。
- Python SDK
- Java SDK
- cURL
复制
import os
import dashscope
client = dashscope.Client(
# 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"),
base_url="https://maas.qianwenaiapi.com/api/v1",
)
messages = [
{"role": "user", "content": [{"audio": "https://dashscope.oss-cn-beijing.aliyuncs.com/audios/welcome.mp3"}]}
]
stream = client.multimodal.chat.create(
model="qwen3-asr-flash",
messages=messages,
parameters={
"asr_options": {
# "language": "zh", # 可选。如果已知音频语言,可通过此参数指定以提高识别准确率。
"enable_itn": False
}
},
stream=True
)
for chunk in stream:
try:
print(chunk.choices[0].delta.content or "")
except Exception as e:
print(f"解析响应失败:{e}")
复制
import java.util.Arrays;
import java.util.Collections;
import java.util.HashMap;
import java.util.Map;
import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversation;
import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversationParam;
import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversationResult;
import com.alibaba.dashscope.common.MultiModalMessage;
import com.alibaba.dashscope.common.Role;
import com.alibaba.dashscope.exception.ApiException;
import com.alibaba.dashscope.exception.NoApiKeyException;
import com.alibaba.dashscope.exception.UploadFileException;
import com.alibaba.dashscope.utils.Constants;
import io.reactivex.Flowable;
public class Main {
public static void simpleMultiModalConversationCall()
throws ApiException, NoApiKeyException, UploadFileException {
MultiModalConversation conv = new MultiModalConversation();
MultiModalMessage userMessage = MultiModalMessage.builder()
.role(Role.USER.getValue())
.content(Arrays.asList(
Collections.singletonMap("audio", "https://dashscope.oss-cn-beijing.aliyuncs.com/audios/welcome.mp3")))
.build();
MultiModalMessage sysMessage = MultiModalMessage.builder().role(Role.SYSTEM.getValue())
.build();
Map<String, Object> asrOptions = new HashMap<>();
asrOptions.put("enable_itn", false);
// asrOptions.put("language", "zh"); // 可选。如果已知音频语言,可通过此参数指定以提高识别准确率。
MultiModalConversationParam param = MultiModalConversationParam.builder()
// 如果您没有配置环境变量,请用 API Key 替换下行代码:.apiKey("sk-xxx")
.apiKey(System.getenv("DASHSCOPE_API_KEY"))
.model("qwen3-asr-flash")
.message(sysMessage)
.message(userMessage)
.parameter("asr_options", asrOptions)
.build();
Flowable<MultiModalConversationResult> resultFlowable = conv.streamCall(param);
resultFlowable.blockingForEach(item -> {
try {
System.out.println(item.getOutput().getChoices().get(0).getMessage().getContent().get(0).get("text"));
} catch (Exception e){
System.exit(0);
}
});
}
public static void main(String[] args) {
try {
Constants.baseHttpApiUrl = "https://maas.qianwenaiapi.com/api/v1";
simpleMultiModalConversationCall();
} catch (ApiException | NoApiKeyException | UploadFileException e) {
System.out.println(e.getMessage());
}
System.exit(0);
}
}
复制
curl -X POST "https://maas.qianwenaiapi.com/api/v1/services/aigc/multimodal-generation/generation" \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H "Content-Type: application/json" \
-H "X-DashScope-SSE: enable" \
-d '{
"model": "qwen3-asr-flash",
"input": {
"messages": [
{
"content": [
{
"text": ""
}
],
"role": "system"
},
{
"content": [
{
"audio": "https://dashscope.oss-cn-beijing.aliyuncs.com/audios/welcome.mp3"
}
],
"role": "user"
}
]
},
"parameters": {
"incremental_output": true,
"asr_options": {
"enable_itn": false
}
}
}'
仅 Qwen3-ASR-Flash 系列模型支持 OpenAI 兼容方式调用。OpenAI 兼容模式仅接受可公开访问的音频文件 URL,不支持本地文件路径。请使用 OpenAI Python SDK 1.52.0 或更高版本,Node.js SDK 4.68.0 或更高版本。
asr_options 参数不属于 OpenAI 标准。使用 OpenAI SDK 时,需通过 extra_body 传递。输入:音频文件 URL
- Python SDK
- Node.js SDK
- cURL
复制
from openai import OpenAI
import os
try:
client = OpenAI(
# 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"),
base_url="https://maas.qianwenaiapi.com/compatible-mode/v1",
)
stream_enabled = False # 设置为 True 可启用流式输出
completion = client.chat.completions.create(
model="qwen3-asr-flash",
messages=[
{
"content": [
{
"type": "input_audio",
"input_audio": {
"data": "https://dashscope.oss-cn-beijing.aliyuncs.com/audios/welcome.mp3"
}
}
],
"role": "user"
}
],
stream=stream_enabled,
# stream 为 False 时不要设置 stream_options
# stream_options={"include_usage": True},
extra_body={
"asr_options": {
# "language": "zh",
"enable_itn": False
}
}
)
if stream_enabled:
full_content = ""
print("流式输出:")
for chunk in completion:
# 如果 stream_options.include_usage 为 True,最后一个 chunk 的 choices 字段为空列表,需跳过(可通过 chunk.usage 获取 token 用量)
print(chunk)
if chunk.choices and chunk.choices[0].delta.content:
full_content += chunk.choices[0].delta.content
print(f"完整内容:{full_content}")
else:
print(f"非流式输出:{completion.choices[0].message.content}")
except Exception as e:
print(f"错误:{e}")
复制
// 运行前准备:
// 适用于 Windows/Mac/Linux:
// 1. 确保已安装 Node.js(建议 14 及以上版本)
// 2. 运行以下命令安装依赖:npm install openai
import OpenAI from "openai";
const client = new OpenAI({
// 如果您没有配置环境变量,请用 API Key 替换下行代码:apiKey: "sk-xxx",
apiKey: process.env.DASHSCOPE_API_KEY,
baseURL: "https://maas.qianwenaiapi.com/compatible-mode/v1",
});
async function main() {
try {
const streamEnabled = false; // 启用流式输出
const completion = await client.chat.completions.create({
model: "qwen3-asr-flash",
messages: [
{
role: "user",
content: [
{
type: "input_audio",
input_audio: {
data: "https://dashscope.oss-cn-beijing.aliyuncs.com/audios/welcome.mp3"
}
}
]
}
],
stream: streamEnabled,
// stream 为 false 时不要设置 stream_options
// stream_options: {
// "include_usage": true
// },
asr_options: {
// language: "zh",
enable_itn: false
}
});
if (streamEnabled) {
let fullContent = "";
console.log("流式输出:");
for await (const chunk of completion) {
console.log(JSON.stringify(chunk));
if (chunk.choices && chunk.choices.length > 0) {
const delta = chunk.choices[0].delta;
if (delta && delta.content) {
fullContent += delta.content;
}
}
}
console.log(`完整内容:${fullContent}`);
} else {
console.log(`非流式输出:${completion.choices[0].message.content}`);
}
} catch (err) {
console.error(`错误:${err}`);
}
}
main();
复制
curl -X POST 'https://maas.qianwenaiapi.com/compatible-mode/v1/chat/completions' \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "qwen3-asr-flash",
"messages": [
{
"content": [
{
"type": "input_audio",
"input_audio": {
"data": "https://dashscope.oss-cn-beijing.aliyuncs.com/audios/welcome.mp3"
}
}
],
"role": "user"
}
],
"stream":false,
"asr_options": {
"enable_itn": false
}
}'
输入:Base64 编码的音频文件
输入 Base64 编码的数据(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
- WAV:
-
<data>:音频的 Base64 编码字符串 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/mpeg;base64,SUQzBAAAAAAAI1RTU0UAAAAPAAADTGF2ZjU4LjI5LjEwMAAAAAAAAAAAAAAA//PAxABQ/BXRbMPe4IQAhl9
查看示例代码
查看示例代码
复制
import base64, pathlib
# input.mp3 是本地音频文件。请替换为您自己的音频文件路径,并确保符合音频要求
file_path = pathlib.Path("input.mp3")
base64_str = base64.b64encode(file_path.read_bytes()).decode()
data_uri = f"data:audio/mpeg;base64,{base64_str}"
- Python SDK
- Node.js SDK
本示例使用的音频文件为:welcome.mp3。
复制
import base64
from openai import OpenAI
import os
import pathlib
try:
# 请替换为您实际的音频文件路径
file_path = "welcome.mp3"
# 请替换为您实际的音频文件 MIME 类型
audio_mime_type = "audio/mpeg"
file_path_obj = pathlib.Path(file_path)
if not file_path_obj.exists():
raise FileNotFoundError(f"未找到音频文件:{file_path}")
base64_str = base64.b64encode(file_path_obj.read_bytes()).decode()
data_uri = f"data:{audio_mime_type};base64,{base64_str}"
client = OpenAI(
# 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"),
base_url="https://maas.qianwenaiapi.com/compatible-mode/v1",
)
stream_enabled = False # 设置为 True 可启用流式输出
completion = client.chat.completions.create(
model="qwen3-asr-flash",
messages=[
{
"content": [
{
"type": "input_audio",
"input_audio": {
"data": data_uri
}
}
],
"role": "user"
}
],
stream=stream_enabled,
# stream 为 False 时不要设置 stream_options
# stream_options={"include_usage": True},
extra_body={
"asr_options": {
# "language": "zh",
"enable_itn": False
}
}
)
if stream_enabled:
full_content = ""
print("流式输出:")
for chunk in completion:
# 如果 stream_options.include_usage 为 True,最后一个 chunk 的 choices 字段为空列表,需跳过(可通过 chunk.usage 获取 token 用量)
print(chunk)
if chunk.choices and chunk.choices[0].delta.content:
full_content += chunk.choices[0].delta.content
print(f"完整内容:{full_content}")
else:
print(f"非流式输出:{completion.choices[0].message.content}")
except Exception as e:
print(f"错误:{e}")
本示例使用的音频文件为:welcome.mp3。
复制
// 运行前准备:
// 适用于 Windows/Mac/Linux:
// 1. 确保已安装 Node.js(建议 14 及以上版本)
// 2. 运行以下命令安装依赖:npm install openai
import OpenAI from "openai";
import { readFileSync } from 'fs';
const client = new OpenAI({
// 如果您没有配置环境变量,请用 API Key 替换下行代码:apiKey: "sk-xxx",
apiKey: process.env.DASHSCOPE_API_KEY,
baseURL: "https://maas.qianwenaiapi.com/compatible-mode/v1",
});
const encodeAudioFile = (audioFilePath) => {
const audioFile = readFileSync(audioFilePath);
return audioFile.toString('base64');
};
// 请替换为您实际的音频文件路径
const dataUri = `data:audio/mpeg;base64,${encodeAudioFile("welcome.mp3")}`;
async function main() {
try {
const streamEnabled = false; // 启用流式输出
const completion = await client.chat.completions.create({
model: "qwen3-asr-flash",
messages: [
{
role: "user",
content: [
{
type: "input_audio",
input_audio: {
data: dataUri
}
}
]
}
],
stream: streamEnabled,
// stream 为 false 时不要设置 stream_options
// stream_options: {
// "include_usage": true
// },
asr_options: {
// language: "zh",
enable_itn: false
}
});
if (streamEnabled) {
let fullContent = "";
console.log("流式输出:");
for await (const chunk of completion) {
console.log(JSON.stringify(chunk));
if (chunk.choices && chunk.choices.length > 0) {
const delta = chunk.choices[0].delta;
if (delta && delta.content) {
fullContent += delta.content;
}
}
}
console.log(`完整内容:${fullContent}`);
} else {
console.log(`非流式输出:${completion.choices[0].message.content}`);
}
} catch (err) {
console.error(`错误:${err}`);
}
}
main();
支持的模型:
- Paraformer:paraformer-v2、paraformer-8k-v2
上下文增强
适用模型: 支持上下文增强功能,可将对话历史传入 ASR 模型,显著提升专有词汇的转写准确率。详细的使用方法和效果示例,请参见下方。 使用场景: 适用于将 ASR 与大语言模型结合的场景。将历史对话上下文(LLM 的回复和此前的识别结果)传入 ASR 模型,可显著提升对人名、地名、产品术语等专有名词的转写准确率——比传统热词更灵活。 用法: 通过input.messages 传入对话历史。使用 assistant 角色表示 LLM 此前的回复,使用 user 角色配合 input_text 类型表示此前的识别结果。上下文需成对出现在当前音频消息之前。
支持的文本类型包括(但不限于):
- 各种分隔符格式的热词列表(例如:热词 1、热词 2、热词 3、热词 4)
- 任意长度与格式的文本段落或篇章
- 混合内容:词表与段落的任意组合
- 无关或无意义文本(包括乱码)。模型对无关内容容忍度较高,识别质量很少因此下降。
| 不使用上下文增强 | 使用上下文增强 |
|---|---|
| 未使用上下文增强时,部分投行公司名称识别有误,例如 "Bird Rock" 正确应为 "Bulge Bracket"。 识别结果:"投行圈内部的那些黑话,你了解哪些?首先,外资九大投行,Bird Rock,BB ……" | 使用上下文增强,对投行公司名称识别正确。 识别结果:"投行圈内部的那些黑话,你了解哪些?首先,外资九大投行,Bulge Bracket,BB ……" |
- 词表:
- 词表 1:
复制
Bulge Bracket、Boutique、Middle Market、国内券商
- 词表 2:
复制
Bulge Bracket Boutique Middle Market 国内券商
- 词表 3:
复制
['Bulge Bracket', 'Boutique', 'Middle Market', '国内券商']
- 自然语言:
复制
投行分类大揭秘!
最近有不少澳洲的小伙伴问我,到底什么是投行?今天就来给大家科普一下,对于留学生来说,投行主要可以分为四大类:Bulge Bracket、Boutique、Middle Market 和国内券商。
Bulge Bracket 投行:这就是我们常说的九大投行,包括高盛、摩根士丹利等。这些大行在业务范围和规模上都相当庞大。
Boutique 投行:这些投行规模相对较小,但业务领域非常专注。比如 Lazard、Evercore 等,它们在特定领域有着深厚的专业知识和经验。
Middle Market 投行:这类投行主要服务于中型公司,提供并购、IPO 等业务。虽然规模不如大行,但在特定市场上有很高的影响力。
国内券商:随着中国市场的崛起,国内券商在国际市场上也扮演着越来越重要的角色。
此外,还有一些 Position 和 business 的划分,大家可以参考相关的图表。希望这些信息能帮助大家更好地了解投行,为未来的职业生涯做好准备!
- 有干扰的自然语言:部分文本与识别内容无关,例如下面示例里的人名。
复制
投行分类大揭秘!
最近有不少澳洲的小伙伴问我,到底什么是投行?今天就来给大家科普一下,对于留学生来说,投行主要可以分为四大类:Bulge Bracket、Boutique、Middle Market 和国内券商。
Bulge Bracket 投行:这就是我们常说的九大投行,包括高盛、摩根士丹利等。这些大行在业务范围和规模上都相当庞大。
Boutique 投行:这些投行规模相对较小,但业务领域非常专注。比如 Lazard、Evercore 等,它们在特定领域有着深厚的专业知识和经验。
Middle Market 投行:这类投行主要服务于中型公司,提供并购、IPO 等业务。虽然规模不如大行,但在特定市场上有很高的影响力。
国内券商:随着中国市场的崛起,国内券商在国际市场上也扮演着越来越重要的角色。
此外,还有一些 Position 和 business 的划分,大家可以参考相关的图表。希望这些信息能帮助大家更好地了解投行,为未来的职业生涯做好准备!
王皓轩 李梓涵 张景行 刘欣怡 陈俊杰 杨思远 赵雨桐 黄志强 周子墨 吴雅静 徐若曦 孙浩然 胡瑾瑜 朱晨曦 郭文博 何静姝 高宇航 林逸飞
郑晓燕 梁博文 罗佳琪 宋明哲 谢婉婷 唐子骞 韩梦瑶 冯毅然 曹沁雪 邓子睿 萧望舒 许嘉树
程一诺 袁芷若 彭浩宇 董思淼 范景玉 苏子衿 吕文轩 蒋诗涵 丁沐宸
魏书瑶 任天佑 姜亦辰 华清羽 沈星河 傅瑾瑜 姚星辰 钟灵毓 阎立诚 金若水 陶然亭 戚少商 薛芷兰 邹云帆 熊子昂 柏文峰 易千帆
进阶功能
除上下文增强外,录音文件转写还支持以下能力。热词的创建与使用方法请参见提升识别准确率。长音频文件处理
录音文件转写支持长音频异步转写,适用于会议记录、访谈整理、通话回放等场景。 限制说明:- Qwen-Audio-ASR-Filetrans/Fun-ASR/Qwen3-ASR-Filetrans/Paraformer:单个音频文件大小不超过 2 GB,时长不超过 12 小时。
- Qwen-Audio-ASR、Fun-ASR-Flash:单个音频文件大小不超过 2 GB,时长不超过 5 分钟。
- Qwen3-ASR-Flash:单个音频文件大小不超过 10 MB,时长不超过 5 分钟。更长的音频请使用 Qwen-Audio-ASR-Filetrans。
- 启用说话人分离时:建议音频时长不超过 2 小时,否则可能导致识别失败或超时。详见说话人分离。
- 提交转写任务,获取
task_id。 - 轮询查询任务状态(或使用 SDK 的等待方法阻塞等待)。
- 任务完成后从返回的 URL 下载识别结果 JSON。
文本润色与方言表达
qwen-audio-3.1-asr-flash 支持原生文本润色,可整理口语中的语气词、重复和自我纠正,提高转写文本的可读性。
qwen-audio-3.1-asr-flash 和 qwen-audio-3.1-asr-flash-filetrans 默认将方言转写为普通话文本。需要保留方言特有表达时,设置 keep_dialect: true。
说话人分离
说话人分离可自动识别音频中的不同说话人,并在转写结果中为每个句子标注说话人标签,适用于多人会议、访谈录音等场景。qwen-audio-3.1-asr-flash 使用 speaker_diarization_enabled 开启说话人分离。
支持范围:Qwen-Audio-ASR-Filetrans、Qwen-Audio-ASR、Fun-ASR 和 Paraformer 系列模型。
启用方式:在请求参数中设置 diarization_enabled 为 true。识别结果中每个句子会包含 speaker_id 字段,标识不同说话人。
返回结构示例(节选):
复制
{
"transcripts": [
{
"sentences": [
{ "begin_time": 100, "end_time": 3820, "text": "你好,我们今天讨论项目进度。", "speaker_id": 0 },
{ "begin_time": 3820, "end_time": 6500, "text": "好的,我先汇报一下。", "speaker_id": 1 }
]
}
]
}
启用说话人分离时,建议音频时长不超过 2 小时,否则可能导致识别失败或超时(未启用时的时长限制详见长音频文件处理)。说话人分离仅支持单声道音频。
qwen-audio-3.1-asr-flash 开启说话人分离后,keep_dialect 和 language_hints 不生效。敏感词过滤
敏感词过滤可对识别结果中的敏感词执行替换或移除,适用于客服质检、内容合规、字幕审核等场景。 支持范围:Qwen-Audio-ASR-Filetrans、Fun-ASR 与 Paraformer 系列模型。 默认行为:未传入special_word_filter 参数时,系统启用内置敏感词表,匹配的词语会被替换为等长的 *。
自定义配置:special_word_filter 是 JSON 字符串(规则对象序列化后),包含三个子字段:
filter_with_signed.word_list:字符串数组,列出需要被替换为等长*的敏感词。例如["测试"],「帮我测试一下」会变成「帮我**一下」。filter_with_empty.word_list:字符串数组,列出需要从结果中完全移除的敏感词。例如["开始"],「比赛这就要开始了吗」会变成「比赛这就要了吗」。system_reserved_filter:布尔值,默认true。是否同时启用系统预置敏感词表(与自定义词表叠加生效)。
复制
{
"special_word_filter": "{\"filter_with_signed\":{\"word_list\":[\"测试\"]},\"filter_with_empty\":{\"word_list\":[\"开始\",\"发生\"]},\"system_reserved_filter\":true}"
}
录音文件转写与实时语音识别的默认行为不同:实时识别未传入
special_word_filter 时不做过滤(system_reserved_filter 默认为 false)。获取时间戳
录音文件转写支持在结果中输出时间戳,便于字幕生成、关键词高亮、音视频剪辑等场景。各模型的默认行为和控制方式不同:- Qwen-Audio-ASR-Filetrans/Qwen-Audio-ASR/Fun-ASR/Fun-ASR-Flash/Paraformer:时间戳固定开启,不可关闭。
- Qwen3-ASR-Filetrans:仅 DashScope 异步调用方式支持时间戳,固定开启。可通过请求参数
enable_words控制时间戳级别:设为false(默认)返回句级时间戳,设为true返回字级时间戳。字级时间戳仅支持中文、英语、日语、韩语、德语、法语、西班牙语、意大利语、葡萄牙语、俄语,其他语种可能无法保证准确性。
- 句级:
sentences[].begin_time与sentences[].end_time,标识每个句子在音频中的起止时刻。 - 字级:
sentences[].words[]数组,每个元素包含begin_time、end_time与text(该字/词文本)。
复制
{
"transcripts": [{
"sentences": [{
"begin_time": 100,
"end_time": 3820,
"text": "你好,我们今天讨论项目进度。",
"words": [
{ "begin_time": 100, "end_time": 596, "text": "你好" },
{ "begin_time": 596, "end_time": 844, "text": "我们" }
]
}]
}]
}
音频内时间戳是毫秒整数(如
100),与任务级 end_time(任务完成时间,字符串日期如 "2024-09-12 15:11:40.903")不是同一字段,请勿混淆。应用于生产环境
将录音文件转写应用于生产环境时,以下实践有助于提升识别效果和系统稳定性。- 文件托管:将音频文件上传至 OSS 等对象存储服务,通过 URL 方式调用,避免使用本地文件上传(本地文件调用上限 100 QPS,不支持扩容)。
- 异步轮询:长音频转写采用异步模式,任务查询接口默认 20 QPS。建议设置合理的轮询间隔(如 2~5 秒),避免频繁查询触发限流。轮询策略与批量任务管理请参见异步任务管理。
- 错误处理:实现完善的重试机制;网络超时或服务端临时错误(5xx)按指数退避策略重试。
- 降噪处理:噪声较大的音频建议先用 FFmpeg 等工具预处理后再提交识别。
- 模型选择:5 分钟以内的短音频使用 Qwen-Audio-ASR;长音频或需要异步处理时使用 Qwen-Audio-ASR-Filetrans。
API 参考
- Qwen-Audio-ASR-Filetrans
- Fun-ASR
- Qwen-ASR
- Paraformer
常见问题
- Qwen-Audio-ASR-Filetrans/Fun-ASR
- Qwen-ASR
如何提高识别准确率?
您应综合考虑所有相关因素并采取相应措施。主要影响因素包括:- 音质:录音设备质量、采样率和环境噪声会影响音频清晰度。高质量的音频是准确识别的基础。
- 说话人特征:音高、语速、口音和方言的差异会增加识别难度,尤其是罕见方言或浓重口音。
- 语言和词汇:中英混合、专业术语或俚语会增加识别难度。您可以配置热词来优化这些场景的识别效果。
- 上下文理解:缺乏上下文可能导致语义歧义,特别是在需要上下文才能正确识别的场景中。
- 提升音频质量:使用高性能麦克风和支持推荐采样率的设备。减少环境噪声和回声。
- 适应说话人特征:对于涉及浓重口音或多方言的场景,选择支持相应方言的模型。
- 配置热词:为专业术语、专有名词等特定词汇设置热词。详情请参见自定义热词。
- 保留上下文:避免将音频切分为过短的片段。
问:如何为 API 提供可公开访问的音频 URL?
建议使用对象存储服务(OSS),它提供高可用、高可靠的存储,并可方便地生成公开访问的 URL。验证 URL 是否可公开访问:在浏览器中打开该 URL,或使用 curl 确保音频文件能够成功下载或播放(HTTP 状态码 200)。问:如何检查音频格式是否满足要求?
使用开源工具 ffprobe 快速获取音频详细信息:复制
# 查看容器格式(format_name)、编解码器(codec_name)、采样率(sample_rate)和声道数(channels)
ffprobe -v error -show_entries format=format_name -show_entries stream=codec_name,sample_rate,channels -of default=noprint_wrappers=1 your_audio_file.mp3
问:如何处理音频以满足模型要求?
使用开源工具 FFmpeg 进行音频裁剪或格式转换:- 音频裁剪:从长音频中截取片段
复制
# -i:输入文件
# -ss 00:01:30:起始时间(1 分 30 秒)
# -t 00:02:00:截取时长(2 分钟)
# -c copy:复制音频流,不重新编码(速度快)
# output_clip.wav:输出文件
ffmpeg -i long_audio.wav -ss 00:01:30 -t 00:02:00 -c copy output_clip.wav
- 格式转换 例如,将任意音频转换为 16 kHz、16 位、单声道 WAV
复制
# -i:输入文件
# -ac 1:设置为单声道
# -ar 16000:设置采样率为 16000 Hz(16 kHz)
# -sample_fmt s16:设置采样格式为 16 位有符号整数 PCM
# output.wav:输出文件
ffmpeg -i input.mp3 -ac 1 -ar 16000 -sample_fmt s16 output.wav