本文介绍 Qwen-Audio-3.0-ASR-Flash-Streaming/Fun-ASR-Realtime 实时语音识别服务中客户端通过 WebSocket 发送给服务端的客户端事件，包括 run-task（启动任务）、 continue-task（更新上下文）、 finish-task（结束任务）等指令的数据结构与字段含义。
用户指南：关于模型介绍和选型建议请参见语音识别。
事件交互流程：如需了解事件交互时序，请参见WebSocket API。
说明：启动语音识别任务，设置模型、音频格式、采样率等参数。
发送时机：建立 WebSocket 连接后立即发送。
响应事件：服务端返回
说明：在任务执行过程中更新对话上下文信息，用于辅助识别。
发送时机：任务运行中，需要更新对话上下文时发送。
说明：通知服务端音频发送完毕，请求结束任务。
发送时机：所有音频数据发送完毕后。
响应事件：服务端返回
run-task
说明：启动语音识别任务，设置模型、音频格式、采样率等参数。
发送时机：建立 WebSocket 连接后立即发送。
响应事件：服务端返回 task-started 事件后才能发送音频。
headerobject（必选）
属性 action string（必选）指令类型，固定为 run-task。task_idstring（必选）客户端生成的任务 ID（UUID 格式），用于关联后续事件。streamingstring（必选）固定为 duplex。object（必选）
属性 task_group string（必选）任务组，固定为 audio。taskstring（必选）任务类型，固定为 asr。functionstring（必选）功能类型。固定为recognition。modelstring（必选）指定模型名。支持Qwen-Audio-3.0-ASR-Flash-Streaming和Fun-ASR-Realtime系列模型，详情请参见支持的模型与地域。inputobject（必选）输入对象。不携带上下文时传入{}。
属性 context array(object)（可选）对话上下文，用于辅助识别、提升专有词汇的识别准确率。使用方法详见上下文增强。
属性 role string（必选）消息角色。取值范围：
array(object)（必选）消息内容列表。
属性 type string（必选）内容类型。取值范围：
string（必选）文本内容。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。object（必选）语音识别参数。
属性 format string（必选）音频格式。取值范围：
integer（必选）采样率（Hz）。取值范围：8k模型仅支持 8000 Hz，其他模型支持任意采样率。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。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。language_hintsarray[string]（可选）待识别音频语种。无默认值，不设置时模型自动识别。对于 Qwen-Audio-3.0-ASR-Flash-Streaming 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-Realtime 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。
点击查看支持的语言代码
boolean（可选）是否启用语义断句。默认值：false。
integer（可选）VAD 断句静音阈值（ms）。当一段语音后的静音时长超过该阈值时，系统会判定该句子已结束。当semantic_punctuation_enabled为true时，不作为sentence_end返回依据，但设置过小可能会影响识别效果。默认值：1300。取值范围：[200, 6000]。multi_threshold_mode_enabledboolean（可选）是否启用多阈值模式。启用后可防止 VAD 断句切割过长。默认值：false。heartbeatboolean（可选）是否启用心跳包。默认值：false。
float（可选）语音与噪音的判定阈值，用于调整语音活动检测（VAD）的灵敏度。取值范围：[-1.0, 1.0]。取值说明：
string（可选）指定在语音识别过程中需要处理的敏感词，并支持对不同敏感词设置不同的处理方式。详情请参见敏感词过滤。 |
continue-task
说明：在任务执行过程中更新对话上下文信息，用于辅助识别。
发送时机：任务运行中，需要更新对话上下文时发送。
headerobject（必选）
属性 action string（必选）指令类型，固定为 continue-task。task_idstring（必选）客户端生成的任务 ID（UUID 格式），需与run-task事件中的 task_id 保持一致。streamingstring（必选）固定为 duplex。object（必选）
属性 input object（必选）输入对象。
属性 context array(object)（可选）对话上下文，用于辅助识别、提升专有词汇的识别准确率。使用方法详见上下文增强。
属性 role string（必选）消息角色。取值范围：
array(object)（必选）消息内容列表。
属性 type string（必选）内容类型。取值范围：
string（必选）文本内容。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。 |
finish-task
说明：通知服务端音频发送完毕，请求结束任务。
发送时机：所有音频数据发送完毕后。
响应事件：服务端返回 task-finished 事件。
headerobject（必选）
属性 action string（必选）指令类型，固定为 finish-task。task_idstring（必选）客户端生成的任务 ID（UUID 格式），需与run-task事件中的 task_id 保持一致。streamingstring（必选）固定为 duplex。object（必选）
属性 input object（必选）固定为{}。 |