Skip to main content
语音识别

非实时语音识别

非实时语音识别模型能将录制好的音频转换为文本,支持多语言识别、歌唱识别、噪声拒识、说话人分离等功能,适用于会议转写、通话分析、字幕生成等场景。

概述

通过异步任务对录制好的音视频文件进行批量转写。
  • 支持上下文增强,通过配置上下文提高识别准确率
  • 支持自定义热词,通过预设词表提升专有名词识别准确率
  • 支持说话人分离、敏感词过滤、句子/词语级时间戳等可配置功能
  • 支持单个时长不超过 12 小时、体积不超过 2GB 的音频文件异步转写
  • 支持任意采样率,兼容 aac、wav、mp3 等多种主流音视频格式
实时场景(直播字幕、在线会议、语音助手等)可使用实时语音识别。各模型选型建议请参见语音识别

前提条件

快速开始

非实时语音识别中,Qwen-Audio-3.0-ASR-Flash-Filetrans、Fun-ASR、Qwen3-ASR-Flash-Filetrans和Paraformer为异步调用,请求头需设置 X-DashScope-Async: enable,提交任务后通过查询接口轮询获取结果;其他模型(如Fun-ASR-Flash、Qwen3-ASR-Flash)为同步调用如果您调用独享部署的模型服务时收到报错 current user api does not support asynchronous calls,表示该部署仅支持同步调用,请将请求头改为 X-DashScope-Async: disable(其余调用方式保持不变)。
  • Qwen-Audio-3.0-ASR-Flash-Filetrans/ Fun-ASR
  • Qwen-Audio-3.0-ASR-Flash/ Fun-ASR-Flash
  • Qwen3-ASR-Flash-Filetrans
  • Qwen3-ASR-Flash
  • Paraformer
音视频文件较大,文件转写 API 采用异步调用:提交任务后通过查询接口轮询状态,任务完成后获取识别结果。
  • cURL
  • Python
  • Java
使用 cURL 调用时,先提交任务获取 task_id,再通过该 ID 查询任务执行结果。
  • 提交任务
  • 获取任务执行结果
  • 下载识别结果
以下为华北2(北京)地域的配置,调用时请将{WorkspaceId}替换为真实的Workspace ID,各地域的配置不同。
curl -X POST 'https://{WorkspaceId}.cn-beijing.maas.aliyuncs.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": "qwen-audio-3.0-asr-flash-filetrans",
    "input": {
        "file_urls": [
            "{YOUR_AUDIO_URL}"
        ]
    },
    "parameters": {
        "channel_id": [0],
        "language_hints": ["zh", "en"]
    }
}'
  • 识别结果
{
    "file_url": "{YOUR_AUDIO_URL}",
    "properties": {
        "audio_format": "pcm_s16le",
        "channels": [
            0
        ],
        "original_sampling_rate": 16000,
        "original_duration_in_milliseconds": 3834
    },
    "transcripts": [
        {
            "channel_id": 0,
            "content_duration_in_milliseconds": 2480,
            "text": "Hello World,这里是阿里巴巴语音实验室。",
            "sentences": [
                {
                    "begin_time": 760,
                    "end_time": 3240,
                    "text": "Hello World,这里是阿里巴巴语音实验室。",
                    "sentence_id": 1,
                    "words": [
                        {
                            "begin_time": 760,
                            "end_time": 1000,
                            "text": "Hello",
                            "punctuation": ""
                        },
                        {
                            "begin_time": 1000,
                            "end_time": 1120,
                            "text": " World",
                            "punctuation": ","
                        },
                        {
                            "begin_time": 1400,
                            "end_time": 1920,
                            "text": "这里是",
                            "punctuation": ""
                        },
                        {
                            "begin_time": 1920,
                            "end_time": 2520,
                            "text": "阿里巴巴",
                            "punctuation": ""
                        },
                        {
                            "begin_time": 2520,
                            "end_time": 2840,
                            "text": "语音",
                            "punctuation": ""
                        },
                        {
                            "begin_time": 2840,
                            "end_time": 3240,
                            "text": "实验室",
                            "punctuation": "。"
                        }
                    ]
                }
            ]
        }
    ]
}

进阶功能

使用OpenAI兼容API

美国地域不支持OpenAI兼容模式。
仅Qwen3-ASR-Flash系列模型支持OpenAI兼容方式调用。OpenAI兼容方式仅允许输入公网可访问的音频文件URL,不支持输入本地音频文件绝对路径。 OpenAI Python SDK 版本应不低于1.52.0, Node.js SDK 版本应不低于 4.68.0。安装/升级命令:
# Python
pip install -U "openai>=1.52.0"

# Node.js
npm install openai@^4.68.0
asr_options非OpenAI标准参数。使用 OpenAI Python SDK 时,请通过 extra_body 传入;使用 Node.js OpenAI SDK 时,直接将 asr_options 作为请求体的顶层参数传入。
  • 输入内容:音频文件URL
  • 输入内容:Base64编码的音频文件
  • Python SDK
  • Node.js SDK
  • cURL
from openai import OpenAI
import os

try:
    client = OpenAI(
        # 新加坡和北京地域的API Key不同。获取API Key:https://help.aliyun.com/zh/model-studio/get-api-key
        # 若没有配置环境变量,请用阿里云百炼API Key将下行替换为:api_key = "sk-xxx",
        api_key=os.getenv("DASHSCOPE_API_KEY"),
        # 以下为华北2(北京)地域的配置,调用时请将"{WorkspaceId}"替换为真实的业务空间ID,各地域的配置不同。
        base_url="https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/compatible-mode/v1",
    )

    stream_enabled = False  # 是否开启流式输出
    completion = client.chat.completions.create(
        model="qwen3-asr-flash",
        messages=[
            {
                "content": [
                    {
                        "type": "input_audio",
                        "input_audio": {
                            "data": "{YOUR_AUDIO_URL}"
                        }
                    }
                ],
                "role": "user"
            }
        ],
        stream=stream_enabled,
        # stream设为False时,不能设置stream_options参数
        # stream_options={"include_usage": True},
        extra_body={
            "asr_options": {
                # "language": "zh",
                "enable_itn": False
            }
        }
    )
    if stream_enabled:
        full_content = ""
        print("流式输出内容为:")
        for chunk in completion:
            # 如果stream_options.include_usage为True,则最后一个chunk的choices字段为空列表,需要跳过(可以通过chunk.usage获取 Token 使用量)
            print(chunk)
            if chunk.choices and chunk.choices[0].delta.content:
                full_content += chunk.choices[0].delta.content
        print(f"完整内容为:{full_content}")
    else:
        print(f"非流式输出内容为:{completion.choices[0].message.content}")
except Exception as e:
    print(f"错误信息:{e}")

长音频文件处理

非实时语音识别支持长音频文件异步转写,适用于会议记录、访谈整理、通话回放等场景。 限制说明:
  • Qwen-Audio-3.0-ASR-Flash-Filetrans/Fun-ASR / Qwen3-ASR-Flash-Filetrans / Paraformer:单个音频文件大小不超过 2GB,时长不超过 12 小时。
  • Qwen-Audio-3.0-ASR-Flash/Fun-ASR-Flash/Qwen3-ASR-Flash:单个音频文件大小不超过 10MB,时长不超过 5 分钟。对于较长音频,请使用 Qwen-Audio-3.0-ASR-Flash-Filetrans、Fun-ASR 或Qwen3-ASR-Flash-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
调用方式:长音频转写采用异步任务模式,分三步:
  1. 提交转写任务,获取 task_id
  2. 通过轮询接口查询任务状态(或使用 SDK 的等待方法阻塞等待)。
  3. 任务完成后从返回的 URL 下载识别结果 JSON。
具体代码示例请参见Qwen3-ASR-Flash-Filetrans的快速开始代码。

流式输出

Qwen-Audio-3.0-ASR-Flash/Fun-ASR-Flash/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-3.0-ASR-Flash-Filetrans、Fun-ASR、Qwen3-ASR-Flash-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)。 启用方式:
  • DashScope Python SDK:设置 stream 参数为 True
  • DashScope Java SDK:通过 streamCall 接口调用。
  • DashScope HTTP:在 Header 中设置 X-DashScope-SSEenable
  • OpenAI 兼容 SDK:设置 stream 参数为 True
具体的流式输出代码示例,请参见快速开始中Qwen3-ASR-Flash的流式输出章节。

使用热词提升准确率

支持通过热词提升特定领域专有名词(人名、地名、产品名等)的识别准确率。详细的创建和使用方法,请参见提升识别准确率 不同 SDK 暴露上述参数的命名习惯不同(如字典 key、对象属性、方法等),完整字段对照请参见各 SDK 的 API 参考。

使用上下文增强提升准确率

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,请参见上下文增强

说话人分离

说话人分离可自动识别音频中不同说话人,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。 支持范围:Qwen-Audio-3.0-ASR-Flash-Filetrans、Fun-ASR 和 Paraformer 系列模型。 启用方式:在 API 请求参数中设置 diarization_enabledtrue。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):
{
  "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 }
      ]
    }
  ]
}
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各 SDK 的 API 参考。
启用说话人分离功能时,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(不启用时音频长度限制详见长音频文件处理)。说话人分离仅支持单声道音频。
完整字段定义请参见API参考。

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-3.0-ASR-Flash-Filetrans、Fun-ASR 与 Paraformer 系列模型。 默认行为:未传入 special_word_filter 参数时,系统启用内置的阿里云百炼敏感词表,匹配的词语会被替换为等长的 * 自定义配置special_word_filter 是 JSON 对象,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)。
配置示例:
{
  "special_word_filter": {
    "filter_with_signed": {
      "word_list": ["测试"]
    },
    "filter_with_empty": {
      "word_list": ["开始", "发生"]
    },
    "system_reserved_filter": true
  }
}
不同 SDK 暴露上述参数的命名习惯不同(如字典 key、对象属性、方法等),完整字段对照请参见 API参考。

情感识别

Qwen3-ASR-Flash-Filetrans 与Qwen3-ASR-Flash 系列模型固定开启情感识别,无需额外配置。识别结果中会附带说话人的情绪标签,取值为 7 类细粒度情绪:surprised(惊讶)、neutral(平静)、happy(愉快)、sad(悲伤)、disgusted(厌恶)、angry(愤怒)、fearful(恐惧)。 字段路径(因接口而异):
  • OpenAI 兼容接口(Qwen3-ASR-Flash 实时转写):嵌套在 choices[].delta.annotations[].emotion(流式输出)或 choices[].message.annotations[].emotion(非流式)。
  • DashScope 同步调用接口(Qwen3-ASR-Flash):嵌套在 output.choices[].message.annotations[].emotion
  • DashScope 异步任务接口(Qwen3-ASR-Flash-Filetrans 录音文件转写):嵌套在 transcripts[].sentences[].emotion,与时间戳、说话人等字段并列在每个句子对象中。
返回结构示例(DashScope 异步任务接口节选):
{
  "transcripts": [{
    "sentences": [{
      "begin_time": 0,
      "end_time": 1440,
      "text": "欢迎使用阿里云。",
      "emotion": "neutral",
      "language": "zh"
    }]
  }]
}
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。
Qwen-Audio-3.0-ASR-Flash-Filetrans、Qwen-Audio-3.0-ASR-Flash、Fun-ASR-Flash、Fun-ASR 和 Paraformer 非实时模型暂不支持情感识别功能。如需在实时识别中使用情感识别,可参考 实时语音识别 的对应章节。

获取时间戳

非实时语音识别支持在转写结果中输出时间戳,便于字幕生成、关键词高亮、音视频剪辑等场景。Qwen-Audio-3.0-ASR-Flash-Filetrans、Qwen-Audio-3.0-ASR-Flash、Fun-ASR、Fun-ASR-Flash、Qwen3-ASR-Flash-Filetrans、Paraformer 均支持,但各模型的时间戳默认行为和控制方式不同:
  • Qwen-Audio-3.0-ASR-Flash-Filetrans/Qwen-Audio-3.0-ASR-Flash/Fun-ASR/Fun-ASR-Flash/Paraformer:时间戳功能固定开启,不可关闭。
  • Qwen3-ASR-Flash-Filetrans:仅 DashScope 异步调用方式支持时间戳,时间戳功能固定开启。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。字级别时间戳仅支持以下语种: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。
Qwen3-ASR-Flash 通过 OpenAI 兼容接口调用时,输出形态为 chat.completion,不返回时间戳字段。如需时间戳,请使用Qwen3-ASR-Flash-Filetrans(异步任务接口)。
时间戳单位均为毫秒,分两个层级返回:
  • 句级sentences[].begin_timesentences[].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_timeend_timetext(该字/词文本)。
返回结构示例(DashScope 异步任务接口节选):
{
  "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。
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。

应用于生产环境

将非实时语音识别应用于生产环境时,以下最佳实践有助于提升识别效果和系统稳定性。

高并发场景:使用回调替代轮询

异步转写任务(Qwen-Audio-3.0-ASR-Flash-Filetrans、Fun-ASR、Qwen3-ASR-Flash-Filetrans、Paraformer)通过 POST /api/v1/services/audio/asr/transcription 提交后,通常做法是周期性调用查询接口 GET /api/v1/tasks/{task_id} 获取结果。该查询接口默认 20 QPS、最高可扩容至 100 QPS,在高并发批量场景下,频繁轮询易触发限流。 通过事件总线 EventBridge 配置回调通知,任务完成时阿里云百炼会自动推送 dashscope:System:AsyncTaskFinish 事件至您配置的目标(HTTP/HTTPS 端点或 RocketMQ Topic),消费端收到事件后无需再调用查询接口,从而规避因频繁轮询而被限流的风险。详情请参见配置 EventBridge 回调通知

适用模型

  • 适用模型:Qwen-Audio-3.0-ASR-Flash-Filetrans、Fun-ASR、Qwen3-ASR-Flash-Filetrans、Paraformer(均为异步转写任务)。
  • 不适用:Qwen3-ASR-Flash(同步/流式调用,不属异步任务范畴)。

回调消息内容

三种模型的回调消息体中 data.contain_result 均为 truedata.output_result 直接携带 transcription_url,消费端收到回调后即可获取识别结果,无需再调用 GET /api/v1/tasks/{task_id}。但三个模型的结果字段路径与结构不同,详见下表。
编写消费端时请按使用的模型选择正确路径,不可写死为单一路径。失败场景下 data.output_result.output 不再含 results/result,而是含 codemessage 字段,需先判断 data.task_status 再取结果。

模型

提交参数

结果字段路径(基于回调 Body)

usage 字段

Qwen-Audio-3.0-ASR-Flash-Filetrans、Fun-ASR

input.file_urls(数组,单次仅支持 1 个 URL)

data.output_result.output.results[ ].transcription_url(数组,每个文件一项,含 subtask_status;并附 task_metrics

duration

Paraformer

input.file_urls(数组,单次仅支持 1 个 URL)

同 Qwen-Audio-3.0-ASR-Flash-Filetrans/Fun-ASR:data.output_result.output.results[ ].transcription_url

duration

Qwen3-ASR-Flash-Filetrans

input.file_url单对象,单次仅支持 1 个 URL)

data.output_result.output.result.transcription_url单对象,无 results[ ] / task_metrics

seconds

注意事项

安全(HTTP/HTTPS 投递方式):生产环境必须校验回调请求头中的 X-Eventbridge-Signature* 系列字段后再消费,否则任意外部 IP 都可伪造 AsyncTaskFinish 事件,注入虚假识别结果。建议同时为接收端设置至少 5 秒的接收超时。RocketMQ 投递方式无消息级签名,安全性由 RocketMQ 鉴权机制保证。 投递延迟:从任务结束(end_time)到投递目标(HTTP/HTTPS 端点或 RocketMQ Topic)收到消息,通常约 1–90 秒,具体延迟受 EventBridge 实时负载影响。 幂等性:同一事件可能因重试而被投递多次。消费端需实现幂等处理,建议以 CloudEvents data.iddata.task_id 作为去重键。

生产环境建议

  • 文件托管:将音频文件上传至阿里云 OSS,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,建议设置合理的轮询间隔(如 2~5 秒),避免频繁查询消耗配额。如需突破 20–100 QPS 查询上限,可改用事件回调通知,详见高并发场景:使用回调替代轮询
  • 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:根据音频时长选择合适的模型。5 分钟以内的短音频使用Qwen3-ASR-Flash,超过 5 分钟的长音频使用 Qwen-Audio-3.0-ASR-Flash-Filetrans、Fun-ASR 或Qwen3-ASR-Flash-Filetrans。

支持的模型与地域

  • 华北2(北京)
  • 新加坡
  • 美国(弗吉尼亚)
调用以下模型时,请选择北京地域的API Key
  • Qwen-Audio-3.0-ASR-Flash-Filetrans:qwen-audio-3.0-asr-flash-filetrans
  • Qwen-Audio-3.0-ASR-Flash:qwen-audio-3.0-asr-flash
  • Fun-ASR:fun-asr(稳定版,当前等同fun-asr-2025-11-07)、fun-asr-2025-11-07(快照版)、fun-asr-2025-08-25(快照版)、fun-asr-mtl(稳定版,当前等同fun-asr-mtl-2025-08-25)、fun-asr-mtl-2025-08-25(快照版)
  • Fun-ASR-Flash:fun-asr-flash-2026-06-15
  • Qwen3-ASR-Flash-Filetrans:qwen3-asr-flash-filetrans(稳定版,当前等同qwen3-asr-flash-filetrans-2025-11-17)、qwen3-asr-flash-filetrans-2025-11-17(快照版)
  • Qwen3-ASR-Flash:qwen3-asr-flash(稳定版,当前等同qwen3-asr-flash-2025-09-08)、qwen3-asr-flash-2026-02-10(最新快照版)、qwen3-asr-flash-2025-09-08(快照版)
  • Paraformer:paraformer-v2、paraformer-8k-v2、paraformer-v1、paraformer-8k-v1、paraformer-mtl-v1

API参考

常见问题

Q:如何为API提供公网可访问的音频URL?

推荐使用阿里云对象存储OSS,它提供了高可用、高可靠的存储服务,并且可以方便地生成公网访问URL。 在公网环境下验证生成的 URL 可正常访问:可在浏览器或通过 curl 命令访问该 URL,确保音频文件能够成功下载或播放(HTTP状态码为200)。

Q:如何检查音频格式是否符合要求?

可以使用开源工具ffprobe快速获取音频的详细信息:
# 查询音频的容器格式(format_name)、编码(codec_name)、采样率(sample_rate)、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

Q:如何处理音频以满足模型要求?

可以使用开源工具FFmpeg对音频进行裁剪或格式转换:
  • 音频裁剪:从长音频中截取片段
# -i: 输入文件
# -ss 00:01:30: 设置裁剪的起始时间 (从1分30秒开始)
# -t 00:02:00: 设置裁剪的持续时长 (裁剪2分钟)
# -c copy: 直接复制音频流,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16kHz、16-bit、单声道WAV文件
# -i: 输入文件
# -ac 1: 设置声道数为1 (单声道)
# -ar 16000: 设置采样率为16000Hz (16kHz)
# -sample_fmt s16: 设置采样格式为16-bit signed integer PCM
# output.wav: 输出文件
ffmpeg -i input.mp3 -ac 1 -ar 16000 -sample_fmt s16 output.wav

Q:如何提升识别准确率?

以下因素影响识别准确率,请逐项排查并针对性优化。 主要影响因素:
  1. 声音质量:录音设备品质、采样率及环境噪声直接影响音频清晰度,高质量音频输入是准确识别的基础
  2. 说话人特征:音调、语速、口音和方言差异(尤其少见方言或重口音)增加识别难度
  3. 语言和词汇:多语言混合、专业术语或俚语增加识别难度,可通过配置热词优化特定领域术语的准确率
优化方法:
  1. 优化音频质量:使用高性能麦克风,按推荐采样率录音,尽量减少环境噪声与回声
  2. 适配说话人:对于口音较重或方言明显的音频,选用支持对应方言的模型
  3. 配置热词:为专业术语、专有名词等设置热词

模型应用上架及备案

参见应用合规备案
Token Plan
模型体验
模型调优
模型压缩目录节点
用量统计与性能监控
资产中心
服务支持