Skip to main content
Qwen-Audio-ASR-Message

Qwen-Audio-ASR-Message实时语音识别Python SDK

本文介绍Qwen-Audio-3.1-ASR-Flash-Message实时语音识别Python SDK的参数和接口细节。

前提条件

快速开始

Recognition类提供了非流式调用和双向流式调用等接口。请根据实际需求选择合适的调用方式:
  • 非流式调用:针对本地文件进行识别,并一次性返回完整的处理结果。适合处理录制好的音频。
  • 双向流式调用:可直接对音频流进行识别,并实时输出结果。音频流可以来自外部设备(如麦克风)或从本地文件读取。适合需要即时反馈的场景。
  • 非流式调用
  • 双向流式调用
提交单个语音实时转写任务,通过传入本地文件的方式同步阻塞地拿到转写结果。实例化Recognition类绑定请求参数,调用call进行识别/翻译并最终获取识别结果(RecognitionResult)。
from http import HTTPStatus
import dashscope
from dashscope.audio.asr import Recognition
import os

# 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,请用百炼API Key将下行替换为:dashscope.api_key = "sk-xxx"
dashscope.api_key = os.environ.get('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。
dashscope.base_websocket_api_url='wss://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api-ws/v1/inference'

recognition = Recognition(model='qwen-audio-3.1-asr-flash-message',
                          format='wav',
                          sample_rate=16000,
                          callback=None)
result = recognition.call('{YOUR_AUDIO_FILE}')
if result.status_code == HTTPStatus.OK:
    print('识别结果:')
    print(result.get_sentence())
else:
    print('Error: ', result.message)

print(
    '[Metric] requestId: {}, first package delay ms: {}, last package delay ms: {}'
    .format(
        recognition.get_last_request_id(),
        recognition.get_first_package_delay(),
        recognition.get_last_package_delay(),
    ))

接口地址

SDK的接口地址需在初始化前设置为下方地址(包含WorkspaceId)。如需切换到其他地域,请修改 dashscope.base_websocket_api_url为对应地域的URL。
  • 华北2(北京)
  • 新加坡
wss://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api-ws/v1/inference调用时请将{WorkspaceId}替换为真实的Workspace ID。
阿里云百炼为华北2(北京)、新加坡地域推出了业务空间专属域名,能够为推理请求提供卓越的性能和更高的稳定性,建议迁移至新域名:
  • 华北2(北京)地域:从 dashscope.aliyuncs.com 迁移至 {WorkspaceId}.cn-beijing.maas.aliyuncs.com
  • 新加坡地域:从 dashscope-intl.aliyuncs.com 迁移至 {WorkspaceId}.ap-southeast-1.maas.aliyuncs.com

请求参数

请求参数通过Recognition类的构造方法(init)进行设置。
参数类型是否必须说明
modelstr是模型名,设置为 qwen-audio-3.1-asr-flash-message。
sample_rateint是

采样率(Hz)。

仅支持 16000 Hz。
formatstr是

音频格式。

取值范围:
  • pcm
  • wav
  • mp3
  • opus
  • speex
  • aac
  • amr
opus/speex:必须使用Ogg封装;wav:必须为PCM编码;amr:仅支持AMR-NB类型。
disfluency_removal_enabledbool否是否过滤语气词并对输出结果进行润色,默认值为 false。设置为 true 时启用。作为同名关键字参数传入。
intermediate_result_enabledbool否是否返回流式中间结果,默认值为 false。设置为 true 时返回流式中间结果。作为同名关键字参数传入。
keep_dialectbool否默认 false,将方言转写为普通话;设为 true 时保留方言表达。作为同名关键字参数传入。完整参数说明请参见客户端事件。
vad_modelstr否可选 near_meeting_16k(近场)或 far_field_meeting_16k(远场,默认值)。作为同名关键字参数传入。完整参数说明请参见客户端事件。
vocabulary_idstr否

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。
vocabularydict否

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。示例:
from dashscope.audio.asr import Recognition

vocab = {"张三": 5, "李四": 5}
recognition = Recognition(
    model='qwen-audio-3.1-asr-flash-message',
    format='wav',
    sample_rate=16000,
    vocabulary=vocab,
    callback=None)
max_sentence_silenceint否

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。

默认值:1300。取值范围:[200, 6000]。
heartbeatbool否

是否启用心跳包。

默认值:False。
  • True:在持续发送静音音频的情况下,可保持与服务端的连接不中断。
  • False(默认):即使持续发送静音音频,连接也将在一定时间后因超时而断开。
静音音频指的是在音频文件或数据流中没有声音信号的内容。静音音频可以通过多种方法生成,例如使用音频编辑软件如Audacity或Adobe Audition,或者通过命令行工具如FFmpeg。使用该字段时,SDK版本不能低于1.23.1。
speech_noise_thresholdfloat否

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:
  • 取值越接近 -1:降低噪音判定阈值,噪音被识别为语音的概率增大,可能导致更多噪音被转写
  • 取值越接近 +1:提高噪音判定阈值,语音被误判为噪音的概率增大,可能导致部分语音被过滤
此参数为高级配置参数,调整可能显著影响识别效果,建议:
  • 调整前充分测试验证效果
  • 根据实际音频环境小幅度调整(建议步长 0.1)
callbackRecognitionCallback否回调接口(RecognitionCallback)。
以下参数通过Recognition实例的call或start方法的关键字参数传入。
参数类型是否必须说明
raw_inputdict否

输入对象,用于传入对话上下文(context)。上下文用于辅助识别、提升专有词汇的识别准确率。使用方法详见提升识别准确率。

dict 中需包含 context 键,值为消息列表(list[dict]),每条消息包含以下字段:
  • role(str,必选):消息角色。user 表示前几轮用户语音的识别结果或领域相关的词表;assistant 表示前几轮大语言模型的回复内容。
  • content(list[dict],必选):消息内容列表。每个元素包含 type(str,role 为 user 时填 input_text,role 为 assistant 时填 text)和 text(str,文本内容)。
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不超过 400 个字符,超出部分从末尾截断。
携带上下文时,context 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。
使用该字段时,SDK版本不能低于1.25.23。
# 构建 input 传入数据
input_context = {
    "context": [
        {
            "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?"
                }
            ]
        }
    ]
}

# 通过 raw_input 参数传入
recognition.start(raw_input=input_context)
# 或者
recognition.call(file='{YOUR_AUDIO_FILE}', raw_input=input_context)

关键接口

Recognition类

Recognition通过from dashscope.audio.asr import *方式引入。
成员方法方法签名说明
call
def call(self, file: str, phrase_id: str = None, **kwargs) -> RecognitionResult

基于本地文件的非流式调用,该方法会阻塞当前线程直到全部音频读完,该方法要求所识别文件具有可读权限。

识别结果以RecognitionResult类型数据返回。
start
def start(self, phrase_id: str = None, **kwargs)

开始语音识别。

基于回调形式的流式实时识别,该方法不会阻塞当前线程。需要配合send_audio_frame和stop使用。
send_audio_frame
def send_audio_frame(self, buffer: bytes)

推送音频。每次推送的音频流不宜过大或过小,建议每包音频时长为100ms左右,大小在1KB~16KB之间。

识别结果通过回调接口(RecognitionCallback)的on_event方法获取。
stop
def stop(self)
停止语音识别,阻塞到服务将收到的音频都识别后结束任务。
get_last_request_id
def get_last_request_id(self)
获取request_id,在构造函数调用(创建对象)后可以使用。
get_first_package_delay
def get_first_package_delay(self)
获取首包延迟,从发送第一包音频到收到首包识别结果延迟,在任务完成后使用。
get_last_package_delay
def get_last_package_delay(self)
获得尾包延迟,发送stop指令到最后一包识别结果下发耗时,在任务完成后使用。
get_response
def get_response(self)
获取最后一次报文,可以用于获取task-failed报错。

更新对话上下文

调用 update_context 在识别任务运行过程中更新对话上下文,用于辅助后续音频的识别。该方法要求 DashScope Python SDK 1.27.5 及以上版本。
def update_context(self, payload_input: dict)
  • 调用时机:调用 start 启动流式识别后、调用 stop 前。
  • 参数:payload_input 为字典,传入 continue-task 事件的 payload.input 对象,包含 context 字段,不要额外包装 payload 或 input 层级。
  • 支持范围与参数约束:请参见 continue-task。
以下示例复用已启动的 recognition 实例。
payload_input = {
    "context": [
        {
            "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?"}]
        }
    ]
}
recognition.update_context(payload_input=payload_input)

回调接口(RecognitionCallback)

双向流式调用时,服务端会通过回调的方式,将关键流程信息和数据返回给客户端。您需要实现回调方法,处理服务端返回的信息或者数据。
class Callback(RecognitionCallback):
    def on_open(self) -> None:
        print('连接成功')

    def on_event(self, result: RecognitionResult) -> None:
        # 实现接收识别结果的逻辑
        pass

    def on_complete(self) -> None:
        print('任务完成')

    def on_error(self, result: RecognitionResult) -> None:
        print('出现异常:', result)

    def on_close(self) -> None:
        print('连接关闭')

callback = Callback()
方法参数返回值描述
def on_open(self) -> None
无无当和服务端建立连接完成后,该方法立刻被回调。
def on_event(self, result: RecognitionResult) -> None
result:识别结果(RecognitionResult)无当服务有回复时会被回调。
def on_complete(self) -> None
无无当所有识别结果全部返回后进行回调。
def on_error(self, result: RecognitionResult) -> None
result:识别结果(RecognitionResult)无发生异常时该方法被回调。
def on_close(self) -> None
无无当服务已经关闭连接后进行回调。

响应结果

识别结果(RecognitionResult)

RecognitionResult代表双向流式调用中一次实时识别或非流式调用的识别结果。
成员方法方法签名说明
get_sentence
def get_sentence(self) -> Union[Dict[str, Any], List[Any]]

获取当前识别的句子及时间戳信息。回调中返回的是单句信息,所以此方法返回类型为Dict[str, Any]。

详情请参见单句信息(Sentence)。
get_request_id
def get_request_id(self) -> str
获取请求的request_id。
is_sentence_end
@staticmethod
def is_sentence_end(sentence: Dict[str, Any]) -> bool
判断给定句子是否已经结束。该方法通过检查 sentence 中 end_time 字段是否为 None 来判定——end_time 不为 None 时表示句子已结束。调用方式为 RecognitionResult.is_sentence_end(sentence),其中 sentence 为 get_sentence() 返回的单句信息 dict,而非 Sentence 实例的布尔字段。

单句信息(Sentence)

Sentence类成员如下:
参数类型说明
begin_timeint句子开始时间,单位为ms。
end_timeint句子结束时间,单位为ms。
textstr识别文本。
words字时间戳信息(Word)的list集合字时间戳信息。

字时间戳信息(Word)

Word类成员如下:
参数类型说明
begin_timeint字开始时间,单位为ms。
end_timeint字结束时间,单位为ms。
textstr字。
punctuationstr标点。

错误码

如遇报错问题,请参见错误码进行排查。 若问题仍未解决,可加入语音 SDK 示例仓库中列出的开发者群反馈问题,并提供Request ID,以便进一步排查问题。

常见问题

功能特性

Q:在长时间静默的情况下,如何保持与服务端长连接?

将请求参数heartbeat设置为true,并持续向服务端发送静音音频。 静音音频指的是在音频文件或数据流中没有声音信号的内容。静音音频可以通过多种方法生成,例如使用音频编辑软件如Audacity或Adobe Audition,或者通过命令行工具如FFmpeg。

Q:如何将音频格式转换为满足要求的格式?

可使用FFmpeg工具,更多用法请参见FFmpeg官网。
# 基础转换命令(万能模板)
# -i,作用:输入文件路径,常用值示例:audio.wav
# -c:a,作用:音频编码器,常用值示例:aac, libmp3lame, pcm_s16le
# -b:a,作用:比特率(音质控制),常用值示例:192k, 320k
# -ar,作用:采样率,本模型设为16000
# -ac,作用:声道数,常用值示例:1(单声道), 2(立体声)
# -y,作用:覆盖已存在文件(无需值)
ffmpeg -i input_audio.ext -c:a 编码器名 -b:a 比特率 -ar 采样率 -ac 声道数 output.ext

# 例如:WAV → MP3(保持原始质量)
ffmpeg -i input.wav -c:a libmp3lame -q:a 0 -ar 16000 -ac 1 output.mp3
# 例如:MP3 → WAV(16bit PCM标准格式)
ffmpeg -i input.mp3 -c:a pcm_s16le -ar 16000 -ac 1 output.wav
# 例如:M4A → AAC(提取/转换苹果音频)
ffmpeg -i input.m4a -c:a copy output.aac  # 仅用于源音频已为16000 Hz、单声道AAC的情况
ffmpeg -i input.m4a -c:a aac -b:a 64k -ar 16000 -ac 1 output.aac  # 重编码为16000 Hz单声道音频
# 例如:FLAC无损 → Opus(高压缩)
ffmpeg -i input.flac -c:a libopus -b:a 128k -vbr on -ar 16000 -ac 1 output.opus

Q:如何识别本地文件(录音文件)?

识别本地文件有两种方式:
  • 直接传入本地文件路径:此种方式在最终识别结束后获取完整识别结果,不适合即时反馈的场景。 参见非流式调用,在Recognition类的call方法中传入文件路径对录音文件直接进行识别。
  • 将本地文件转成二进制流进行识别:此种方式一边识别文件一边流式获取识别结果,适合即时反馈的场景。 参见双向流式调用,通过Recognition类的send_audio_frame方法向服务端发送二进制流对其进行识别。

故障排查

Q:无法识别语音(无识别结果)是什么原因?

  1. 请检查请求参数中的音频格式(format)和采样率(sampleRate/sample_rate)设置是否正确且符合参数约束。以下为常见错误示例:
    • 音频文件扩展名为 .wav,但实际为 MP3 格式,而请求参数 format 设置为 wav(参数设置错误)。
    • 音频采样率为 3600Hz,但请求参数 sampleRate/sample_rate 设置为 48000(参数设置错误)。
    可以使用ffprobe工具获取音频的容器、编码、采样率、声道等信息:
    ffprobe -v error -show_entries format=format_name -show_entries stream=codec_name,sample_rate,channels -of default=noprint_wrappers=1 input.xxx
    
  2. 若以上检查均无问题,可通过定制热词提升对特定词语的识别效果。
文本生成
图像生成
视频生成
世界模型
3D模型生成
音频
  • 音频生成
Realtime API
向量与排序
决策模型
TokenPlan
模型生产