本文介绍 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。
run-task
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 actionstring（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。 payloadobject（必选） 属性 task_groupstring（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） 模型名称。 inputobject（必选） 输入对象。不携带上下文时传入{}。 重要仅 fun-asr-realtime、fun-asr-realtime-2025-11-07 模型支持上下文。 属性 contextarray(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。 重要上下文消息（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（user 和 assistant 的 text 字段长度之和）不超过 400 个字符（按字符数计算，每个字符计为 1），超出部分从末尾截断。 重要携带上下文时，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。 属性 rolestring（必选） 消息角色。取值范围：
user：前几轮用户语音的识别结果或领域相关的词表。assistant：前几轮大语言模型的回复内容。 contentarray(object)（必选） 消息内容列表。 属性 typestring（必选） 内容类型。取值范围：
input_text：前几轮用户语音的识别结果或领域相关的词表（role 为 user 时使用），需同时传入 text 字段。text：前几轮大语言模型的回复内容（role 为 assistant 时使用），需同时传入 text 字段。 textstring（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。 parametersobject（必选） 语音识别参数。 属性 formatstring（必选） 音频格式。 取值范围：
pcmwavmp3opusspeexaacamr 重要opus/speex：必须使用Ogg封装； wav：必须为PCM编码； amr：仅支持AMR-NB类型。 sample_rateinteger（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。 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。 仅支持设置 1 个值，设置多个时仅第一个生效。 点击查看支持的语言代码
-
fun-asr-realtime、fun-asr-realtime-2025-11-07：
- zh: 中文
- en: 英文
- ja: 日语
- ko：韩语
- vi：越南语
- th：泰语
- id：印尼语
- ms：马来语
- tl：菲律宾语
- hi：印地语
- ar：阿拉伯语
- fr：法语
- de：德语
- es：西班牙语
- pt：葡萄牙语
- ru：俄语
- it：意大利语
- nl：荷兰语
- sv：瑞典语
- da：丹麦语
- fi：芬兰语
- no：挪威语
- el：希腊语
- pl：波兰语
- cs：捷克语
- hu：匈牙利语
- ro：罗马尼亚语
- bg：保加利亚语
- hr：克罗地亚语
- sk：斯洛伐克语
-
fun-asr-realtime-2026-02-28：
-
fun-asr-realtime-2025-09-15：
-
fun-asr-flash-8k-realtime、fun-asr-flash-8k-realtime-2026-01-28：
semantic_punctuation_enabledboolean（可选） 是否启用语义断句。 默认值：false。
- true：开启语义断句，关闭 VAD 断句。
- false（默认）：开启 VAD 断句，关闭语义断句。
语义断句准确性更高，适合会议转写场景；VAD（Voice Activity Detection，语音活动检测）断句延迟较低，适合交互场景。 max_sentence_silenceinteger（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） 重要仅在semantic_punctuation_enabled参数为false时生效。 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。
- 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。 speech_noise_thresholdfloat（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：
- 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）
special_word_filter 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。 | {
"header": {
"action": "run-task",
"task_id": "2bf83b9a-baeb-4fda-8d9a-xxxxxxxxxxxx",
"streaming": "duplex"
},
"payload": {
"task_group": "audio",
"task": "asr",
"function": "recognition",
"model": "fun-asr-realtime",
"parameters": {
"format": "pcm",
"sample_rate": 16000
},
"input": {}
}
}
{
"header": {
"action": "run-task",
"task_id": "2bf83b9a-baeb-4fda-8d9a-xxxxxxxxxxxx",
"streaming": "duplex"
},
"payload": {
"task_group": "audio",
"task": "asr",
"function": "recognition",
"model": "fun-asr-realtime",
"parameters": {
"format": "pcm",
"sample_rate": 16000
},
"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？"
}
]
}
]
}
}
}
|
continue-task
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。
重要仅 fun-asr-realtime、fun-asr-realtime-2025-11-07 模型支持该事件。
headerobject（必选） 属性 actionstring（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。 payloadobject（必选） 属性 inputobject（必选） 输入对象。 属性 contextarray(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。 重要上下文消息（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（user 和 assistant 的 text 字段长度之和）不超过 400 个字符（按字符数计算，每个字符计为 1），超出部分从末尾截断。 重要携带上下文时，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。 属性 rolestring（必选） 消息角色。取值范围：
user：前几轮用户语音的识别结果或领域相关的词表。assistant：前几轮大语言模型的回复内容。 contentarray(object)（必选） 消息内容列表。 属性 typestring（必选） 内容类型。取值范围：
input_text：前几轮用户语音的识别结果或领域相关的词表（role 为 user 时使用），需同时传入 text 字段。text：前几轮大语言模型的回复内容（role 为 assistant 时使用），需同时传入 text 字段。 textstring（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。 | {
"header": {
"action": "continue-task",
"task_id": "2bf83b9a-baeb-4fda-8d9a-xxxxxxxxxxxx",
"streaming": "duplex"
},
"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？"
}
]
}
]
}
}
}
|
finish-task
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 actionstring（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。 payloadobject（必选） | {
"header": {
"action": "finish-task",
"task_id": "2bf83b9a-baeb-4fda-8d9a-xxxxxxxxxxxx",
"streaming": "duplex"
},
"payload": {
"input": {}
}
}
|
