实时语音识别（Paraformer）客户端事件-大模型服务平台百炼(Model Studio)-阿里云帮助中心

本文介绍 Paraformer 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）和 finish-task（结束任务）两类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。

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。

header object （必选）

属性

action string （必选）

指令类型，固定为 run-task。

task_id string （必选）

客户端生成的任务 ID（UUID 格式），用于关联后续事件。

streaming string （必选）

固定为 duplex。

{
    "header": {
        "action": "run-task",
        "task_id": "2bf83b9a-baeb-4fda-8d9a-xxxxxxxxxxxx",
        "streaming": "duplex"
    },
    "payload": {
        "task_group": "audio",
        "task": "asr",
        "function": "recognition",
        "model": "paraformer-realtime-v2",
        "parameters": {
            "format": "pcm",
            "sample_rate": 16000,
            "disfluency_removal_enabled": false,
            "language_hints": [
                "en"
            ]
        },
        "input": {}
    }
}

payload object （必选）

属性

task_group string （必选）

任务组，固定为 audio。

task string （必选）

任务类型，固定为 asr。

function string （必选）

功能类型。固定为recognition。

model string （必选）

模型名称。

input object （必选）

固定为{}。

parameters object （必选）

语音识别参数。

属性

format string （必选）

音频格式。

取值范围：

pcm
wav
mp3
opus
speex
aac
amr

重要

Paraformer须遵循如下约束：

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_rate integer （必选）

采样率（Hz）。

取值范围：

Paraformer（因模型而异）：
- paraformer-realtime-v2：支持任意采样率
- paraformer-realtime-v1：仅支持 16000 Hz
- paraformer-realtime-8k-v2：仅支持 8000 Hz
- paraformer-realtime-8k-v1：仅支持 8000 Hz

vocabulary_id string （可选）

热词列表 ID。

disfluency_removal_enabled boolean （可选）

重要

仅Paraformer支持该参数。

是否过滤语气词。

默认值：false。

language_hints array[string] （可选）

待识别音频语种。无默认值，不设置时模型自动识别。

取值范围：

Paraformer：
- zh: 中文
- en: 英文
- ja: 日语
- yue: 粤语
- ko: 韩语
- de：德语
- fr：法语
- ru：俄语

semantic_punctuation_enabled boolean （可选）

重要

仅Paraformer（v2）支持该参数。

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_silence integer （可选）

重要

仅Paraformer（v2）支持该参数。
仅在semantic_punctuation_enabled参数为false时生效。

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]。

multi_threshold_mode_enabled boolean （可选）

重要

仅Paraformer（v2）支持该参数。
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。

punctuation_prediction_enabled boolean （可选）

重要

仅Paraformer（v2）支持该参数。

是否在识别结果中添加标点符号。

默认值：true。

heartbeat boolean （可选）

重要

仅Paraformer（v2）支持该参数。

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60秒后因超时而断开。

inverse_text_normalization_enabled boolean （可选）

重要

仅Paraformer（v2）支持该参数。

是否启用逆文本正则化（ITN）。启用后，中文数字将转换为阿拉伯数字。

默认值：true。

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。

header object （必选）

属性

action string （必选）

指令类型，固定为 finish-task。

task_id string （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。

streaming string （必选）

固定为 duplex。

{
    "header": {
        "action": "finish-task",
        "task_id": "2bf83b9a-baeb-4fda-8d9a-xxxxxxxxxxxx",
        "streaming": "duplex"
    },
    "payload": {
        "input": {}
    }
}

payload object （必选）

属性

input object （必选）

固定为{}。