AI 助理
备案控制台
官方文档
输入文档关键字查找
首页 大模型服务平台百炼 API参考（模型） 语音识别 录音文件识别（Qwen-ASR）

录音文件识别（Qwen-ASR）API参考

更新时间：
产品详情
我的收藏

本文介绍 Qwen-ASR 模型的输入与输出参数。

用户指南：模型介绍和选型请参见录音文件识别-通义千问。

中国大陆（北京）：POST https://dashscope.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation

国际（新加坡）：POST https://dashscope-intl.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation

请求体

Qwen3-ASR

cURL

# ======= 重要提示 =======
# 以下为北京地域url，若使用新加坡地域的模型，需将url替换为：https://dashscope-intl.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation
# 新加坡地域和北京地域的API Key不同。获取API Key：https://help.aliyun.com/zh/model-studio/get-api-key
# === 执行时请删除该注释 ===

curl --location --request POST 'https://dashscope.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation' \
--header 'Authorization: Bearer $DASHSCOPE_API_KEY' \
--header 'Content-Type: application/json' \
--data '{
    "model": "qwen3-asr-flash",
    "input": {
        "messages": [
            {
                "content": [
                    {
                        "text": ""
                    }
                ],
                "role": "system"
            },
            {
                "content": [
                    {
                        "audio": "https://dashscope.oss-cn-beijing.aliyuncs.com/audios/welcome.mp3"
                    }
                ],
                "role": "user"
            }
        ]
    },
    "parameters": {
        "asr_options": {
            "enable_itn": true
        }
    }
}'

Java

import java.util.Arrays;
import java.util.Collections;
import java.util.HashMap;
import java.util.Map;

import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversation;
import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversationParam;
import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversationResult;
import com.alibaba.dashscope.common.MultiModalMessage;
import com.alibaba.dashscope.common.Role;
import com.alibaba.dashscope.exception.ApiException;
import com.alibaba.dashscope.exception.NoApiKeyException;
import com.alibaba.dashscope.exception.UploadFileException;
import com.alibaba.dashscope.utils.Constants;
import com.alibaba.dashscope.utils.JsonUtils;

public class Main {
    public static void simpleMultiModalConversationCall()
            throws ApiException, NoApiKeyException, UploadFileException {
        MultiModalConversation conv = new MultiModalConversation();
        MultiModalMessage userMessage = MultiModalMessage.builder()
                .role(Role.USER.getValue())
                .content(Arrays.asList(
                        Collections.singletonMap("audio", "https://dashscope.oss-cn-beijing.aliyuncs.com/audios/welcome.mp3")))
                .build();

        MultiModalMessage sysMessage = MultiModalMessage.builder().role(Role.SYSTEM.getValue())
                // 此处用于配置定制化识别的Context
                .content(Arrays.asList(Collections.singletonMap("text", "")))
                .build();

        Map<String, Object> asrOptions = new HashMap<>();
        asrOptions.put("enable_itn", true);
        // asrOptions.put("language", "zh"); // 可选，若已知音频的语种，可通过该参数指定待识别语种，以提升识别准确率
        MultiModalConversationParam param = MultiModalConversationParam.builder()
                // 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：.apiKey("sk-xxx")
                .apiKey(System.getenv("DASHSCOPE_API_KEY"))
                .model("qwen3-asr-flash")
                .message(userMessage)
                .message(sysMessage)
                .parameter("asr_options", asrOptions)
                .build();
        MultiModalConversationResult result = conv.call(param);
        System.out.println(JsonUtils.toJson(result));
    }
    public static void main(String[] args) {
        try {
            // 以下为北京地域url，若使用新加坡地域的模型，需将url替换为：https://dashscope-intl.aliyuncs.com/api/v1
            Constants.baseHttpApiUrl = "https://dashscope.aliyuncs.com/api/v1";
            simpleMultiModalConversationCall();
        } catch (ApiException | NoApiKeyException | UploadFileException e) {
            System.out.println(e.getMessage());
        }
        System.exit(0);
    }
}

Python

import os
import dashscope

# 以下为北京地域url，若使用新加坡地域的模型，需将url替换为：https://dashscope-intl.aliyuncs.com/api/v1
dashscope.base_http_api_url = 'https://dashscope.aliyuncs.com/api/v1'

messages = [
    {
        "role": "system",
        "content": [
            # 此处用于配置定制化识别的Context
            {"text": ""},
        ]
    },
    {
        "role": "user",
        "content": [
            {"audio": "https://dashscope.oss-cn-beijing.aliyuncs.com/audios/welcome.mp3"},
        ]
    }
]
response = dashscope.MultiModalConversation.call(
    # 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：api_key = "sk-xxx"
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    model="qwen3-asr-flash",
    messages=messages,
    result_format="message",
    asr_options={
        # "language": "zh", # 可选，若已知音频的语种，可通过该参数指定待识别语种，以提升识别准确率
        "enable_itn":True
    }
)
print(response)

Qwen-Audio-ASR

cURL

curl -X POST https://dashscope.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H 'Content-Type: application/json' \
-d '{
    "model": "qwen-audio-asr",
    "input":{
        "messages":[
            {
                "role": "user",
                "content": [
                    {"audio": "https://dashscope.oss-cn-beijing.aliyuncs.com/audios/welcome.mp3"}
                ]
            }
        ]
    }
}'

Java

import java.util.Arrays;
import java.util.Collections;
import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversation;
import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversationParam;
import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversationResult;
import com.alibaba.dashscope.common.MultiModalMessage;
import com.alibaba.dashscope.common.Role;
import com.alibaba.dashscope.exception.ApiException;
import com.alibaba.dashscope.exception.NoApiKeyException;
import com.alibaba.dashscope.exception.UploadFileException;
import com.alibaba.dashscope.utils.JsonUtils;
public class Main {
    public static void simpleMultiModalConversationCall()
            throws ApiException, NoApiKeyException, UploadFileException {
        MultiModalConversation conv = new MultiModalConversation();
        MultiModalMessage userMessage = MultiModalMessage.builder()
                .role(Role.USER.getValue())
                .content(Arrays.asList(
                        Collections.singletonMap("audio", "https://dashscope.oss-cn-beijing.aliyuncs.com/audios/welcome.mp3")))
                .build();
        MultiModalConversationParam param = MultiModalConversationParam.builder()
                .model("qwen-audio-asr")
                .message(userMessage)
                .build();
        MultiModalConversationResult result = conv.call(param);
        System.out.println(JsonUtils.toJson(result));
    }
    public static void main(String[] args) {
        try {
            simpleMultiModalConversationCall();
        } catch (ApiException | NoApiKeyException | UploadFileException e) {
            System.out.println(e.getMessage());
        }
        System.exit(0);
    }
}

Python

import dashscope

messages = [
    {
        "role": "user",
        "content": [
            {"audio": "https://dashscope.oss-cn-beijing.aliyuncs.com/audios/welcome.mp3"},
        ]
    }
]
response = dashscope.MultiModalConversation.call(
    model="qwen-audio-asr",
    messages=messages,
    result_format="message")
print(response)

model string （必选）

模型名称。

messages array （必选）

消息列表。

通过HTTP调用时，请将messages 放入 input 对象中。

消息类型

System Message object（可选）

模型的目标或角色。如果设置系统消息，请放在messages列表的第一位。

仅Qwen3-ASR支持该参数，Qwen-Audio-ASR不支持。

属性

content array（必选）

消息内容。

属性

text string

指定上下文（Context）。Qwen3-ASR支持用户在语音识别的同时，提供背景文本、实体词表等参考信息（Context），从而获得定制化的识别结果。

长度限制：不超过10000 Token。

具体介绍请参见上下文增强。

role string （必选）

固定为system。

User Message object（必选）

用户发送给模型的消息。

属性

content array （必选）

用户消息的内容。

属性

audio string（必选）

待识别音频文件。可以是公网可访问的音频文件URL，也可以是本地音频文件绝对路径（具体用法请参见快速开始）。

使用SDK时，若录音文件存储在阿里云OSS，不支持使用以 oss://为前缀的临时 URL。

使用RESTful API时，若录音文件存储在阿里云OSS，支持使用以 oss://为前缀的临时 URL。但需注意：

重要

  • 临时 URL 有效期48小时，过期后无法使用，请勿用于生产环境。

  • 文件上传凭证接口限流为 100 QPS 且不支持扩容，请勿用于生产环境、高并发及压测场景。

  • 生产环境建议使用阿里云OSS 等稳定存储，确保文件长期可用并规避限流问题。

role string （必选）

用户消息的角色，固定为user。

asr_options object （可选）

用来指定某些功能是否启用。

仅Qwen3-ASR支持该参数，Qwen-Audio-ASR 不支持。

属性

language string（可选）无默认值

若已知音频的语种，可通过该参数指定待识别语种，以提升识别准确率。

只能指定一个语种。

若音频语种不确定，或包含多种语种（例如中英日韩混合），请勿指定该参数。

参数值：

  • zh：中文（普通话、四川话、闽南语、吴语）

  • yue：粤语

  • en：英文

  • ja：日语

  • de：德语

  • ko：韩语

  • ru：俄语

  • fr：法语

  • pt：葡萄牙语

  • ar：阿拉伯语

  • it：意大利语

  • es：西班牙语

  • hi：印地语

  • id：印尼语

  • th：泰语

  • tr：土耳其语

  • uk：乌克兰语

  • vi：越南语

enable_itn boolean（可选）默认值为false

是否启用ITN（Inverse Text Normalization，逆文本标准化）。该功能仅适用于中文和英文音频。

参数值：

  • true：开启；

  • false：关闭。

返回体

Qwen3-ASR

{
    "output": {
        "choices": [
            {
                "finish_reason": "stop",
                "message": {
                    "annotations": [
                        {
                            "language": "zh",
                            "type": "audio_info",
                            "emotion": "neutral"
                        }
                    ],
                    "content": [
                        {
                            "text": "欢迎使用阿里云。"
                        }
                    ],
                    "role": "assistant"
                }
            }
        ]
    },
    "usage": {
        "input_tokens_details": {
            "text_tokens": 0
        },
        "output_tokens_details": {
            "text_tokens": 6
        },
        "seconds": 1
    },
    "request_id": "568e2bf0-d6f2-97f8-9f15-a57b11dc6977"
}

Qwen-Audio-ASR

{
    "status_code": 200,
    "request_id": "802e87ff-1875-99cd-96c0-16a50338836a",
    "code": "",
    "message": "",
    "output": {
        "text": null,
        "finish_reason": null,
        "choices": [
            {
                "finish_reason": "stop",
                "message": {
                    "role": "assistant",
                    "content": [
                        {
                            "text": "欢迎使用阿里云"
                        }
                    ]
                }
            }
        ]
    },
    "usage": {
        "input_tokens": 74,
        "output_tokens": 7,
        "audio_tokens": 46
    }
}

request_id string

本次调用的唯一标识符。

Java SDK返回参数为requestId。

output object

调用结果信息。

属性

choices array

模型的输出信息。当result_format为message时返回choices参数。

属性

finish_reason string

有三种情况：

  • 正在生成时为null；

  • 因模型输出自然结束，或触发输入参数中的stop条件而结束时为stop；

  • 因生成长度过长而结束为length。

message object

模型输出的消息对象。

属性

role string

输出消息的角色，固定为assistant。

content array

输出消息的内容。

属性

text string

语音识别结果。

annotations array

输出标注信息（如语种）

属性

language string

被识别音频的语种。当请求参数language已指定语种时，该值与所指定的参数一致。

可能的值如下：

  • zh：中文（普通话、四川话、闽南语、吴语）

  • yue：粤语

  • en：英文

  • ja：日语

  • de：德语

  • ko：韩语

  • ru：俄语

  • fr：法语

  • pt：葡萄牙语

  • ar：阿拉伯语

  • it：意大利语

  • es：西班牙语

  • hi：印地语

  • id：印尼语

  • th：泰语

  • tr：土耳其语

  • uk：乌克兰语

  • vi：越南语

type string

固定为audio_info，表示音频信息。

emotion string

被识别音频的情感。支持的情感如下：

  • surprised：惊讶

  • neutral：平静

  • happy：愉快

  • sad：悲伤

  • disgusted：厌恶

  • angry：愤怒

  • fearful：恐惧

usage object

本次请求使用的Token信息。

属性

input_tokens_details integer

Qwen3-ASR输入内容长度（Token）。

属性

text_tokens integer

Qwen3-ASR使用上下文增强功能时输入的文本长度（Token），上限为10000 Token。

output_tokens_details integer

Qwen3-ASR输出内容长度（Token）。

属性

text_tokens integer

Qwen3-ASR输出的识别结果文本长度（Token）。

seconds integer

Qwen3-ASR音频时长（秒）。

input_tokens integer

Qwen-Audio-ASR输入音频长度（Token）。音频转换Token规则：每秒音频转换为25个Token，不足1秒按1秒计算。

output_tokens integer

Qwen-Audio-ASR输出的识别结果文本长度（Token）。

audio_tokens integer

Qwen-Audio-ASR输出的音频长度（Token）。音频转换Token规则：每秒音频转换为25个Token，不足1秒按1秒计算。

上一篇：Java SDK下一篇：录音文件识别（SenseVoice）- 即将下线