实时语音识别（Qwen-ASR-Realtime）交互流程

用户指南：模型介绍、功能特性和示例代码请参见实时语音识别-通义千问

URL

编码时，将<model_name>替换为实际的模型。

wss://dashscope.aliyuncs.com/api-ws/v1/realtime?model=<model_name>

Headers

"Authorization": "bearer <your_dashscope_api_key>"

VAD 模式（默认）

服务端自动检测语音的起点和终点（断句）。开发者只需持续发送音频流，服务端会在检测到一句话结束时自动返回最终识别结果。此模式适用于实时对话、会议记录等场景。

启用方式：配置客户端session.update事件的session.turn_detection参数。

• 服务端在检测到语音开始时发送input_audio_buffer.speech_started事件。

• 客户端通过发送input_audio_buffer.append事件将音频追加到缓冲区。

• 服务端在检测到语音结束时发送input_audio_buffer.speech_stopped事件。

• 服务端通过发送input_audio_buffer.committed事件来提交输入音频缓冲区。

• 服务端发送conversation.item.created事件，其中包含从音频缓冲区创建的用户消息项。

• 服务端发送conversation.item.input_audio_transcription.text事件，其中包含语音识别结果。

Manual 模式

由客户端控制断句。客户端需要发送完一整句话的音频后，再发送一个input_audio_buffer.commit事件来通知服务端。此模式适用于客户端能明确判断语句边界的场景，如聊天软件中的发送语音。

启用方式：将客户端session.update事件的session.turn_detection设为null。

• 客户端通过发送input_audio_buffer.append事件将音频追加到缓冲区。

• 客户端通过发送input_audio_buffer.commit事件来提交输入音频缓冲区。 该提交会在对话中创建一个新的用户消息项。

• 服务端发送input_audio_buffer.committed事件进行响应。

• 服务端发送conversation.item.input_audio_transcription.text事件，其中包含语音识别结果。