实时语音识别-千问服务通过 WebSocket 协议，接收实时音频流并实时转写。支持VAD 模式和Manual 模式交互流程。
用户指南：关于模型介绍和选型建议请参见语音识别，示例代码请参见实时语音识别。
服务端点
WebSocket URL 固定如下，通过查询参数 model 指定要调用的模型名称（将 <model_name> 替换为实际的模型）：
华北2（北京）
wss://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api-ws/v1/realtime?model=<model_name>
调用时请将{WorkspaceId}替换为真实的Workspace ID。
新加坡
wss://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api-ws/v1/realtime?model=<model_name>
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
{WorkspaceId}需要替换为真实的Workspace ID。现有域名仍可正常使用。
URL 必须使用 wss:// 协议。Authorization 在请求头中设置（参见请求头），模型通过 URL 查询参数 model 指定。
请求头
请求头中需添加如下信息：
|
参数 |
类型 |
是否必选 |
说明 |
|
Authorization |
string |
是 |
鉴权令牌，格式为 |
|
user-agent |
string |
否 |
客户端标识，便于服务端追踪来源。 |
|
X-DashScope-WorkSpace |
string |
否 |
阿里云百炼业务空间ID。 |
|
X-DashScope-DataInspection |
string |
否 |
是否启用数据合规检测功能。默认不传或设为 |
Authorization 鉴权在 WebSocket 握手阶段验证。如果 API Key 无效或缺失，握手将失败并返回 HTTP 401/403 错误。
交互流程
客户端事件和服务端事件的详细说明，请参见客户端事件和服务端事件。
支持两种交互模式：
-
VAD 模式（默认）：服务端自动检测语音的起点和终点（断句），适用于实时对话、会议记录等场景。
-
Manual 模式：由客户端控制断句，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。
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。
-
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时返回
input_audio_buffer.speech_started事件。注意：如果客户端尚未收到该事件，就直接发送
session.finish结束会话，服务端会直接返回session.finished事件，随后客户端需主动断开连接。 -
客户端继续发送
input_audio_buffer.append事件提交音频。 -
客户端在音频提交完后，发送
session.finish事件通知服务端结束当前会话。警告在 VAD 模式下，推完音频后必须先发送
session.finish事件再关闭连接。如果客户端直接关闭 WebSocket 连接而未发送该事件，服务端将丢弃当前 in_progress item，conversation.item.input_audio_transcription.completed等事件将不会到达。建议在调用ws.Close()之前，先发送{"type":"session.finish"}，并等待收到session.finished事件后再关闭连接。 -
服务端在检测到语音结束时返回
input_audio_buffer.speech_stopped事件。 -
服务端返回
input_audio_buffer.committed事件。 -
服务端返回
conversation.item.created事件。 -
服务端返回
conversation.item.input_audio_transcription.text事件，其中包含语音识别实时结果。 -
服务端返回
conversation.item.input_audio_transcription.completed事件，其中包含语音识别最终结果。 -
服务端返回
session.finished事件，通知客户端识别结束，此时客户端需要主动断开连接。
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。 -
客户端发送
session.finish事件通知服务端结束当前会话。 -
服务端返回
input_audio_buffer.committed事件进行响应。 -
服务端返回
conversation.item.input_audio_transcription.text事件，其中包含语音识别实时结果。 -
服务端返回
conversation.item.input_audio_transcription.completed事件，其中包含语音识别最终结果。 -
服务端返回
session.finished事件，通知客户端识别结束，此时客户端需要主动断开连接。