实时语音识别（Qwen-ASR-Realtime）交互流程

用户指南：模型介绍、功能特性和完整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。

• 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。

• 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。