使用DashScope Java SDK调用实时语音识别模型-大模型服务平台百炼-阿里云_大模型服务平台百炼(Model Studio)-大模型服务平台百炼(Model Studio)-阿里云帮助中心

本文档介绍如何使用 DashScope Java SDK 调用实时语音识别（Qwen-ASR-Realtime）模型。

重要阿里云百炼为华北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。

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

前提条件

安装SDK，确保DashScope SDK版本不低于2.22.5。
获取与配置 API Key。
了解WebSocket API。

请求参数

以下参数通过OmniRealtimeParam的链式方法设置。

点击查看示例代码

OmniRealtimeParam param = OmniRealtimeParam.builder()
                .model("qwen3-asr-flash-realtime")
                // 以下为华北2（北京）地域的配置，调用时请将"{WorkspaceId}"替换为真实的业务空间ID，各地域的配置不同。
                .url("wss://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api-ws/v1/realtime")
                // 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"))
                .build();

参数	类型	是否必须	说明
`model`	`String`	是	指定要使用的模型名称。
`url`	`String`	是	语音识别服务地址：华北2（北京）地域：`wss://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api-ws/v1/realtime`。调用时请将`{WorkspaceId}`替换为真实的Workspace ID。新加坡地域：`wss://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api-ws/v1/realtime`。调用时请将`{WorkspaceId}`替换为真实的业务空间ID。
`apikey`	`String`	否	设置API Key。

参数

类型

是否必须

说明

model

String

是

指定要使用的模型名称。

url

String

是

语音识别服务地址：

华北2（北京）地域：wss://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api-ws/v1/realtime。调用时请将{WorkspaceId}替换为真实的Workspace ID。
新加坡地域：wss://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api-ws/v1/realtime。调用时请将{WorkspaceId}替换为真实的业务空间ID。

apikey

String

否

设置API Key。

以下参数通过OmniRealtimeConfig的链式方法设置。

点击查看示例代码

OmniRealtimeTranscriptionParam transcriptionParam = new OmniRealtimeTranscriptionParam();
        transcriptionParam.setLanguage("zh");
        transcriptionParam.setInputSampleRate(16000);
        transcriptionParam.setInputAudioFormat("pcm");

OmniRealtimeConfig config = OmniRealtimeConfig.builder()
                .modalities(Collections.singletonList(OmniRealtimeModality.TEXT))
                .enableTurnDetection( true)
                .turnDetectionType("server_vad")
                .turnDetectionThreshold(0.0f)
                .turnDetectionSilenceDurationMs(400)
                .transcriptionConfig(transcriptionParam)
                .build();

参数	类型	是否必须	说明
`modalities`	`List<OmniRealtimeModality>`	是	模型输出模态，固定为`[OmniRealtimeModality.TEXT]`。
`enableTurnDetection`	`boolean`	否	是否开启服务端语音活动检测（VAD）。关闭后，需手动调用`commit()`方法触发识别。默认值：`true`。取值范围： `true`：开启 `false`：关闭
`turnDetectionType`	`String`	否	服务端VAD类型，固定为 `server_vad`。
`turnDetectionThreshold`	`float`	否	VAD检测阈值。推荐将该值设为`0.0`。默认值：`0.5`。取值范围：`[-1, 1]`。较低的阈值会提高 VAD 的灵敏度，可能将背景噪音误判为语音。较高的阈值则降低灵敏度，有助于在嘈杂环境中减少误触发。
`turnDetectionSilenceDurationMs`	`int`	否	VAD断句检测阈值（ms）。静音持续时长超过该阈值将被认为是语句结束。推荐将该值设为`400`。默认值：`800`。取值范围：`[200, 6000]`。较低的值（如 300ms）可使模型更快响应，但可能导致在自然停顿处发生不合理的断句。较高的值（如 1200ms）可更好地处理长句内的停顿，但会增加整体响应延迟。
`transcriptionConfig`	`OmniRealtimeTranscriptionParam`	否	语音识别相关配置。

以下参数通过OmniRealtimeTranscriptionParam的setter方法设置。

点击查看示例代码

OmniRealtimeTranscriptionParam transcriptionParam = new OmniRealtimeTranscriptionParam();
        transcriptionParam.setLanguage("zh");
        transcriptionParam.setInputSampleRate(16000);
        transcriptionParam.setInputAudioFormat("pcm");

参数	类型	是否必须	说明
`language`	`String`	否	音频源语言。 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 cs：捷克语 da：丹麦语 fil：菲律宾语 fi：芬兰语 is：冰岛语 ms：马来语 no：挪威语 pl：波兰语 sv：瑞典语
`inputSampleRate`	`int`	否	音频采样率（Hz）。支持`16000`和`8000`。默认值：`16000`。设置为 `8000` 时，服务端会先升采样到16000Hz再进行识别，可能引入微小延迟。建议仅在源音频为8000Hz（如电话线路）时使用。
`inputAudioFormat`	`String`	否	音频格式。支持`pcm`和`opus`。默认值：`pcm`。

关键接口

OmniRealtimeConversation类

OmniRealtimeConversation通过import com.alibaba.dashscope.audio.omni.OmniRealtimeConversation;方法引入。

方法签名	服务端响应事件（通过回调下发）	说明
`public OmniRealtimeConversation(OmniRealtimeParam param, OmniRealtimeCallback callback)`	无	构造方法。
`public void connect() throws NoApiKeyException, InterruptedException`	session.created 会话已创建 session.updated 会话配置已更新	和服务端创建连接。
`public void updateSession(OmniRealtimeConfig config)`	session.updated 会话配置已更新	用于更新会话配置，建议在连接建立后首先调用该方法进行设置。若未调用该方法，系统将使用默认配置。只需关注请求参数中的涉及到的参数。
`public void appendAudio(String audioBase64)`	无	将Base64编码后的音频数据片段追加到云端输入音频缓冲区。请求参数`enableTurnDetection`设为`true`，音频缓冲区用于检测语音，服务端决定何时提交。请求参数`enableTurnDetection`设为`false`，客户端可以选择每个事件中放置多少音频量，最多放置 15 MiB。例如，从客户端流式处理较小的数据块可以让 VAD 响应更迅速。
`public void commit()`	input_audio_buffer.committed 服务端收到提交的音频	提交之前通过append添加到云端缓冲区的音视频，如果输入的音频缓冲区为空将产生错误。禁用场景：请求参数`enableTurnDetection`设为`true`时。
`public void endSession() throws InterruptedException`	session.finished 服务端完成语音识别，结束会话	通知服务端结束会话，服务端收到会话结束通知后将完成最后的语音识别。调用时机： VAD 模式（默认）下，发送完音频后调用该方法 Manual 模式下，调用commit方法之后调用该方法 `endSessionAsync` 是 `endSession` 的异步版本，两者功能完全相同。
`public void close()`	无	终止任务，并关闭连接。
`public String getSessionId()`	无	获取当前任务的session_id。
`public String getResponseId()`	无	获取最近一次response的response_id。

回调接口（OmniRealtimeCallback）

服务端会通过回调的方式，将服务端响应事件和数据返回给客户端。

继承此类并实现相应方法以处理服务端事件。

通过import com.alibaba.dashscope.audio.omni.OmniRealtimeCallback;引入。

方法签名 参数说明

方法签名	参数	说明
`public void onOpen()`	无	WebSocket连接成功建立时触发。
`public abstract void onEvent(JsonObject message)`	message：服务端事件	收到服务端事件时触发。
`public abstract void onClose(int code, String reason)`	code：状态码 reason：WebSocket连接关闭时的日志信息	WebSocket连接关闭时触发。

public void onOpen()

无

WebSocket连接成功建立时触发。

public abstract void onEvent(JsonObject message)

message：服务端事件

收到服务端事件时触发。

public abstract void onClose(int code, String reason)

code：状态码

reason：WebSocket连接关闭时的日志信息

WebSocket连接关闭时触发。