非实时语音识别（Qwen-Audio-ASR）HTTP API-大模型服务平台百炼(Model Studio)-阿里云帮助中心

本文介绍Qwen-Audio-ASR非实时语音识别HTTP API的参数和接口细节。

关于支持的音频格式、文件大小限制、时长限制等输入要求，请参见音频规格。

接口地址

华北2（北京）

POST https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation

调用时请将{WorkspaceId}替换为真实的Workspace ID。

新加坡

POST https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation

调用时请将{WorkspaceId}替换为真实的Workspace ID。

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

请求头

参数	类型	是否必选	说明
`Authorization`	`string`	是	鉴权令牌，格式为`Bearer <your_api_key>`，使用时将"`<your_api_key>`"替换为实际的API Key。
`Content-Type`	`string`	是	请求参数的媒体类型，固定为`application/json`。
`X-DashScope-SSE`	`string`	否	用于控制是否请求流式返回。设置为 `enable` 时请求 SSE 流式返回；设置为 `disable` 或不传该参数则仅返回最终结果。说明仅适用于 `qwen-audio-3.0-asr-flash`：音频时长不少于 1 分钟时才以 SSE 流式方式返回结果。

请求参数

modelstring（必选）

模型名称。

inputobject（必选）

输入信息。

属性

messagesarray(object)（必选）

消息列表。包含当前待识别的音频，以及可选的对话上下文（用于提升识别效果）。

重要上下文功能用于提升专有词汇的识别准确率，使用方法详见上下文增强。

上下文消息（input_text 和 text 类型）各最多 5 条，超出时保留最近的 5 条。每轮上下文文本总长度（user 和 assistant 的 text 字段长度之和）不超过 400 个字符（按字符数计算，每个字符计为 1），超出部分从末尾截断。

重要携带上下文时，messages 中的消息顺序有要求：上下文消息必须按对话轮次排列，每轮中 user（input_text 类型）必须在对应的 assistant（text 类型）之前；包含 input_audio 的 user 消息必须放在 messages 数组的最后。

属性

rolestring（必选）

消息角色。取值范围：

user（必选）：用户消息。type为input_audio时表示当前待识别的音频；type为input_text时表示前几轮的识别结果或领域相关的词表（可选，上下文）。
assistant（可选，上下文）：前几轮大语言模型的回复内容。

contentarray(object)（必选）

消息内容列表。

属性

typestring（必选）

内容类型。每个请求至少需要一条input_audio类型的消息。取值范围：

input_audio（必选）：当前待识别的音频输入（role为user），需同时传入input_audio对象。
input_text（可选，上下文）：前几轮用户语音的识别结果或领域相关的词表（role为user），需同时传入text字段。
text（可选，上下文）：前几轮大语言模型的回复内容（role为assistant），需同时传入text字段。

input_audioobject（条件必选）

当type为input_audio时必填。

属性

datastring（必选）

待识别音频数据。关于支持的音频格式、文件大小限制、时长限制等输入要求，请参见音频规格。支持以下两种方式：

音频文件URL：直接传入可公开访问的音频文件地址。
Base64 Data URI：采用Data URI格式传入Base64编码的音频数据，值由data:{MIME_TYPE};base64,前缀与Base64编码的音频数据拼接而成。支持的MIME类型包括audio/wav、audio/mp3等。

示例（URL方式）：https://example.com/audio/sample.wav

示例（Base64方式）：data:audio/wav;base64,{BASE64_ENCODED_DATA}

textstring（条件必选）

当type为input_text时，填入前几轮用户语音的识别结果或领域相关的词表；当type为text时，填入前几轮大语言模型的回复内容。文本按字符数计算，每个字符计为 1。每轮上下文中所有消息的 text 字段长度之和不超过 400 个字符，超出部分从末尾截断。

parametersobject（必选）

模型参数。

说明qwen-audio-3.0-asr-flash 的润色顺滑功能默认关闭，暂未开放。qwen-audio-3.1-asr-flash 支持原生文本润色。

润色顺滑：模型在识别语音的同时，自动清理无意义语气词和口吃重复，处理说话过程中的自我纠正，理顺口语表达，并规范标点与文本格式。输出结果更加简洁、流畅、易读，同时尽可能保留用户的最终意图和关键信息。

属性

speaker_diarization_enabled boolean （可选）

说明仅适用于 qwen-audio-3.1-asr-flash。

是否启用说话人分离，默认值为 false。设为 true 时，通过响应中的 speaker_id 区分说话人，并返回 output.sentences。开启后，keep_dialect 和 language_hints 不生效。

keep_dialect boolean （可选）

说明仅适用于 qwen-audio-3.1-asr-flash。

是否保留方言表达，默认值为 false。false：将方言转写为普通话文本；true：保留方言表达。

formatstring（必选）

音频格式。根据实际音频格式填写，支持wav、mp3、opus等。详情请参见音频规格。

sample_ratestring（可选）

音频采样率，单位Hz。例如16000表示16kHz采样率。详情请参见音频规格。

vocabulary_idstring（可选）

预编译热词列表 ID。

需预先调用创建热词列表接口生成，识别时传入该 ID 即可使用列表中的热词。

适用于词汇已知且相对稳定、需要跨请求复用同一词表的场景。

使用方法请参见预编译热词。

vocabularyobject（可选）

即时热词。

以键值对形式传入，键为热词文本（string），值为热词权重（integer），无需预先创建热词列表。权重取值范围为 [1, 5] 或 50：取 [1, 5] 时值越大模型越倾向输出该词；取 50 时为超级热词，召回率大幅提升，但超级热词数量最多不超过 50 个。

适用于临时性、会话级别的热词优化。

与预编译热词同时配置时，系统会合并两类热词；合并后超过 2000 个时，随机选择 2000 个使用。使用方法请参见即时热词。

language_hints array[string]（可选）

设置待识别语言代码。如果无法提前确定语种，可不设置，模型会自动识别语种。最多支持设置 4 个值，超出时仅前 4 个生效。

指定语种代码可提升识别准确率。

支持的语言代码

zh: 中文
en: 英文
ja: 日语
ko: 韩语
vi: 越南语
th: 泰语
id: 印尼语
ms: 马来语
tl: 菲律宾语
hi: 印地语
ar: 阿拉伯语
fr: 法语
de: 德语
es: 西班牙语
pt: 葡萄牙语
ru: 俄语
it: 意大利语
nl: 荷兰语
sv: 瑞典语
da: 丹麦语
fi: 芬兰语
no: 挪威语
el: 希腊语
pl: 波兰语
cs: 捷克语
hu: 匈牙利语
ro: 罗马尼亚语
bg: 保加利亚语
hr: 克罗地亚语
sk: 斯洛伐克语

qwen-audio-3.1-asr-flash 还支持以下语言代码：

tr: 土耳其语
fa: 波斯语
mr: 马拉地语
ml: 马拉雅拉姆语
ne: 尼泊尔语
ky: 吉尔吉斯语
az: 阿塞拜疆语
ka: 格鲁吉亚语
hy: 亚美尼亚语
sl: 斯洛文尼亚语
sq: 阿尔巴尼亚语
et: 爱沙尼亚语
lv: 拉脱维亚语
lt: 立陶宛语
ca: 加泰罗尼亚语
eu: 巴斯克语
gl: 加利西亚语
or: 奥里亚语
dv: 迪维希语
as: 阿萨姆语
ku: 库尔德语
tig: 提格雷语
fy: 西弗里西亚语
ba: 巴什基尔语
be: 白俄罗斯语
tt: 鞑靼语
ia: 国际语
mhr: 东马里语
tok: 道本语

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。

非流式

curl --location --request POST 'https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation' \
     --header "Authorization: Bearer $DASHSCOPE_API_KEY" \
     --header "Content-Type: application/json" \
     --header "X-DashScope-SSE: disable" \
     --data '{
    "model": "qwen-audio-3.1-asr-flash",
    "input": {
        "messages": [
            {
                "role": "user",
                "content": [
                    {
                        "type": "input_audio",
                        "input_audio": {
                            "data": "{YOUR_AUDIO_URL}"
                        }
                    }
                ]
            }
        ]
    },
    "parameters": {
        "format": "wav",
        "sample_rate": "16000"
    }
}'

流式

curl --location --request POST 'https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation' \
     --header "Authorization: Bearer $DASHSCOPE_API_KEY" \
     --header "Content-Type: application/json" \
     --header "X-DashScope-SSE: enable" \
     --data '{
    "model": "qwen-audio-3.1-asr-flash",
    "input": {
        "messages": [
            {
                "role": "user",
                "content": [
                    {
                        "type": "input_audio",
                        "input_audio": {
                            "data": "{YOUR_AUDIO_URL}"
                        }
                    }
                ]
            }
        ]
    },
    "parameters": {
        "format": "wav",
        "sample_rate": "16000"
    }
}'

携带上下文-非流式

curl --location --request POST 'https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation' \
     --header "Authorization: Bearer $DASHSCOPE_API_KEY" \
     --header "Content-Type: application/json" \
     --header "X-DashScope-SSE: disable" \
     --data '{
    "model": "qwen-audio-3.1-asr-flash",
    "input": {
        "messages": [
            {
                "role": "user",
                "content": [
                    {
                        "type": "input_text",
                        "text": "你好啊"
                    }
                ]
            },
            {
                "role": "assistant",
                "content": [
                    {
                        "type": "text",
                        "text": "你好啊，我是通义千问，有什么可以帮助你的？"
                    }
                ]
            },
            {
                "role": "user",
                "content": [
                    {
                        "type": "input_audio",
                        "input_audio": {
                            "data": "{YOUR_AUDIO_URL}"
                        }
                    }
                ]
            }
        ]
    },
    "parameters": {
        "format": "wav",
        "sample_rate": "16000"
    }
}'

携带上下文-流式

curl --location --request POST 'https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation' \
     --header "Authorization: Bearer $DASHSCOPE_API_KEY" \
     --header "Content-Type: application/json" \
     --header "X-DashScope-SSE: enable" \
     --data '{
    "model": "qwen-audio-3.1-asr-flash",
    "input": {
        "messages": [
            {
                "role": "user",
                "content": [
                    {
                        "type": "input_text",
                        "text": "你好啊"
                    }
                ]
            },
            {
                "role": "assistant",
                "content": [
                    {
                        "type": "text",
                        "text": "你好啊，我是通义千问，有什么可以帮助你的？"
                    }
                ]
            },
            {
                "role": "user",
                "content": [
                    {
                        "type": "input_audio",
                        "input_audio": {
                            "data": "{YOUR_AUDIO_URL}"
                        }
                    }
                ]
            }
        ]
    },
    "parameters": {
        "format": "wav",
        "sample_rate": "16000"
    }
}'

Base64

可输入Base64编码数据（Data URL），格式为：data:<mediatype>;base64,<data>。

<mediatype>：MIME类型

因音频格式而异，例如：
- WAV：audio/wav
- MP3：audio/mpeg
<data>：音频转成的Base64编码的字符串

Base64 编码会增大数据体积，音频文件的大小和时长限制请参见音频规格。

示例：data:audio/wav;base64,SUQzBAAAAAAAI1RTU0UAAAAPAAADTGF2ZjU4LjI5LjEwMAAAAAAAAAAAAAAA//PAxABQ/BXRbMPe4IQAhl9

python

import base64, pathlib

# 请替换为自己的音频文件路径，确保其符合音频要求
file_path = pathlib.Path("{YOUR_AUDIO_FILE}")
base64_str = base64.b64encode(file_path.read_bytes()).decode()
data_uri = f"data:audio/mpeg;base64,{base64_str}"

java

import java.nio.file.*;
import java.util.Base64;

public class Main {
    /**
     * 请替换为自己的音频文件路径，确保其符合音频要求
     */
    public static String toDataUrl(String filePath) throws Exception {
        byte[] bytes = Files.readAllBytes(Paths.get(filePath));
        String encoded = Base64.getEncoder().encodeToString(bytes);
        return "data:audio/mpeg;base64," + encoded;
    }

    public static void main(String[] args) throws Exception {
        System.out.println(toDataUrl("{YOUR_AUDIO_FILE}"));
    }
}

import base64, pathlib
import os
import requests

# 请替换为自己的音频文件路径，确保其符合音频要求
file_path = pathlib.Path("{YOUR_AUDIO_FILE}")
base64_str = base64.b64encode(file_path.read_bytes()).decode()
data_uri = f"data:audio/wav;base64,{base64_str}"

url = "https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation"

headers = {
    "Authorization": f"Bearer {os.environ['DASHSCOPE_API_KEY']}",
    "Content-Type": "application/json",
    "X-DashScope-SSE": "disable",
}

payload = {
    "model": "qwen-audio-3.1-asr-flash",
    "input": {
        "messages": [
            {
                "role": "user",
                "content": [
                    {
                        "type": "input_audio",
                        "input_audio": {
                            "data": data_uri,
                        },
                    }
                ],
            }
        ]
    },
    "parameters": {
        "format": "wav",
        "sample_rate": "16000",
    },
}

response = requests.post(url, headers=headers, json=payload)
print(response.status_code)
print(response.json())

即时热词

curl --location --request POST 'https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation' \
     --header "Authorization: Bearer $DASHSCOPE_API_KEY" \
     --header "Content-Type: application/json" \
     --header "X-DashScope-SSE: disable" \
     --data '{
    "model": "qwen-audio-3.1-asr-flash",
    "input": {
        "messages": [
            {
                "role": "user",
                "content": [
                    {
                        "type": "input_audio",
                        "input_audio": {
                            "data": "{YOUR_AUDIO_URL}"
                        }
                    }
                ]
            }
        ]
    },
    "parameters": {
        "format": "wav",
        "sample_rate": "16000",
        "vocabulary": {"张三": 5, "李四": 5}
    }
}'

响应参数

request_idstring

本次请求的唯一标识。

outputobject

输出结果。

属性

textstring

当前累积的完整识别文本。

sentences array[object]

说明仅适用于 qwen-audio-3.1-asr-flash。

开启说话人分离时返回。包含当前及历史句子的识别结果，每个元素的结构与 sentence 相同。

sentenceobject

当前句子的详细信息。

属性

speaker_id integer | null

说明仅适用于 qwen-audio-3.1-asr-flash。

说话人编号，用于区分不同说话人。开启说话人分离时返回编号，未开启时为 null。

sentence_idinteger

句子编号，从1开始。

sentence_endboolean

是否为该句的最终结果。为true时表示该句识别完成。

begin_timeinteger

句子开始时间，单位毫秒。

end_timeinteger

句子结束时间，单位毫秒。仅在sentence_end为true时返回。

textstring

当前句子的识别文本。

channel_idinteger

声道编号，从0开始。

wordsarray

词级别时间戳列表。

属性

speaker_id integer | null

说明仅适用于 qwen-audio-3.1-asr-flash。

词对应的说话人编号。开启说话人分离时返回编号，未开启时为 null。

textstring

词文本。

begin_timeinteger

词开始时间，单位毫秒。

end_timeinteger

词结束时间，单位毫秒。

punctuationstring

词后的标点符号。无标点时为空字符串。

fixedboolean

词是否已稳定。false表示后续事件中该词的时间戳可能调整。

usageobject

用量信息。仅在sentence_end为true时返回。

属性

durationinteger

已处理的音频时长，单位秒。

input_tokens integer

说明仅适用于 qwen-audio-3.1-asr-flash。

本次调用消耗的输入 Token 数。

output_tokens integer

说明仅适用于 qwen-audio-3.1-asr-flash。

本次调用消耗的输出 Token 数。

total_tokens integer

说明仅适用于 qwen-audio-3.1-asr-flash。

本次调用消耗的总 Token 数，等于 input_tokens 与 output_tokens 之和。

非流式

{
    "output": {
        "sentence": {
            "begin_time": 760,
            "channel_id": 0,
            "end_time": 3800,
            "sentence_end": true,
            "sentence_id": 1,
            "text": "Hello World，这里是阿里巴巴语音实验室。",
            "words": [
                {"begin_time": 760, "end_time": 1040, "fixed": true, "punctuation": "", "text": "Hello"},
                {"begin_time": 1040, "end_time": 1240, "fixed": true, "punctuation": "，", "text": " World"},
                {"begin_time": 1360, "end_time": 1880, "fixed": true, "punctuation": "", "text": "这里是"},
                {"begin_time": 1880, "end_time": 2520, "fixed": true, "punctuation": "", "text": "阿里巴巴"},
                {"begin_time": 2520, "end_time": 2840, "fixed": true, "punctuation": "", "text": "语音"},
                {"begin_time": 2840, "end_time": 3800, "fixed": true, "punctuation": "。", "text": "实验室"}
            ]
        },
        "text": "Hello World，这里是阿里巴巴语音实验室。"
    },
    "usage": {
        "duration": 4
    },
    "request_id": "40e0734d-096f-9ae3-86c1-a8c013287561"
}

流式

SSE 流式响应的事件格式如下：

id:{序列号}
event:result
:HTTP_STATUS/200
data:{JSON数据}

返回示例：

id:1
event:result
:HTTP_STATUS/200
data:{"output":{"sentence":{"sentence_id":1,"sentence_end":true,"end_time":3800,"words":[{"end_time":1040,"punctuation":"","begin_time":760,"fixed":true,"text":"Hello"},{"end_time":1240,"punctuation":"，","begin_time":1040,"fixed":true,"text":" World"},{"end_time":1880,"punctuation":"","begin_time":1360,"fixed":true,"text":"这里是"},{"end_time":2520,"punctuation":"","begin_time":1880,"fixed":true,"text":"阿里巴巴"},{"end_time":2840,"punctuation":"","begin_time":2520,"fixed":true,"text":"语音"},{"end_time":3800,"punctuation":"。","begin_time":2840,"fixed":true,"text":"实验室"}],"begin_time":760,"text":"Hello World，这里是阿里巴巴语音实验室。","channel_id":0},"text":"Hello World，这里是阿里巴巴语音实验室。"},"usage":{"duration":4},"request_id":"fc1582e4-935c-9fc2-a482-a98bf43daa69"}

SSE 流式结果处理逻辑

在流式模式下，客户端需关注以下处理要点：

每收到一个SSE事件，解析data字段中的JSON。
对于 qwen-audio-3.0-asr-flash，通过 output.sentence.sentence_end 判断当前句子是否结束：当该值为 true 时，该句识别完成，词级时间戳已稳定，可作为最终结果使用；当该值为 false 时，识别仍在进行中，文本和时间戳可能在后续事件中更新。
usage 信息仅在句子结束事件中返回，包含音频处理时长。对于 qwen-audio-3.1-asr-flash，还包含本次调用的输入、输出和总 Token 数，该模型按 Token 计费。

对于 qwen-audio-3.1-asr-flash，未开启说话人分离时，词级时间戳在 output.sentence.words[i].fixed 为 true 后才固定；在此之前，时间戳仍可能调整。开启说话人分离时，应读取 output.sentences 中当前及历史句子的结果。

上一篇: Qwen-Audio-ASR 下一篇: Android SDK