非实时语音识别模型能将录制好的音频转换为文本,支持多语言识别、歌唱识别、噪声拒识、说话人分离等功能,适用于会议转写、通话分析、字幕生成等场景。
概述
通过异步任务对录制好的音视频文件进行批量转写。
- 支持上下文增强,通过配置上下文提高识别准确率
- 支持自定义热词,通过预设词表提升专有名词识别准确率
- 支持说话人分离、敏感词过滤、句子/词语级时间戳等可配置功能
- 支持单个时长不超过 12 小时、体积不超过 2GB 的音频文件异步转写
- 支持任意采样率,兼容 aac、wav、mp3 等多种主流音视频格式
实时场景(直播字幕、在线会议、语音助手等)可使用实时语音识别。各模型选型建议请参见语音识别。
前提条件
- 已获取与配置 API Key并将其配置到环境变量。
- 如果通过 DashScope SDK 调用,需要安装最新版SDK。
快速开始
重要非实时语音识别中,Qwen-Audio-3.x-ASR-Flash-Filetrans、Fun-ASR、Qwen3-ASR-Flash-Filetrans和Paraformer为异步调用,请求头需设置 X-DashScope-Async: enable,提交任务后通过查询接口轮询获取结果;其他模型(如Fun-ASR-Flash、Qwen3-ASR-Flash)为同步调用。
如果您调用独享部署的模型服务时收到报错 current user api does not support asynchronous calls,表示该部署仅支持同步调用,请将请求头改为 X-DashScope-Async: disable(其余调用方式保持不变)。
Qwen-Audio-3.x-ASR-Flash-Filetrans/ Fun-ASR
音视频文件较大,文件转写 API 采用异步调用:提交任务后通过查询接口轮询状态,任务完成后获取识别结果。
cURL
使用 cURL 调用时,先提交任务获取 task_id,再通过该 ID 查询任务执行结果。
提交任务
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Workspace ID,各地域的配置不同。
curl -X POST 'https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api/v1/services/audio/asr/transcription' \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H "Content-Type: application/json" \
-H "X-DashScope-Async: enable" \
-d '{
"model": "qwen-audio-3.1-asr-flash-filetrans",
"input": {
"file_urls": [
"{YOUR_AUDIO_URL}"
]
},
"parameters": {
"channel_id": [0],
"language_hints": ["zh", "en"]
}
}'
获取任务执行结果
此查询接口默认 20 QPS、最高可扩容到 100 QPS。如需更高频次或避免轮询限流,建议配置异步任务回调(参见 高并发场景:使用回调替代轮询)。
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Workspace ID,各地域的配置不同。
curl -X GET 'https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api/v1/tasks/{task_id}' \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H "Content-Type: application/json"
下载识别结果
任务成功后,查询接口返回的 output.results[].transcription_url 指向公网可下载的 JSON 文件,包含完整识别结果。该 URL 默认在 24 小时内有效,请及时下载并落盘保存。
# 将 {transcription_url} 替换为查询接口返回的 transcription_url 值
curl -sS '{transcription_url}' -o transcription.json
cat transcription.json | jq .
Python
from http import HTTPStatus
from dashscope.audio.asr import Transcription
from urllib import request
import dashscope
import os
import json
# 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。
dashscope.base_http_api_url = 'https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api/v1'
# 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,请用阿里云百炼API Key将下行替换为:dashscope.api_key = "sk-xxx"
dashscope.api_key = os.getenv("DASHSCOPE_API_KEY")
task_response = Transcription.async_call(
model='qwen-audio-3.1-asr-flash-filetrans',
file_urls=['{YOUR_AUDIO_URL}'],
language_hints=['zh', 'en'] # language_hints为可选参数,用于指定待识别音频的语言代码。取值范围请参见API参考文档。
)
transcription_response = Transcription.wait(task=task_response.output.task_id)
if transcription_response.status_code == HTTPStatus.OK:
for transcription in transcription_response.output['results']:
if transcription['subtask_status'] == 'SUCCEEDED':
url = transcription['transcription_url']
result = json.loads(request.urlopen(url).read().decode('utf8'))
print(json.dumps(result, indent=4,
ensure_ascii=False))
else:
print('transcription failed!')
print(transcription)
else:
print('Error: ', transcription_response.output.message)
Java
import com.alibaba.dashscope.audio.asr.transcription.*;
import com.alibaba.dashscope.utils.Constants;
import com.google.gson.*;
import java.io.BufferedReader;
import java.io.InputStreamReader;
import java.net.HttpURLConnection;
import java.net.URL;
import java.util.Arrays;
import java.util.List;
public class Main {
public static void main(String[] args) {
// 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。
Constants.baseHttpApiUrl = "https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api/v1";
// 创建转写请求参数。
TranscriptionParam param =
TranscriptionParam.builder()
// 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,请用阿里云百炼API Key将下行替换为:.apiKey("sk-xxx")
.apiKey(System.getenv("DASHSCOPE_API_KEY"))
.model("qwen-audio-3.1-asr-flash-filetrans")
// language_hints为可选参数,用于指定待识别音频的语言代码。取值范围请参见API参考文档。
.parameter("language_hints", new String[]{"zh", "en"})
.fileUrls(
Arrays.asList(
"{YOUR_AUDIO_URL}"))
.build();
try {
Transcription transcription = new Transcription();
// 提交转写请求
TranscriptionResult result = transcription.asyncCall(param);
System.out.println("RequestId: " + result.getRequestId());
// 检查任务是否提交成功
if (result.getTaskId() == null) {
System.out.println("Error: " + result.getOutput());
System.exit(1);
}
// 阻塞等待任务完成并获取结果
result = transcription.wait(
TranscriptionQueryParam.FromTranscriptionParam(param, result.getTaskId()));
// 获取转写结果
List<TranscriptionTaskResult> taskResultList = result.getResults();
if (taskResultList != null && taskResultList.size() > 0) {
for (TranscriptionTaskResult taskResult : taskResultList) {
String transcriptionUrl = taskResult.getTranscriptionUrl();
HttpURLConnection connection =
(HttpURLConnection) new URL(transcriptionUrl).openConnection();
connection.setRequestMethod("GET");
connection.connect();
BufferedReader reader =
new BufferedReader(new InputStreamReader(connection.getInputStream()));
Gson gson = new GsonBuilder().setPrettyPrinting().create();
JsonElement jsonResult = gson.fromJson(reader, JsonObject.class);
System.out.println(gson.toJson(jsonResult));
}
}
} catch (Exception e) {
System.out.println("error: " + e);
}
System.exit(0);
}
}
完整的识别结果会以JSON格式打印在控制台。完整结果包含转换后的文本以及文本在音视频文件中的起始、结束时间(以毫秒为单位)。
- 识别结果
{
"file_url": "{YOUR_AUDIO_URL}",
"properties": {
"audio_format": "pcm_s16le",
"channels": [
0
],
"original_sampling_rate": 16000,
"original_duration_in_milliseconds": 3834
},
"transcripts": [
{
"channel_id": 0,
"content_duration_in_milliseconds": 2480,
"text": "Hello World,这里是阿里巴巴语音实验室。",
"sentences": [
{
"begin_time": 760,
"end_time": 3240,
"text": "Hello World,这里是阿里巴巴语音实验室。",
"sentence_id": 1,
"words": [
{
"begin_time": 760,
"end_time": 1000,
"text": "Hello",
"punctuation": ""
},
{
"begin_time": 1000,
"end_time": 1120,
"text": " World",
"punctuation": ","
},
{
"begin_time": 1400,
"end_time": 1920,
"text": "这里是",
"punctuation": ""
},
{
"begin_time": 1920,
"end_time": 2520,
"text": "阿里巴巴",
"punctuation": ""
},
{
"begin_time": 2520,
"end_time": 2840,
"text": "语音",
"punctuation": ""
},
{
"begin_time": 2840,
"end_time": 3240,
"text": "实验室",
"punctuation": "。"
}
]
}
]
}
]
}
Qwen-Audio-3.x-ASR-Flash/ Fun-ASR-Flash
Qwen-Audio-3.x-ASR-Flash/Fun-ASR-Flash 系列模型支持同步调用,适用于 5 分钟以内的音频文件,可流式或非流式返回识别结果。
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Workspace ID,各地域的配置不同。
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"
}
}'
重要注意:Qwen-Audio-3.x-ASR-Flash/Fun-ASR-Flash 系列模型通过 DashScope 同步调用接口(multimodal-generation 端点)返回的响应结构与标准 DashScope 多模态接口格式不同。实际返回结构为:
{
"output": {
"output": {
"sentence": {
"text": "识别文本内容"
}
},
"text": "Hello World,这里是阿里巴巴语音实验室。"
},
"request_id": "..."
}
其中 output.output.sentence.text 和顶层 output.text 为识别文本字段,无 choices 字段。请据此解析响应。
Paraformer
Paraformer示例代码和Fun-ASR的异步调用相似,将model替换成Paraformer模型名即可。
进阶功能
使用OpenAI兼容API
重要美国地域不支持OpenAI兼容模式。
仅Qwen3-ASR-Flash系列模型支持OpenAI兼容方式调用。OpenAI兼容方式仅允许输入公网可访问的音频文件URL,不支持输入本地音频文件绝对路径。
OpenAI Python SDK 版本应不低于1.52.0, Node.js SDK 版本应不低于 4.68.0。安装/升级命令:
# Python
pip install -U "openai>=1.52.0"
# Node.js
npm install openai@^4.68.0
asr_options非OpenAI标准参数。使用 OpenAI Python SDK 时,请通过 extra_body 传入;使用 Node.js OpenAI SDK 时,直接将 asr_options 作为请求体的顶层参数传入。
输入内容:音频文件URL
Python SDK
from openai import OpenAI
import os
try:
client = OpenAI(
# 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,请用阿里云百炼API Key将下行替换为:api_key = "sk-xxx",
api_key=os.getenv("DASHSCOPE_API_KEY"),
# 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。
base_url="https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/compatible-mode/v1",
)
stream_enabled = False # 是否开启流式输出
completion = client.chat.completions.create(
model="qwen3-asr-flash",
messages=[
{
"content": [
{
"type": "input_audio",
"input_audio": {
"data": "{YOUR_AUDIO_URL}"
}
}
],
"role": "user"
}
],
stream=stream_enabled,
# stream设为False时,不能设置stream_options参数
# stream_options={"include_usage": True},
extra_body={
"asr_options": {
# "language": "zh",
"enable_itn": False
}
}
)
if stream_enabled:
full_content = ""
print("流式输出内容为:")
for chunk in completion:
# 如果stream_options.include_usage为True,则最后一个chunk的choices字段为空列表,需要跳过(可以通过chunk.usage获取 Token 使用量)
print(chunk)
if chunk.choices and chunk.choices[0].delta.content:
full_content += chunk.choices[0].delta.content
print(f"完整内容为:{full_content}")
else:
print(f"非流式输出内容为:{completion.choices[0].message.content}")
except Exception as e:
print(f"错误信息:{e}")
Node.js SDK
// 运行前的准备工作:
// Windows/Mac/Linux 通用:
// 1. 确保已安装 Node.js (建议版本 >= 14)
// 2. 运行以下命令安装必要的依赖: npm install openai
import OpenAI from "openai";
const client = new OpenAI({
// 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,请用阿里云百炼API Key将下行替换为:apiKey: "sk-xxx",
apiKey: process.env.DASHSCOPE_API_KEY,
// 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。
baseURL: "https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/compatible-mode/v1",
});
async function main() {
try {
const streamEnabled = false; // 是否开启流式输出
const completion = await client.chat.completions.create({
model: "qwen3-asr-flash",
messages: [
{
role: "user",
content: [
{
type: "input_audio",
input_audio: {
data: "{YOUR_AUDIO_URL}"
}
}
]
}
],
stream: streamEnabled,
// stream设为False时,不能设置stream_options参数
// stream_options: {
// "include_usage": true
// },
asr_options: {
// language: "zh",
enable_itn: false
}
});
if (streamEnabled) {
let fullContent = "";
console.log("流式输出内容为:");
for await (const chunk of completion) {
console.log(JSON.stringify(chunk));
if (chunk.choices && chunk.choices.length > 0) {
const delta = chunk.choices[0].delta;
if (delta && delta.content) {
fullContent += delta.content;
}
}
}
console.log(`完整内容为:${fullContent}`);
} else {
console.log(`非流式输出内容为:${completion.choices[0].message.content}`);
}
} catch (err) {
console.error(`错误信息:${err}`);
}
}
main();
cURL
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Workspace ID,各地域的配置不同。
curl -X POST 'https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/compatible-mode/v1/chat/completions' \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "qwen3-asr-flash",
"messages": [
{
"content": [
{
"type": "input_audio",
"input_audio": {
"data": "{YOUR_AUDIO_URL}"
}
}
],
"role": "user"
}
],
"stream":false,
"asr_options": {
"enable_itn": false
}
}'
输入内容:Base64编码的音频文件
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
- WAV:
-
<data>:音频转成的Base64编码的字符串Base64编码会增大体积,请控制原文件大小,确保编码后仍符合输入音频大小限制(10MB)
-
示例:
data:audio/mpeg;base64,SUQzBAAAAAAAI1RTU0UAAAAPAAADTGF2ZjU4LjI5LjEwMAAAAAAAAAAAAAAA//PAxABQ/BXRbMPe4IQAhl9点击查看示例代码
import base64, pathlib # input.mp3为待识别的本地音频文件,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}"import java.nio.file.*; import java.util.Base64; public class Main { /** * filePath为待识别的本地音频文件,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; } // 使用示例 public static void main(String[] args) throws Exception { System.out.println(toDataUrl("{YOUR_AUDIO_FILE}")); } }
import base64
from openai import OpenAI
import os
import pathlib
try:
# 请替换为实际的音频文件路径
file_path = "{YOUR_AUDIO_FILE}"
# 请替换为实际的音频文件MIME类型
audio_mime_type = "audio/mpeg"
file_path_obj = pathlib.Path(file_path)
if not file_path_obj.exists():
raise FileNotFoundError(f"音频文件不存在: {file_path}")
base64_str = base64.b64encode(file_path_obj.read_bytes()).decode()
data_uri = f"data:{audio_mime_type};base64,{base64_str}"
client = OpenAI(
# 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,请用阿里云百炼API Key将下行替换为:api_key = "sk-xxx",
api_key=os.getenv("DASHSCOPE_API_KEY"),
# 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。
base_url="https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/compatible-mode/v1",
)
stream_enabled = False # 是否开启流式输出
completion = client.chat.completions.create(
model="qwen3-asr-flash",
messages=[
{
"content": [
{
"type": "input_audio",
"input_audio": {
"data": data_uri
}
}
],
"role": "user"
}
],
stream=stream_enabled,
# stream设为False时,不能设置stream_options参数
# stream_options={"include_usage": True},
extra_body={
"asr_options": {
# "language": "zh",
"enable_itn": False
}
}
)
if stream_enabled:
full_content = ""
print("流式输出内容为:")
for chunk in completion:
# 如果stream_options.include_usage为True,则最后一个chunk的choices字段为空列表,需要跳过(可以通过chunk.usage获取 Token 使用量)
print(chunk)
if chunk.choices and chunk.choices[0].delta.content:
full_content += chunk.choices[0].delta.content
print(f"完整内容为:{full_content}")
else:
print(f"非流式输出内容为:{completion.choices[0].message.content}")
except Exception as e:
print(f"错误信息:{e}")
// 运行前的准备工作:
// Windows/Mac/Linux 通用:
// 1. 确保已安装 Node.js (建议版本 >= 14)
// 2. 运行以下命令安装必要的依赖: npm install openai
import OpenAI from "openai";
import { readFileSync } from 'fs';
const client = new OpenAI({
// 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,请用阿里云百炼API Key将下行替换为:apiKey: "sk-xxx",
apiKey: process.env.DASHSCOPE_API_KEY,
// 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。
baseURL: "https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/compatible-mode/v1",
});
const encodeAudioFile = (audioFilePath) => {
const audioFile = readFileSync(audioFilePath);
return audioFile.toString('base64');
};
// 请替换为实际的音频文件路径
const dataUri = `data:audio/mpeg;base64,${encodeAudioFile("{YOUR_AUDIO_FILE}")}`;
async function main() {
try {
const streamEnabled = false; // 是否开启流式输出
const completion = await client.chat.completions.create({
model: "qwen3-asr-flash",
messages: [
{
role: "user",
content: [
{
type: "input_audio",
input_audio: {
data: dataUri
}
}
]
}
],
stream: streamEnabled,
// stream设为False时,不能设置stream_options参数
// stream_options: {
// "include_usage": true
// },
asr_options: {
// language: "zh",
enable_itn: false
}
});
if (streamEnabled) {
let fullContent = "";
console.log("流式输出内容为:");
for await (const chunk of completion) {
console.log(JSON.stringify(chunk));
if (chunk.choices && chunk.choices.length > 0) {
const delta = chunk.choices[0].delta;
if (delta && delta.content) {
fullContent += delta.content;
}
}
}
console.log(`完整内容为:${fullContent}`);
} else {
console.log(`非流式输出内容为:${completion.choices[0].message.content}`);
}
} catch (err) {
console.error(`错误信息:${err}`);
}
}
main();
长音频文件处理
非实时语音识别支持长音频文件异步转写,适用于会议记录、访谈整理、通话回放等场景。
限制说明:- Qwen-Audio-3.x-ASR-Flash-Filetrans/Fun-ASR / Qwen3-ASR-Flash-Filetrans / Paraformer:单个音频文件大小不超过 2GB,时长不超过 12 小时。
- Qwen-Audio-3.1-ASR-Flash:单个音频文件大小不超过 2GB,时长不超过 5 分钟。
- Qwen-Audio-3.0-ASR-Flash/Fun-ASR-Flash/Qwen3-ASR-Flash:单个音频文件大小不超过 10MB,时长不超过 5 分钟。对于较长音频,请使用 Qwen-Audio-3.1-ASR-Flash-Filetrans、Fun-ASR 或Qwen3-ASR-Flash-Filetrans。
- 启用说话人分离时:建议音频时长不超过 2 小时,否则可能导致识别失败或超时。详见说话人分离。
调用方式:长音频转写采用异步任务模式,分三步:
- 提交转写任务,获取
task_id。 - 通过轮询接口查询任务状态(或使用 SDK 的等待方法阻塞等待)。
- 任务完成后从返回的 URL 下载识别结果 JSON。
具体代码示例请参见Qwen3-ASR-Flash-Filetrans的快速开始代码。
流式输出
Qwen-Audio-3.1-ASR-Flash 支持通过 HTTP SSE 流式返回识别结果,调用方式及返回结构请参见 HTTP API。
Qwen-Audio-3.0-ASR-Flash/Fun-ASR-Flash/Qwen3-ASR-Flash 支持流式输出:边识别边返回中间结果,适用于需要实时反馈进度的场景。
Qwen-Audio-3.x-ASR-Flash-Filetrans、Fun-ASR、Qwen3-ASR-Flash-Filetrans、Paraformer 等异步转写模型不支持流式输出,需通过任务轮询获取最终结果(详见长音频文件处理)。
启用方式:- DashScope Python SDK:设置
stream参数为True。 - DashScope Java SDK:通过
streamCall接口调用。 - DashScope HTTP:在 Header 中设置
X-DashScope-SSE为enable。 - OpenAI 兼容 SDK:设置
stream参数为True。
Qwen3-ASR-Flash 的流式输出示例请参见调用示例,选择“流式输出”标签。
使用热词提升准确率
支持通过热词提升特定领域专有名词(人名、地名、产品名等)的识别准确率。详细的创建和使用方法,请参见提升识别准确率。
不同 SDK 暴露上述参数的命名习惯不同(如字典 key、对象属性、方法等),完整字段对照请参见各 SDK 的 API 参考。
使用上下文增强提升准确率
支持上下文增强功能,可将对话历史传入 ASR 模型,显著提升专有词汇的转写准确率。详细的使用方法和效果示例,请参见上下文增强。
说话人分离
Qwen-Audio-3.1-ASR-Flash 使用 speaker_diarization_enabled 开启说话人分离,其参数和返回结构请参见 HTTP API。
说话人分离可自动识别音频中不同说话人,并在转写结果中为每个句子标注说话人标签,适用于多人会议、访谈录音等场景。
以下配置及示例适用于:Qwen-Audio-3.x-ASR-Flash-Filetrans、Fun-ASR 和 Paraformer 系列模型。
启用方式:在 API 请求参数中设置 diarization_enabled 为 true。识别结果中每个句子会包含 speaker_id 字段,标识不同说话人。
返回结构示例(节选):
{
"transcripts": [
{
"sentences": [
{ "begin_time": 100, "end_time": 3820, "text": "你好,我们今天讨论项目进度。", "speaker_id": 0 },
{ "begin_time": 3820, "end_time": 6500, "text": "好的,我先汇报一下。", "speaker_id": 1 }
]
}
]
}
不同 SDK 暴露上述字段的命名习惯不同(如字典 key、对象属性、方法等),完整字段对照请参见各 SDK 的 API 参考。
重要启用说话人分离功能时,建议音频时长不超过 2 小时,否则可能导致识别失败或超时(不启用时音频长度限制详见长音频文件处理)。说话人分离仅支持单声道音频。
完整字段定义请参见API参考。
敏感词过滤
敏感词过滤可对识别结果中的敏感词执行替换或移除,适用于客服质检、内容合规、字幕审核等场景。
支持范围:Qwen-Audio-3.x-ASR-Flash-Filetrans、Fun-ASR 与 Paraformer 系列模型。
默认行为:未传入 special_word_filter 参数时,系统启用内置的阿里云百炼敏感词表,匹配的词语会被替换为等长的 *。
自定义配置:special_word_filter 是 JSON 对象,包含三个子字段:
filter_with_signed.word_list:字符串数组,列出需要被替换为等长*的敏感词。例如["测试"],「帮我测试一下」会变成「帮我**一下」。filter_with_empty.word_list:字符串数组,列出需要从结果中完全移除的敏感词。例如["开始"],「比赛这就要开始了吗」会变成「比赛这就要了吗」。system_reserved_filter:布尔值,默认true。是否同时启用系统预置敏感词表(与自定义词表叠加生效)。
配置示例:
{
"special_word_filter": {
"filter_with_signed": {
"word_list": ["测试"]
},
"filter_with_empty": {
"word_list": ["开始", "发生"]
},
"system_reserved_filter": true
}
}
不同 SDK 暴露上述参数的命名习惯不同(如字典 key、对象属性、方法等),完整字段对照请参见 API参考。
情感识别
Qwen3-ASR-Flash-Filetrans 与Qwen3-ASR-Flash 系列模型固定开启情感识别,无需额外配置。识别结果中会附带说话人的情绪标签,取值为 7 类细粒度情绪:surprised(惊讶)、neutral(平静)、happy(愉快)、sad(悲伤)、disgusted(厌恶)、angry(愤怒)、fearful(恐惧)。
字段路径(因接口而异):
- OpenAI 兼容接口(Qwen3-ASR-Flash 实时转写):嵌套在
choices[].delta.annotations[].emotion(流式输出)或choices[].message.annotations[].emotion(非流式)。 - DashScope 同步调用接口(Qwen3-ASR-Flash):嵌套在
output.choices[].message.annotations[].emotion。 - DashScope 异步任务接口(Qwen3-ASR-Flash-Filetrans 录音文件转写):嵌套在
transcripts[].sentences[].emotion,与时间戳、说话人等字段并列在每个句子对象中。
返回结构示例(DashScope 异步任务接口节选):
{
"transcripts": [{
"sentences": [{
"begin_time": 0,
"end_time": 1440,
"text": "欢迎使用阿里云。",
"emotion": "neutral",
"language": "zh"
}]
}]
}
不同 SDK 暴露上述字段的命名习惯不同(如字典 key、对象属性、方法等),完整字段对照请参见API参考。
重要Qwen-Audio-3.x-ASR-Flash-Filetrans、Qwen-Audio-3.x-ASR-Flash、Fun-ASR-Flash、Fun-ASR 和 Paraformer 非实时模型暂不支持情感识别功能。如需在实时识别中使用情感识别,可参考 实时语音识别 的对应章节。
获取时间戳
Flash 流式结果的时间戳稳定条件及字段路径请参见 HTTP API 响应说明。
非实时语音识别支持在转写结果中输出时间戳,便于字幕生成、关键词高亮、音视频剪辑等场景。Qwen-Audio-3.x-ASR-Flash-Filetrans、Qwen-Audio-3.x-ASR-Flash、Fun-ASR、Fun-ASR-Flash、Qwen3-ASR-Flash-Filetrans、Paraformer 均支持,但各模型的时间戳默认行为和控制方式不同:
- Qwen-Audio-3.x-ASR-Flash-Filetrans/Qwen-Audio-3.x-ASR-Flash/Fun-ASR/Fun-ASR-Flash/Paraformer:时间戳功能固定开启,不可关闭。
- Qwen3-ASR-Flash-Filetrans:仅 DashScope 异步调用方式支持时间戳,时间戳功能固定开启。可通过请求参数
enable_words控制时间戳级别:设为false(默认)返回句级时间戳,设为true返回字级时间戳。字级别时间戳仅支持以下语种:中文、英语、日语、韩语、德语、法语、西班牙语、意大利语、葡萄牙语、俄语,其他语种可能无法保证准确性。
重要Qwen3-ASR-Flash 通过 OpenAI 兼容接口调用时,输出形态为 chat.completion,不返回时间戳字段。如需时间戳,请使用Qwen3-ASR-Flash-Filetrans(异步任务接口)。
时间戳单位均为毫秒,分两个层级返回:
- 句级:
sentences[].begin_time与sentences[].end_time,标识每个句子在音频中的起止时刻。 - 字级:
sentences[].words[]数组,每个元素包含begin_time、end_time与text(该字/词文本)。
返回结构示例(DashScope 异步任务接口节选):
{
"transcripts": [{
"sentences": [{
"begin_time": 100,
"end_time": 3820,
"text": "你好,我们今天讨论项目进度。",
"words": [
{ "begin_time": 100, "end_time": 596, "text": "你好" },
{ "begin_time": 596, "end_time": 844, "text": "我们" }
]
}]
}]
}
重要音频内时间戳是毫秒整数(如 100),与任务级 end_time(任务完成时间,字符串日期如 "2024-09-12 15:11:40.903")不是同一字段,请勿混淆。
不同 SDK 暴露上述字段的命名习惯不同(如字典 key、对象属性、方法等),完整字段对照请参见 API参考。
应用于生产环境
将非实时语音识别应用于生产环境时,以下最佳实践有助于提升识别效果和系统稳定性。
高并发场景:使用回调替代轮询
异步转写任务(Qwen-Audio-3.0-ASR-Flash-Filetrans、Fun-ASR、Qwen3-ASR-Flash-Filetrans、Paraformer)通过 POST /api/v1/services/audio/asr/transcription 提交后,通常做法是周期性调用查询接口 GET /api/v1/tasks/{task_id} 获取结果。该查询接口默认 20 QPS、最高可扩容至 100 QPS,在高并发批量场景下,频繁轮询易触发限流。
通过事件总线 EventBridge 配置回调通知,任务完成时阿里云百炼会自动推送 dashscope:System:AsyncTaskFinish 事件至您配置的目标(HTTP/HTTPS 端点或 RocketMQ Topic),消费端收到事件后无需再调用查询接口,从而规避因频繁轮询而被限流的风险。详情请参见配置 EventBridge 回调通知。
适用模型
- 适用模型:Qwen-Audio-3.0-ASR-Flash-Filetrans、Fun-ASR、Qwen3-ASR-Flash-Filetrans、Paraformer(均为异步转写任务)。
- 不适用:Qwen3-ASR-Flash(同步/流式调用,不属异步任务范畴)。
回调消息内容
三种模型的回调消息体中 data.contain_result 均为 true,data.output_result 直接携带 transcription_url,消费端收到回调后即可获取识别结果,无需再调用 GET /api/v1/tasks/{task_id}。但三个模型的结果字段路径与结构不同,详见下表。
说明编写消费端时请按使用的模型选择正确路径,不可写死为单一路径。失败场景下 data.output_result.output 不再含 results/result,而是含 code 与 message 字段,需先判断 data.task_status 再取结果。
模型 | 提交参数 | 结果字段路径(基于回调 Body) | usage 字段 |
|---|---|---|---|
Qwen-Audio-3.0-ASR-Flash-Filetrans、Fun-ASR |
|
|
|
Paraformer |
| 同 Qwen-Audio-3.0-ASR-Flash-Filetrans/Fun-ASR: |
|
Qwen3-ASR-Flash-Filetrans |
|
|
|
注意事项
安全(HTTP/HTTPS 投递方式):生产环境必须校验回调请求头中的 X-Eventbridge-Signature* 系列字段后再消费,否则任意外部 IP 都可伪造 AsyncTaskFinish 事件,注入虚假识别结果。建议同时为接收端设置至少 5 秒的接收超时。RocketMQ 投递方式无消息级签名,安全性由 RocketMQ 鉴权机制保证。
投递延迟:从任务结束(end_time)到投递目标(HTTP/HTTPS 端点或 RocketMQ Topic)收到消息,通常约 1–90 秒,具体延迟受 EventBridge 实时负载影响。
幂等性:同一事件可能因重试而被投递多次。消费端需实现幂等处理,建议以 CloudEvents data.id 或 data.task_id 作为去重键。
生产环境建议
- 文件托管:将音频文件上传至阿里云 OSS,通过 URL 方式调用,避免使用本地文件上传(本地文件调用上限 100 QPS,不支持扩容)。
- 异步轮询:长音频转写采用异步模式,建议设置合理的轮询间隔(如 2~5 秒),避免频繁查询消耗配额。如需突破 20–100 QPS 查询上限,可改用事件回调通知,详见高并发场景:使用回调替代轮询。
- 错误处理:实现完善的重试机制;网络超时或服务端临时错误(5xx)按指数退避策略重试。
- 降噪处理:噪声较大的音频建议先用 FFmpeg 等工具预处理后再提交识别。
- 模型选择:根据音频时长选择合适的模型。5 分钟以内的短音频使用Qwen3-ASR-Flash,超过 5 分钟的长音频使用 Qwen-Audio-3.1-ASR-Flash-Filetrans、Fun-ASR 或Qwen3-ASR-Flash-Filetrans。
支持的模型与地域
华北2(北京)
调用以下模型时,请选择北京地域的API Key:
- Qwen-Audio-3.1-ASR-Flash-Filetrans:qwen-audio-3.1-asr-flash-filetrans
- Qwen-Audio-3.0-ASR-Flash-Filetrans:qwen-audio-3.0-asr-flash-filetrans
- Qwen-Audio-3.1-ASR-Flash:qwen-audio-3.1-asr-flash
- Qwen-Audio-3.0-ASR-Flash:qwen-audio-3.0-asr-flash
- Fun-ASR:fun-asr(稳定版,当前等同fun-asr-2025-11-07)、fun-asr-2025-11-07(快照版)、fun-asr-2025-08-25(快照版)、fun-asr-mtl(稳定版,当前等同fun-asr-mtl-2025-08-25)、fun-asr-mtl-2025-08-25(快照版)
- Fun-ASR-Flash:fun-asr-flash-2026-06-15
- Qwen3-ASR-Flash-Filetrans:qwen3-asr-flash-filetrans(稳定版,当前等同qwen3-asr-flash-filetrans-2025-11-17)、qwen3-asr-flash-filetrans-2025-11-17(快照版)
- Qwen3-ASR-Flash:qwen3-asr-flash(稳定版,当前等同qwen3-asr-flash-2025-09-08)、qwen3-asr-flash-2026-02-10(最新快照版)、qwen3-asr-flash-2025-09-08(快照版)
- Paraformer:paraformer-v2、paraformer-8k-v2、paraformer-v1、paraformer-8k-v1、paraformer-mtl-v1
新加坡
调用以下模型时,请选择新加坡地域的API Key:
- Qwen-Audio-3.1-ASR-Flash-Filetrans:qwen-audio-3.1-asr-flash-filetrans
- Qwen-Audio-3.0-ASR-Flash-Filetrans:qwen-audio-3.0-asr-flash-filetrans
- Qwen-Audio-3.1-ASR-Flash:qwen-audio-3.1-asr-flash
- Qwen-Audio-3.0-ASR-Flash:qwen-audio-3.0-asr-flash
- Fun-ASR:fun-asr(稳定版,当前等同fun-asr-2025-11-07)、fun-asr-2025-11-07(快照版)、fun-asr-2025-08-25(快照版)、fun-asr-mtl(稳定版,当前等同fun-asr-mtl-2025-08-25)、fun-asr-mtl-2025-08-25(快照版)
- Fun-ASR-Flash:fun-asr-flash-2026-06-15
- Qwen3-ASR-Flash-Filetrans:qwen3-asr-flash-filetrans(稳定版,当前等同qwen3-asr-flash-filetrans-2025-11-17)、qwen3-asr-flash-filetrans-2025-11-17(快照版)
- Qwen3-ASR-Flash:qwen3-asr-flash(稳定版,当前等同qwen3-asr-flash-2025-09-08)、qwen3-asr-flash-2026-02-10(最新快照版)、qwen3-asr-flash-2025-09-08(快照版)
美国(弗吉尼亚)
调用以下模型时,请选择美国地域的API Key:
Qwen3-ASR-Flash:qwen3-asr-flash(稳定版,当前等同qwen3-asr-flash-2025-09-08)、qwen3-asr-flash-2025-09-08(快照版)
API参考
- 非实时语音识别-Qwen-Audio-3.x-ASR-Flash-Filetrans/Fun-ASR API参考
- 非实时语音识别-Qwen-Audio-3.x-ASR-Flash/Fun-ASR-Flash API参考
- 非实时语音识别-Qwen-ASR API参考
- 非实时语音识别-Paraformer API参考
常见问题
Q:如何为API提供公网可访问的音频URL?
推荐使用阿里云对象存储OSS,它提供了高可用、高可靠的存储服务,并且可以方便地生成公网访问URL。
在公网环境下验证生成的 URL 可正常访问:可在浏览器或通过 curl 命令访问该 URL,确保音频文件能够成功下载或播放(HTTP状态码为200)。
Q:如何检查音频格式是否符合要求?
可以使用开源工具ffprobe快速获取音频的详细信息:
# 查询音频的容器格式(format_name)、编码(codec_name)、采样率(sample_rate)、声道数(channels)
ffprobe -v error -show_entries format=format_name -show_entries stream=codec_name,sample_rate,channels -of default=noprint_wrappers=1 your_audio_file.mp3
Q:如何处理音频以满足模型要求?
可以使用开源工具FFmpeg对音频进行裁剪或格式转换:
- 音频裁剪:从长音频中截取片段
# -i: 输入文件
# -ss 00:01:30: 设置裁剪的起始时间 (从1分30秒开始)
# -t 00:02:00: 设置裁剪的持续时长 (裁剪2分钟)
# -c copy: 直接复制音频流,不重新编码,速度快
# output_clip.wav: 输出文件
ffmpeg -i long_audio.wav -ss 00:01:30 -t 00:02:00 -c copy output_clip.wav
-
格式转换
例如,将任意音频转换为16kHz、16-bit、单声道WAV文件
# -i: 输入文件
# -ac 1: 设置声道数为1 (单声道)
# -ar 16000: 设置采样率为16000Hz (16kHz)
# -sample_fmt s16: 设置采样格式为16-bit signed integer PCM
# output.wav: 输出文件
ffmpeg -i input.mp3 -ac 1 -ar 16000 -sample_fmt s16 output.wav
Q:如何提升识别准确率?
以下因素影响识别准确率,请逐项排查并针对性优化。
主要影响因素:
- 声音质量:录音设备品质、采样率及环境噪声直接影响音频清晰度,高质量音频输入是准确识别的基础
- 说话人特征:音调、语速、口音和方言差异(尤其少见方言或重口音)增加识别难度
- 语言和词汇:多语言混合、专业术语或俚语增加识别难度,可通过配置热词优化特定领域术语的准确率
优化方法:
- 优化音频质量:使用高性能麦克风,按推荐采样率录音,尽量减少环境噪声与回声
- 适配说话人:对于口音较重或方言明显的音频,选用支持对应方言的模型
- 配置热词:为专业术语、专有名词等设置热词
模型应用上架及备案
参见应用合规备案。