非实时语音识别

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

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"]
    }
}'

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"

# 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 .

import os
import json
import dashscope
from urllib import request

# 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。
client = dashscope.Client(
    # 若没有将API Key配置到环境变量中，请将下行替换为自己的API Key：api_key="sk-xxx"
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    workspace="{WorkspaceId}",
    region="cn-beijing",
)

# 提交录音文件识别任务并同步等待任务完成
job = client.audio.asr.transcribe(
    ['{YOUR_AUDIO_URL}'],
    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。
    parameters={'language_hints': ['zh', 'en']},
)

for result in job.results:
    if result.subtask_status == 'SUCCEEDED':
        url = result.transcription_url
        transcription = json.loads(request.urlopen(url).read().decode('utf8'))
        print(json.dumps(transcription, indent=4,
                        ensure_ascii=False))
    else:
        print('transcription failed!')
        print(result)

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);
    }
}

{
    "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": "。"
                        }
                    ]
                }
            ]
        }
    ]
}

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"
    }
}'

{
  "output": {
    "sentence": {
      "text": "识别文本内容"
    },
    "text": "识别文本内容"
  },
  "request_id": "..."
}

进阶功能

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。

• Qwen-Audio-ASR-Filetrans/Fun-ASR / Qwen3-ASR-Filetrans / Paraformer：单个音频文件大小不超过 2GB，时长不超过 12 小时。
• Qwen-Audio-ASR、Fun-ASR-Flash：单个音频文件大小不超过 2GB，时长不超过 5 分钟。
• 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-ASR-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：

1. 提交转写任务，获取 task_id。
2. 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）。
3. 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Qwen-Audio-ASR-Filetrans的快速开始代码。

流式输出

Qwen-Audio-ASR/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-ASR 和 Fun-ASR-Flash 的 HTTP SSE 调用方式及返回结构，请参见Qwen-Audio-ASR HTTP API和Fun-ASR-Flash HTTP API。

Qwen-Audio-ASR-Filetrans、Fun-ASR、Qwen3-ASR-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）。

• 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。

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-ASR-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。

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-ASR-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。

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 Qwen-Audio-ASR HTTP API和Fun-ASR-Flash HTTP API。

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-ASR-Filetrans、Qwen-Audio-ASR、Fun-ASR、Fun-ASR-Flash、Qwen3-ASR-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-ASR-Filetrans/Qwen-Audio-ASR/Fun-ASR/Fun-ASR-Flash/Paraformer：时间戳功能固定开启，不可关闭。
• Qwen3-ASR-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。

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" }
      ]
    }]
  }]
}

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-ASR-Filetrans、Fun-ASR、Qwen3-ASR-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-ASR-Filetrans、Fun-ASR、Qwen3-ASR-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。

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：5 分钟以内的短音频使用 Qwen-Audio-ASR；长音频或需要异步处理时使用 Qwen-Audio-ASR-Filetrans。

支持的模型与地域

API参考

• 非实时语音识别-Qwen-Audio-ASR-Filetrans API参考
• 非实时语音识别-Fun-ASR API参考
• 非实时语音识别-Qwen-Audio-ASR API参考
• 非实时语音识别-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：

1. 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
2. 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
3. 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：

1. 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
2. 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
3. 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。