Qwen-ASR eventos do cliente

Referência do cliente WebSocket

Eventos que você envia ao servidor durante um Qwen-ASR Sessão WebSocket em tempo real.

Conexão

Conecte-se a:

wss://maas.qwencloudapi.com/api-ws/v1/realtime?model={model_name}

Autentique com estes cabeçalhos:

Authorization: Bearer $DASHSCOPE_API_KEY
OpenAI-Beta: realtime=v1

Substituir {model_name} com um modelo compatível como qwen3-asr-flash-realtime e $DASHSCOPE_API_KEY com sua chave de API.

Para obter uma visão geral dos recursos e um exemplo de código, consulte Reconhecimento de fala em tempo real. Para eventos de servidor, consulte Eventos de servidor para Qwen-ASR-Realtime.

Ciclo de vida do evento

Uma sessão típica:

1. Abra uma conexão WebSocket.
2. Enviar session.update para definir o formato de áudio, idioma e opções de VAD.
3. Enviar input_audio_buffer.append repetidamente para transmitir áudio.
4. No modo Manual, envie input_audio_buffer.commit para acionar o reconhecimento. No modo VAD, o servidor aciona o reconhecimento automaticamente.
5. Enviar session.finish para encerrar a sessão. Desconecte após receber session.finished.

sessão.atualização

Envie logo após conectar para definir o formato de áudio, idioma e opções de detecção de atividade de voz (VAD). Os padrões se aplicam se omitidos.

Em caso de sucesso, o servidor responde com session.updated.

{
  "event_id": "event_123",
  "type": "session.update",
  "session": {
    "input_audio_format": "pcm",
    "sample_rate": 16000,
    "input_audio_transcription": {
      "language": "zh"
    },
    "turn_detection": {
      "type": "server_vad",
      "threshold": 0.0,
      "silence_duration_ms": 400
    }
  }
}

Valor fixo: session.update.

Um ID de evento exclusivo.

Configuração da sessão.

  Formato de codificação de áudio. Valores válidos: `pcm`, `opus`. Padrão: `pcm`.





  Taxa de amostragem em Hz. Valores válidos: `16000`, `8000`. Padrão: `16000`. Quando definido para `8000`, o servidor aumenta a amostragem para 16.000 Hz, o que adiciona menor latência. Usar `8000` apenas para fontes nativas de 8 kHz, como áudio de telefonia.





  Configurações de reconhecimento.

  

    

      Linguagem de áudio. Consulte [idiomas suportados](#supported-languages).
    


    

      Texto de contexto para [viés contextual](/developer-guides/speech/asr-realtime#core-usage-context-biasing-qwen3-asr-flash-realtime) – texto de fundo, listas de entidades ou material de referência que melhora a precisão. Máximo de 10.000 tokens.
    

  






  Configurações do VAD. Definir como `null` para desativar o [modo VAD](/developer-guides/speech/asr-realtime#interaction-flow-qwen3-asr-flash-realtime) e use [Modo manual](/developer-guides/speech/asr-realtime#interaction-flow-qwen3-asr-flash-realtime). Se presente, o modo VAD está ativado.

  

    

      Valor fixo: `server_vad`.
    


    

      Sensibilidade do DAV. Padrão: `0.2`. Intervalo válido: `[-1, 1]`. Valores mais baixos aumentam a sensibilidade, mas podem disparar com ruído de fundo. Valores mais altos reduzem a sensibilidade e evitam disparos falsos em ambientes ruidosos. Consulte [predefinições VAD recomendadas](#recommended-vad-presets).
    


    

      Duração do silêncio em milissegundos que marca o fim do enunciado. Padrão: `800`. Intervalo válido: `[200, 6000]`. Valores mais curtos (como 300 ms) aceleram as respostas, mas podem dividir as pausas no meio da frase. Valores mais longos (como 1.200 ms) lidam melhor com as pausas, mas adicionam latência. Consulte [predefinições VAD recomendadas](#recommended-vad-presets).

Predefinições VAD recomendadas

Comece com estas predefinições e ajuste conforme necessário:

Idiomas suportados

entrada_audio_buffer.append

Transmita pedaços de áudio para o buffer do servidor.

O comportamento difere de acordo com o modo:

• Modo VAD: O servidor monitora o buffer em busca de atividade de voz e aciona o reconhecimento automaticamente.

• Modo manual: Você controla os limites da expressão. Envie pedaços menores para menor latência.

  O audio campo é codificado em Base64. No modo Manual, tamanho máximo por evento: 15 MiB. O servidor não confirma este evento.

{
  "event_id": "event_2728",
  "type": "input_audio_buffer.append",
  "audio": "<Base64-encoded-audio-data>"
}

Valor fixo: input_audio_buffer.append.

Um ID de evento exclusivo.

Dados de áudio codificados em Base64.

entrada_audio_buffer.commit

Acione o reconhecimento de todo o áudio no buffer como uma única expressão. Use isto no modo Manual ao controlar os limites da expressão (como apertar para falar, onde o pressionamento de um botão marca o fim da fala).

Não disponível no modo VAD.

Em caso de sucesso, o servidor responde com input_audio_buffer.committed.

{
  "event_id": "event_789",
  "type": "input_audio_buffer.commit"
}

Valor fixo: input_audio_buffer.commit.

Um ID de evento exclusivo.

sessão.terminar

Encerre a sessão. A resposta do servidor depende se a fala foi detectada:

• Fala detectada: O servidor finaliza o reconhecimento, envia conversation.item.input_audio_transcription.completed com resultados, então session.finished.
• Nenhuma fala detectada: O servidor envia session.finished diretamente.

Depois de receber session.finished, desconecte o WebSocket.

{
  "event_id": "event_341",
  "type": "session.finish"
}

Valor fixo: session.finish.

Um ID de evento exclusivo.