Tradução de apoio para consulta. Código e identificadores técnicos preservados. Consultar referência original ↗

Qwen-ASR SDK Python em tempo real

Qwen Streaming ASR Python

Para modelos suportados, recursos e código de exemplo completo, consulte Reconhecimento de fala em tempo real.

Parâmetros de solicitação

Construtor OmniRealtimeConversation

Crie um OmniRealtimeConversation instância.

Clique para ver o código de amostra.

from dashscope.audio.qwen_omni import OmniRealtimeConversation, OmniRealtimeCallback

class MyCallback(OmniRealtimeCallback):
  """Callback for real-time recognition"""
  def __init__(self, conversation):
    self.conversation = conversation
    self.handlers = {
      'session.created': self._handle_session_created,
      'conversation.item.input_audio_transcription.completed': self._handle_final_text,
      'conversation.item.input_audio_transcription.text': self._handle_stash_text,
      'input_audio_buffer.speech_started': lambda r: print('======Speech Start======'),
      'input_audio_buffer.speech_stopped': lambda r: print('======Speech Stop======')
    }

  def on_open(self):
    print('Connection opened')

  def on_close(self, code, msg):
    print(f'Connection closed, code: {code}, msg: {msg}')

  def on_event(self, response):
    try:
      handler = self.handlers.get(response['type'])
      if handler:
        handler(response)
    except Exception as e:
      print(f'[Error] {e}')

  def _handle_session_created(self, response):
    print(f"Start session: {response['session']['id']}")

  def _handle_final_text(self, response):
    print(f"Final recognized text: {response['transcript']}")

  def _handle_stash_text(self, response):
    print(f"Got stash result: {response['stash']}")

conversation = OmniRealtimeConversation(
    model='qwen3-asr-flash-realtime',
    url='wss://maas.qwencloudapi.com/api-ws/v1/realtime',
    callback=MyCallback(conversation=None)  # Temporarily pass None and inject it later.
  )
# Inject self into the callback.
conversation.callback.conversation = conversation

Parâmetro	Tipo	Obrigatório	Descrição
`model`	`str`	Sim	Nome do modelo.
`callback`	`OmniRealtimeCallback`	Sim	Objeto de retorno de chamada que manipula eventos do servidor.
`url`	`str`	Sim	Ponto de extremidade WebSocket: `wss://maas.qwencloudapi.com/api-ws/v1/realtime`

Configuração da sessão

Defina os parâmetros da sessão após conectar.

Clique para ver o código de amostra.

from dashscope.audio.qwen_omni import MultiModality
from dashscope.audio.qwen_omni.omni_realtime import TranscriptionParams

transcription_params = TranscriptionParams(
  language='zh',
  sample_rate=16000,
  input_audio_format="pcm"
)

conversation.update_session(
  output_modalities=[MultiModality.TEXT],
  enable_turn_detection=True,
  turn_detection_type="server_vad",
  turn_detection_threshold=0.0,
  turn_detection_silence_duration_ms=400,
  enable_input_audio_transcription=True,
  transcription_params=transcription_params
)

Parâmetro	Tipo	Obrigatório	Descrição
`output_modalities`	`List[MultiModality]`	Sim	Tipo de saída. Corrigido para `[MultiModality.TEXT]`.
`enable_turn_detection`	`bool`	Não	Ativa o VAD do lado do servidor. Padrão: `True`. Se `False`, ligue `commit()` manualmente para acionar o reconhecimento.
`turn_detection_type`	`str`	Não	Tipo VAD. Corrigido para `server_vad`.
`turn_detection_threshold`	`float`	Não	Sensibilidade do DAV. Padrão: `0.2`. Recomendado: `0.0`. Alcance: `[-1, 1]`. Valores mais baixos aumentam a sensibilidade, mas podem desencadear ruído. Valores mais altos reduzem gatilhos falsos.
`turn_detection_silence_duration_ms`	`int`	Não	Duração do silêncio (ms) que marca o fim de uma instrução. Padrão: `800`. Recomendado: `400`. Alcance: `[200, 6000]`. Valores mais baixos respondem mais rapidamente, mas podem dividir as pausas. Valores mais altos lidam com pausas longas, mas adicionam latência.
`transcription_params`	`TranscriptionParams`	Não	Configurações de reconhecimento. Consulte TranscriptionParams.

TranscriçãoParams

Defina opções de reconhecimento com TranscriptionParams.

Clique para ver o código de amostra.

transcription_params = TranscriptionParams(
  language='zh',
  sample_rate=16000,
  input_audio_format="pcm"
)

Parâmetro	Tipo	Obrigatório	Descrição
`language`	`str`	Não	Linguagem de áudio. Valores suportados: `zh` (chinês: mandarim, sichuanês, minnan, wu), `yue` (Cantonês), `en` (Inglês), `ja` (japonês), `ko` (coreano), `de` (Alemão), `fr` (francês), `es` (Espanhol), `pt` (português), `it` (italiano), `ru` (Russo), `ar` (Árabe), `hi` (hindi), `id` (indonésio), `th` (tailandês), `tr` (Turco), `uk` (ucraniano), `vi` (vietnamita), `cs` (Tcheco), `da` (dinamarquês), `fi` (finlandês), `fil` (Filipino), `is` (islandês), `ms` (malaio), `no` (norueguês), `pl` (polonês), `sv` (sueco)
`sample_rate`	`int`	Não	Taxa de amostragem de áudio (Hz). Padrão: `16000`. Suportado: `16000`, `8000`. O servidor aumenta a amostragem de 8 kHz para 16 kHz, o que adiciona menor latência. Usar `8000` apenas para fontes de 8 kHz, como áudio de telefone.
`input_audio_format`	`str`	Não	Formato de áudio. Padrão: `pcm`. Suportado: `pcm`, `opus`.
`corpus`	`Dict[str, Any]`	Não	Configuração de polarização contextual como dicionário. Para uma interface de string mais simples, use `corpus_text` em vez disso.
`corpus_text`	`str`	Não	Texto de referência para polarização contextual (como entidades ou vocabulário de domínio). Máximo: 10.000 tokens. Consulte Viés contextual.

Interfaces principais

Classe OmniRealtimeConversation

from dashscope.audio.qwen_omni import OmniRealtimeConversation

Método	Evento de resposta do servidor	Descrição
`connect()`	`session.created`, `session.updated`	Abre uma conexão WebSocket.
`update_session(...)`	`session.updated`	Define parâmetros de sessão. Ligar depois `connect()`. Os padrões se aplicam se omitidos. Consulte Configuração da sessão.
`append_audio(audio_b64: str)`	Nenhum	Envia áudio codificado em Base64 para o buffer de entrada. Com `enable_turn_detection=True`, o servidor confirma automaticamente nos limites de fala. Com `False`, o cliente controla os commits. Máximo de 15 MiB por evento. Pedaços menores melhoram a capacidade de resposta do VAD.
`commit()`	`input_audio_buffer.committed`	Confirma áudio em buffer para reconhecimento. Retorna um erro se o buffer estiver vazio. Desativado quando `enable_turn_detection=True`.
`end_session(timeout: int = 20)`	`session.finished`	Termina a sessão após a conclusão do reconhecimento final. No modo VAD (padrão), ligue após enviar o áudio. No modo manual, ligue depois `commit()`. Variante assíncrona: `end_session_async`.
`close()`	Nenhum	Interrompe a tarefa e fecha a conexão.
`get_session_id()`	Nenhum	Retorna o ID da sessão.
`get_last_response_id()`	Nenhum	Retorna o ID de resposta mais recente.

###Interface OmniRealtimeCallback

Subclasse OmniRealtimeCallback para lidar com eventos do servidor.

from dashscope.audio.qwen_omni import OmniRealtimeCallback

Método	Parâmetros	Descrição
`on_open()`	Nenhum	Chamado quando a conexão WebSocket é aberta.
`on_event(message: dict)`	`message`: um evento do servidor	Chamado quando um evento do servidor chega.
`on_close(close_status_code, close_msg)`	`close_status_code`: código de status; `close_msg`: mensagem de registro	Chamado quando a conexão WebSocket é fechada.