支持的模型

Qwen‑Audio‑3.0‑ASR‑Flash 是通义音频系列非实时语音识别模型，面向短录音文件做语音转文字，支持30 余种语种识别，支持中文多方言口音识别，内置标点预测、文本归一化；支持即时热词、预编译热词、对话上下文增强，可提升专有名词、行业词汇识别准确率；支持 SSE 流式输出中间识别结果，也支持一次性返回完整识别文本，同时输出句子、词级时间戳信息

接口详情

http调用

请求方式：POST

请求路径：https://ai.ctaigw.cn/v1/services/aigc/multimodal-generation/generation

请求头

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。

• 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，可用于计量音频处理时长。

请求参数

响应参数

请求/响应示例

请求示例

curl --location --request POST 'https://ai.ctaigw.cn/v1/services/aigc/multimodal-generation/generation' \
     --header "Authorization: Bearer ${YOUR_APP_KEY}" \
     --header "Content-Type: application/json" \
     --header "X-DashScope-SSE: disable" \
     --data '{
    "model": "qwen-audio-3.0-asr-flash",
    "input": {
        "messages": [
            {
                "role": "user",
                "content": [
                    {
                        "type": "input_audio",
                        "input_audio": {
                            "data": "{YOUR_AUDIO_URL}"
                        }
                    }
                ]
            }
        ]
    },
    "parameters": {
        "format": "wav",
        "sample_rate": "16000"
    }
}'

非流式响应示例

{
    "output": {
        "sentence": {
            "begin_time": 760,
            "channel_id": 0,
            "end_time": 3800,
            "sentence_end": true,
            "sentence_id": 1,
            "text": "Hello World",
            "words": [
                {"begin_time": 760, "end_time": 1040, "fixed": true, "punctuation": "", "text": "Hello"},
                {"begin_time": 1040, "end_time": 1240, "fixed": true, "punctuation": "，", "text": " World"}
            ]
        },
        "text": "Hello World"
    },
    "usage": {
        "duration": 4
    },
    "request_id": "00d06a841873c0a83bfaf1fae0184625"
}

流式响应示例

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"
                }    
            ],
            "begin_time": 760,
            "text": "Hello World",
            "channel_id": 0
        },
        "text": "Hello World"
    },
    "usage": {
        "duration": 4
    },
    "request_id": "00d06a841873c0a83bfaf1fae0184625"
}

异常响应

{
    "error": {
        "type:": "Invalid_request",
        "code": "missing_parameter",
        "message": "Missing required parameters"
    }
}