Wie man Qwen Audio 3.0 ASR und ASR Stream verwendet

Qwen Audio 3.0 ASR und Qwen Audio 3.0 ASR Stream sind auf EmpirioLabs verfügbar. ASR transkribiert aufgenommene Audiodateien durch POST /v1/audio/transcriptions, und ASR Stream transkribiert Live-Audio über wss://api.empiriolabs.ai/v1/realtime. Beide erkennen 30 Sprachen und die wichtigsten chinesischen Dialekte, beide funktionieren in der API und im Playground, und beide sind pro Stunde Audio bepreist und werden nach Sekunde abgerechnet.

Sehen Sie sich den Startfilm an

Die Anfrage im Film ist die auf der eigenen Seite des Modells, und die Filmmusik wurde von ACE-Step auf EmpirioLabs erstellt. Sieh es dir auf YouTube an..

Transkribieren einer Aufnahme

curl https://api.empiriolabs.ai/v1/audio/transcriptions \ -H "Authorization: Bearer $EMPIRIOLABS_API_KEY" \ -F model=qwen-audio-3-0-asr \ -F file=@interview.mp3

Ein JSON-Körper mit audio_url oder audio_base64 funktioniert anstelle des Datei-Uploads. Kurze und lange Aufnahmen werden beide akzeptiert. Die Antwort ist eine Aufgabe; Umfrage LOS /v1/jobs/<job_id> Bis Status ist abgeschlossen, dann lesen Sie das Transkript von result.text und die zeitlich begrenzten Sätze aus Ergebnis. Segmente. Die Sprache wird automatisch erkannt.

Live-Transkription über einen WebSocket

wss://api.empiriolabs.ai/v1/realtime?model=qwen-audio-3-0-asr-stream Autorisierung: Inhaber YOUR_EMPIRIOLABS_API_KEY

Direkt danach session.created, vor dem ersten Audio senden Sie alle Einstellungen, die die Sitzung benötigt:

{"type": "session.update", "session": { "input_audio_transcription": {"language": "en", "prompt": "Redner: Dr. Okafor, Priya Raman. Begriffe: Angioplastie, Stent."}, "turn_detection": {"silence_duration_ms": 600} }}

Dann streamen Sie 16 kHz, 16-Bit-Mono-PCM-Audio als base64 in input_audio_buffer.append Events. Es gibt kein Commit to Send: Das Modell beendet jeden Satz mit der folgenden Pause. conversation.item.input_audio_transcription.delta trägt den Satz so weit, während der Sprecher spricht, und conversation.item.input_audio_transcription.completed Das gefestigte Urteil.

• Prompt. input_audio_transcription.prompt nimmt bis zu 400 Zeichen mit Namen und Begriffen auf, die der Sprecher verwendet, genau so geschrieben, wie sie erscheinen sollen.
• Pausen. turn_detection.silence_duration_ms (200 bis 6000, Standard 800) legt fest, wie lange eine Pause einen Satz endet, und turn_detection.Schwelle (0,0 bis 1,0) Wie laut die Rede sein muss, um zu zählen.
• Zimmer. input_audio_noise_reduction Takes near_field für ein Headset oder far_field für ein Raummikrofon, und keep_dialect behält die chinesischen Dialektwörter wie gesprochen.

Betriebshinweise

• Jede Transkriptionsanfrage bringt einen Job zurück, selbst einen kurzen Clip. Lesen Sie das Transkript von LOS /v1/jobs/<job_id> Einmal Status ist abgeschlossen.
• Senden Sie die Einstellungen von ASR Stream vor dem Audio. Eine Einstellung, die während des Audiostreams geändert wird, beendet den laufenden Satz und gilt nur für das danach gesendete Audio.
• ASR Stream rechnet die von dir gesendeten Audiodateien ab, inklusive Stille. Höre auf zu senden, wenn niemand spricht, und schließe den Sockel, wenn die Sitzung vorbei ist.

Preisgestaltung

Beide Modelle sind Pay-as-you-go, bepreist pro Stunde Audio und berechnet pro Sekunde: ASR nach der Länge jeder Aufnahme, aufgerundet auf die nächste ganze Sekunde, und ASR Stream nach dem in der Sitzung gesendeten Audio, berechnet nach Sitzungsende. ASR Stream hat die höhere Rate, daher verwenden Sie ASR für Aufnahmen, die keine Ergebnisse benötigen, während der Sprecher spricht. Die aktuellen Raten sind auf dem ASR und ASR-Strom Modellseiten und die preisseite.

Beginnen Sie mit dem Bau

Versuch es mal Qwen Audio 3.0 ASR in der Playground durch das Hochladen einer Aufnahme, oder ASR-Strom indem man auf Sitzung starten klickt und spricht. Die API-Referenz ist bei ASR und ASR-Strom. Für Wortzeitstempel und Token-Preise siehe Wie man Qwen Audio 3.1 ASR, ASR-Stream und ASR-Nachricht verwendet.

Offenlegung: Dieser Artikel wurde mit KI-Unterstützung geschrieben und von EmpirioLabs AI überprüft.