Live-Transkription über einen Sockel, Teilwörter gestreamt, während der Sprecher spricht, und ein fester Satz zu jeder Pause, Preis pro Stunde Audio.
Alibaba CloudTranskriptionVeröffentlicht 30. Juli 2026SingaporeProprietärer EndpointNeuLive-Transkription über einen Sockel, Teilwörter gestreamt, während der Sprecher spricht, und ein fester Satz zu jeder Pause, Preis pro Stunde Audio.
Streame 16 kHz pcm16-Audio über die Buchse. Teilweise erscheinen Ergebnisse, während der Sprecher spricht. Stelle die Sprache, einen Prompt und die Pause ein, die einen Satz in der Session beendet.
Auch bekannt als Qwen Audio ASR Stream, Alibaba Cloud Qwen Audio 3.0 ASR Stream
qwen-audio-3-0-asr-stream/v1/realtimeqwen-audio-3.0-asr-streamalibaba/qwen-audio-3-0-asr-streamLive Pay-as-you-go-Preise aus dem EmpirioLabs-Katalog. Du zahlst nur für das, was du nutzt, ohne monatliches Minimum.
Qwen Audio 3.0 ASR Stream transkribiert einen Live-Audiostream über einen WebSocket unter wss://api.empiriolabs.ai/v1/realtime?model=qwen-audio-3-0-asr-stream, nicht über die HTTP-Endpunkte. Verbinden Sie sich mit der Modell-ID qwen-audio-3-0-asr-stream und senden Sie Ihren EmpirioLabs-API-Schlüssel beim Handshake als Authorization: Bearer-Header. Hängen Sie base64-kodiertes 16-Bit-PCM-Audio an und lesen Sie die Transkript-Events, während noch gesprochen wird. Ein Browser kann bei einem WebSocket keine Header setzen. Öffnen Sie diese Verbindung daher von Ihrem Server aus und leiten Sie das Audio über Ihren eigenen Socket an den Browser weiter. Hol dir einen API-Schlüssel im EmpirioLabs Dashboard.
import asyncio, json, os, websockets
async def main():
async with websockets.connect(
"wss://api.empiriolabs.ai/v1/realtime?model=qwen-audio-3-0-asr-stream",
additional_headers=[
("Authorization", f"Bearer {os.environ['EMPIRIOLABS_API_KEY']}"),
],
max_size=None,
) as ws:
print(json.loads(await ws.recv())["type"]) # session.created
import base64
# 16-bit PCM microphone audio, base64 encoded, in small chunks.
for chunk in read_microphone_chunks():
await ws.send(json.dumps({
"type": "input_audio_buffer.append",
"audio": base64.b64encode(chunk).decode(),
}))
await ws.send(json.dumps({"type": "input_audio_buffer.commit"}))
async for raw in ws:
event = json.loads(raw)
if event["type"].endswith("input_audio_transcription.delta"):
# "text" is settled transcript; "stash" is still in progress.
if event.get("text"):
print(event["text"], end="", flush=True)
asyncio.run(main())Request-Parameter, die die Qwen Audio 3.0 ASR Stream API auf EmpirioLabs unterstützt. Standardwerte gelten, wenn ein Feld weggelassen wird.
| Parameter | Typ | Standard | Bereich / Werte | Beschreibung |
|---|---|---|---|---|
| input_audio_format | enum | pcm16 | pcm16 | Codierung des Audios, das du dem Eingangspuffer anhängst: base64 16-Bit-PCM, Mono, bei 16 kHz. |
| language | enum | auto | auto, zh, en, ja, ko, vi, th, id, ms, tl, hi, ar, fr, de, es,... | Sprache der Sprache, oder Auto, um sie aus dem Audio zu erkennen. Setze sie mit dem Sprachabrufparameter der Verbindungs-URL oder als... |
| prompt | string | - | - | Text, der die Erkennung von bis zu 400 Zeichen anleitet: die Namen und Begriffe, die der Sprecher verwendet, oder der Text, der kurz vor diesem Audio gesprochen... |
| silence_duration_ms | integer | 800 | 200 bis 6000 | Die Pause, in Millisekunden, die einen Satz beendet, von 200 bis 6000. Eine kürzere Pause beendet jeden Satz früher; eine längere hält eine Pause innerhalb eines... |
| threshold | number | - | 0 bis 1 | Wie klar die Sprache sein muss, bevor sie transkribiert wird, von 0,0 auf 1,0. Ein höherer Wert ignoriert mehr Hintergrundrauschen und kann leise Sprache übersehen.... |
| noise_reduction | enum | far_field | far_field, near_field | Das Mikrofon, auf das die Spracherkennung abgestimmt ist: near_field für ein Headset oder ein Handy, das nah gehalten wird, far_field für ein Laptop- oder... |
| keep_dialect | boolean | false | - | Behält die chinesischen Dialektwörter so, wie sie gesprochen werden. Wenn sie nicht sind, wird die Dialektsprache als Standardmandarin geschrieben. |
Live-Transkription über einen WebSocket bei wss://api.empiriolabs.ai/v1/realtime?model=qwen-audio-3-0-asr-stream, authentifiziert mit dem üblichen Authorization Bearer-Header.
Streame 16 kHz Mono PCM16-Audio mit input_audio_buffer.append. Die Sprachaktivitätserkennung entscheidet, wo jeder Satz endet, sodass kein Commit gesendet werden muss.
Senden Sie session.update direkt nach session.created, vor dem ersten Audio, mit einer dieser Einstellungen: input_audio_transcription.language (oder der language Abfrageparameter der Verbindungs-URL; standardmäßig auto), input_audio_transcription.prompt mit den Namen und Begriffen, die der Sprecher verwendet (bis zu 400 Zeichen), turn_detection.silence_duration_ms (200 bis 6000, Standard 800) und turn_detection.threshold (0,0 bis 1,0) sowie input_audio_noise_reduction (near_field oder far_field). keep_dialect behält die chinesischen Dialektwörter wie gesprochen. Eine Einstellung, die während des Audiostreams geändert wird, beendet den laufenden Satz und gilt für das danach gesendete Audio.
conversation.item.input_audio_transcription.delta Ereignisse tragen den Satz so weit, während der Sprecher noch spricht, und conversation.item.input_audio_transcription.completed trägt den festgelegten Satz bei jeder Pause.
Es wird pro Sekunde des gestreamten Audios, inklusive Stille, zum angegebenen Stundensatz abgerechnet. Die Sitzung wird abgerechnet, wenn sie endet.
Auf EmpirioLabs wird Qwen Audio 3.0 ASR Stream nach Verbrauch abgerechnet: Transkription $0.648 pro Stunde Audio. Die Live-Preistabelle auf dieser Seite entspricht immer dem, was die API berechnet.
Qwen Audio 3.0 ASR Stream wird über WEBSOCKET /v1/realtime auf api.empiriolabs.ai mit normaler Bearer-Token-Authentifizierung bereitgestellt.
Öffnen Sie das EmpirioLabs Playground und klicken Sie auf Start session, um es im Browser zu testen. Qwen Audio 3.0 ASR Stream läuft über einen WebSocket statt über Anfrage und Antwort, beginnen Sie für die Integration deshalb mit dem Schnellstart für Echtzeit-Sprache. Verbinden Sie sich von Ihrem Server aus mit Ihrem EmpirioLabs-API-Schlüssel und der Modell-ID qwen-audio-3-0-asr-stream und streamen Sie dann Audio in beide Richtungen.
Erstelle ein EmpirioLabs-Konto und generiere dann einen Schlüssel unter API Keys im Dashboard. Die Abrechnung erfolgt über Pay-as-you-go-Guthaben, du zahlst also nur für deine Requests.
Schauen Sie sich unsere Preise an oder kontaktieren Sie uns, wenn Sie Ihr eigenes Modell auf unserem Stack implementieren möchten.
