Cómo usar Qwen Audio 3.0 ASR y ASR Stream

Qwen Audio 3.0 ASR y Qwen Audio 3.0 ASR Stream están disponibles en EmpirioLabs. ASR transcribe el audio grabado a través de DESPUÉS /v1/audio/transcriptions, y ASR Stream transcribe audio en directo sobre wss://api.empiriolabs.ai/v1/realtime. Ambos reconocen 30 idiomas y los principales dialectos chinos, ambos funcionan en la API y en el Playground, y ambos tienen precio por hora de audio y se facturan por segundo.

Mira el vídeo de lanzamiento

La petición en la película es la que aparece en la propia página del modelo, y la banda sonora fue generada por ACE-Step en EmpirioLabs. Míralo en YouTube.

Transcripción de una grabación

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

Un cuerpo JSON con audio_url o audio_base64 funciona en lugar de la subida del archivo. Se aceptan tanto clips cortos como grabaciones largas. La respuesta es un trabajo; encuesta ¡QUE /v1/jobs/<job_id> hasta que Estado es terminado, luego lee la transcripción de result.text y las frases cronometradas de result.segments. El idioma se detecta automáticamente.

Transcripción en directo a través de un WebSocket

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

Justo después sesión.created, antes del primer audio, envía cualquier configuración que la sesión necesite:

{"tipo": "sesión.actualización", "sesión": { "input_audio_transcription": {"lenguaje": "en", "prompt": "Ponentes: Dra. Okafor, Priya Raman. Términos: angioplastia, stent."}, "turn_detection": {"silence_duration_ms": 600} }}

Luego transmite audio mono PCM de 16 kHz y 16 bits como base64 in input_audio_buffer.append eventos. No hay compromiso para enviar: el modelo termina cada frase en la pausa que le sigue. conversation.item.input_audio_transcription.delta lleva la frase hasta el punto de vista mientras el hablante habla, y conversation.item.input_audio_transcription.completed la sentencia asentada.

• Prompt. input_audio_transcription.prompt Incluye hasta 400 caracteres de nombres y términos que utiliza el hablante, escritos exactamente como deben aparecer.
• Se detiene. turn_detection.silence_duration_ms (200 a 6000, por defecto 800) determina cuánto tiempo termina una pausa en una frase, y turn_detection.umbral (0.0 a 1.0) cuán alto debe ser el habla para contar.
• Habitación. input_audio_noise_reduction Toma near_field para un casco o far_field para un micrófono de sala, y keep_dialect mantiene las palabras del dialecto chino tal como se hablan.

Notas operativas

• Cada solicitud de transcripción devuelve un trabajo, incluso un clip corto. Lee la transcripción de ¡QUE /v1/jobs/<job_id> una vez Estado es terminado.
• Envía los ajustes de ASR Stream antes que el audio. Un ajuste cambiado mientras el audio está en streaming termina la frase en curso y solo se aplica al audio enviado después.
• ASR Stream factura el audio que envías, incluido el silencio. Deja de enviar cuando nadie habla y cierra el socket cuando termine la sesión.

Precios

Ambos modelos son de pago por uso, con precio por hora de audio y facturados por segundo: ASR por la duración de cada grabación, redondeada al siguiente segundo entero, y ASR Stream por el audio enviado en la sesión, facturado cuando termina la sesión. ASR Stream tiene la tarifa más alta, así que usa ASR para grabaciones que no necesitan resultados mientras el altavoz está hablando. Las tarifas actuales están en el ASR y Flujo ASR Páginas de modelos y el página de precios.

Empieza a construir

Prueba Qwen Audio 3.0 ASR en el Playground subiendo una grabación, o Flujo ASR haciendo clic en Iniciar sesión y hablando. La referencia de la API está en ASR y Flujo ASR. Para marcas de tiempo de palabras y precios de tokens, véase Cómo usar Qwen Audio 3.1 ASR, flujo ASR y mensajes ASR.

Divulgación: Este artículo fue escrito con asistencia AI y revisado por EmpirioLabs AI.