Qwen Audio 3.0 ASRおよびASRストリームの使い方

Qwen Audio 3.0 ASRおよびQwen Audio 3.0 ASR StreamはEmpirioLabsで利用可能です。 ASRは録音された音声を文字起こしします。 ポスト/v1/audio/transcriptionsASRストリームはライブ音声を文字起こしします WSS://api.empiriolabs.ai/v1/realtime.どちらも30言語と主要な中国語方言を認識し、APIとPlaygroundの両方で動作し、音声時間単位で料金が設定され、秒単位で請求されます。

ローンチ映像を見る

映画内のリクエストはモデル自身のページにあるもので、スコアはACE-Step on EmpirioLabsによって生成されました。 YouTubeでご覧くださいお問い合わせ.

録音の書き起こし

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

JSON ボディ audio_url または audio_base64 ファイルアップロードの代わりに機能します。短いクリップも長い録音もどちらも受け入れられます。回答は「仕事」です。投票 出て/v1/jobs/<job_id> しかし 状況 は 完了完了次に、その書き起こしを読み上げてください。 result.text および の時限付き文 結果。セグメント.言語は自動的に検出されます。

WebSocketを通じたライブ文字起こし

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

すぐに session.created最初の音声の前に、セッションに必要な設定を送信します:

{"type": "session.update", "session": { "input_audio_transcription": {"language": "en", "prompt": "スピーカー: Dr. Okafor、Priya Raman.用語:血管形成術、ステント。"}, "turn_detection": {"silence_duration_ms": 600} }}

その後、16kHz、16ビットモノラルPCMオーディオをbase64インとしてストリーミングします input_audio_buffer.append イベント。送信するコミットはなく、モデルは各文の後に続く一時停止で終了します。 conversation.item.input_audio_transcription.delta 話者が話している間、 は文をここまで運び、 conversation.item.input_audio_transcription.completed 判決は定着した。

• プロンプト。 input_audio_transcription.prompt 話者が使う名前や用語を最大400文字まで、正確に書かれます。
• 間が入る。 turn_detection.silence_duration_ms (200から6000、デフォルト800)は文の終わりにどれくらいの間があるかを決め、 turn_detection.threshold (0.0から1.0)数えるためにどれだけ大きな声で話さなければならないか。
• 部屋。 input_audio_noise_reduction テイク near_field ヘッドセットの場合、または far_field ルームマイクの場合、 keep_dialect 話されている方言の言葉をそのまま保持する。

作戦メモ

• すべての文字起こしリクエストは、たとえ短いクリップであっても、ジョブを返してきます。 書き起こしを読む 出て/v1/jobs/<job_id> 一度だけ 状況 は 完了完了お問い合わせ.
• 音声の前にASR Streamの設定を送信してください。 音声がストリーミングされている間に設定を変更すると、進行中の文が終了し、その後に送信される音声にのみ適用されます。
• ASR Streamは送信した音声に料金を請求します。無音も含めてです。 誰も話していないときは送信をやめ、セッション終了後にソケットを閉じます。

料金について

どちらのモデルも使用量分課で、音声時間ごとに料金が設定され、秒単位で請求されます。ASRは各録音の長さで計り上げ、次の整秒単位で切り上げ、ASRストリームはセッションで送信された音声で請求され、セッション終了時に請求されます。ASRストリームは料金が高いため、スピーカーが話している間に結果が不要な録音にはASRを使います。現在の料金は ASR および ASRストリーム モデルページと プライシングページお問い合わせ.

建設を始めろ

試してみて Qwen Audio 3.0 ASR 録音をアップロードしてPlaygroundに行ったり、 ASRストリーム セッション開始をクリックして発信します。API参照は ASR および ASRストリーム.ワードタイムスタンプやトークン価格については、こちらをご覧ください Qwen Audio 3.1 ASR、ASRストリーム、ASRメッセージの使い方お問い合わせ.

ディスクロージャー:この記事は、EmpirioLabs AIによるAIの支援とレビューで書かれました.