Qwen Audio 3.1 ASR Stream vs Qwen Audio 3.0 ASR Stream

Qwen Audio 3.1 ASR Stream vs Qwen Audio 3.0 ASR Stream の概要

Qwen Audio 3.1 ASR Stream と Qwen Audio 3.0 ASR Stream はどちらも Alibaba Cloud のモデルで、転写カテゴリに属し、EmpirioLabs API から利用できます。

主な違い

2 つのモデルの主な仕様は同じです。違いは下の料金表とパラメーターで確認できます。

Qwen Audio 3.1 ASR Stream vs Qwen Audio 3.0 ASR Stream: 仕様

Qwen Audio 3.1 ASR Stream vs Qwen Audio 3.0 ASR Stream: API の料金

両モデルの EmpirioLabs カタログのライブ料金です。各料金表は常に API の請求額と一致します。

Qwen Audio 3.1 ASR Stream vs Qwen Audio 3.0 ASR Stream: API のパラメーター

EmpirioLabs で各モデルに記載されているリクエストパラメーターと、指定できる値または範囲です。ハイフンは、そのモデルに記載のないパラメーターを示します。

Qwen Audio 3.1 ASR Stream vs Qwen Audio 3.0 ASR Stream: 上限と注意点

Qwen Audio 3.1 ASR Stream

接続

WebSocketをwss://api.empiriolabs.ai/v1/realtime?model=qwen-audio-3-1-asr-streamでリアルタイムで書き起こし、通常のAuthorization Bearerヘッダーで認証されます。

音声送信

input_audio_buffer.appendで16kHzのモノラルPCM16音声をストリーミングできます。音声アクティビティ検出は各文の終わりを決めるので、送信するコミットはありません。

セッション設定

session.created直後、最初の音声の直前でsession.update、以下の設定で送信してください:input_audio_transcription.language(または接続URLのlanguageクエリパラメータ;デフォルトでauto)、input_audio_transcription.prompt話者が使う名前と用語(最大400文字)、turn_detection.silence_duration_ms(200〜6000、デフォルト800)、turn_detection.threshold(0.0〜1.0)、input_audio_noise_reduction(near_fieldまたはfar_field)のいずれかの設定で送信してください。keep_dialect中国語方言の単語は話されたまま保持します。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適用されます。

何が返ってきますか

話者が話している間に文をここまで運び、話conversation.item.input_audio_transcription.delta間ごとに決着文を伝えconversation.item.input_audio_transcription.completed。

請求

入力トークンと出力トークンは1M単位で価格が設定され、完成した各文はモデルが報告する使用量から個別に請求されます。

Qwen Audio 3.0 ASR Stream

接続

WebSocketをwss://api.empiriolabs.ai/v1/realtime?model=qwen-audio-3-0-asr-streamでリアルタイムで書き起こし、通常のAuthorization Bearerヘッダーで認証されます。

音声送信

input_audio_buffer.appendで16kHzのモノラルPCM16音声をストリーミングできます。音声アクティビティ検出は各文の終わりを決めるので、送信するコミットはありません。

セッション設定

session.created直後、最初の音声の直前でsession.update、以下の設定で送信してください:input_audio_transcription.language(または接続URLのlanguageクエリパラメータ;デフォルトでauto)、input_audio_transcription.prompt話者が使う名前と用語(最大400文字)、turn_detection.silence_duration_ms(200〜6000、デフォルト800)、turn_detection.threshold(0.0〜1.0)、input_audio_noise_reduction(near_fieldまたはfar_field)のいずれかの設定で送信してください。keep_dialect中国語方言の単語は話されたまま保持します。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適用されます。

何が返ってきますか

話者が話している間に文をここまで運び、話conversation.item.input_audio_transcription.delta間ごとに決着文を伝えconversation.item.input_audio_transcription.completed。

請求

ストリーミングする音声(無音も含む)の秒単位で請求され、表示されている時間単位の料金で計定されます。セッションは終了時に請求されます。

Qwen Audio 3.1 ASR Stream と Qwen Audio 3.0 ASR Stream の呼び出し方

Qwen Audio 3.1 ASR Stream は HTTP エンドポイントではなく、wss://api.empiriolabs.ai/v1/realtime?model=qwen-audio-3-1-asr-stream の WebSocket 上でライブ音声ストリームを文字起こしします。モデル ID qwen-audio-3-1-asr-stream で接続し、ハンドシェイク時に EmpirioLabs の API キーを Authorization: Bearer ヘッダーとして送信してください。base64 の 16 ビット PCM 音声を追加すると、話している最中から文字起こしイベントを受け取れます。 ブラウザは WebSocket にヘッダーを設定できないため、この接続はサーバーから開き、音声は自前のソケットでブラウザへ中継してください。 どちらのモデルも同じエンドポイントで呼び出します。model を qwen-audio-3-1-asr-stream または qwen-audio-3-0-asr-stream に設定してください。 EmpirioLabs ダッシュボードで API キーを取得してください。

import asyncio, json, os, websockets

async def main():
    async with websockets.connect(
        "wss://api.empiriolabs.ai/v1/realtime?model=qwen-audio-3-1-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())

Qwen Audio 3.1 ASR Stream vs Qwen Audio 3.0 ASR Stream: よくある質問

Qwen Audio 3.1 ASR Stream と Qwen Audio 3.0 ASR Stream の違いは何ですか?

2 つのモデルの主な仕様は同じです。違いは下の料金表とパラメーターで確認できます。 このページの仕様、料金表、パラメーターは EmpirioLabs のライブカタログに基づいています。

Qwen Audio 3.1 ASR Stream と Qwen Audio 3.0 ASR Stream ではどちらの料金が低いですか?

2 つのモデルは課金単位または階層が異なるため、このページのライブ料金表で比較してください。料金表は常に API の請求額と一致します。

統合を作り直さずに Qwen Audio 3.1 ASR Stream と Qwen Audio 3.0 ASR Stream を切り替えられますか?

はい。どちらのモデルも同じ EmpirioLabs API キーで WEBSOCKET /v1/realtime を使うため、ほとんどの連携は model の値を変えるだけで切り替えられます。モデル固有のパラメーターに依存している場合は、先にこのページのパラメーター表を確認してください。

統合する前にブラウザで Qwen Audio 3.1 ASR Stream と Qwen Audio 3.0 ASR Stream を試せますか?

はい。EmpirioLabs プレイグラウンド で各モデルを開き、Start session を押すとブラウザーで試せます。