ソケットでのライブ文字起こし、スピーカーが話す間に部分的な単語をストリーミングし、間ごとに安定した文をストリーミングし、音声時間ごとに料金が設定されます。
Alibaba Cloud転写リリース 2026年7月30日Singapore独自エンドポイント新着ソケットでのライブ文字起こし、スピーカーが話す間に部分的な単語をストリーミングし、間ごとに安定した文をストリーミングし、音声時間ごとに料金が設定されます。
ソケット経由で16 kHzのpcm16オーディオをストリーミングします。話者が話している間に部分的な結果が表示されます。言語、プロンプト、そしてsession.updateで文を終える間を設定します。
別名 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-streamEmpirioLabs カタログのライブ従量課金料金です。使った分だけの支払いで、月額最低料金はありません。
Qwen Audio 3.0 ASR Stream は HTTP エンドポイントではなく、wss://api.empiriolabs.ai/v1/realtime?model=qwen-audio-3-0-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-3-0-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。 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-3-0-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())EmpirioLabs 上の Qwen Audio 3.0 ASR Stream API が対応するリクエストパラメーターです。フィールドを省略した場合はデフォルト値が適用されます。
| パラメータ | タイプ | デフォルト | 範囲 / 値 | 説明 |
|---|---|---|---|---|
| input_audio_format | enum | pcm16 | pcm16 | 入力バッファに追加するオーディオのエンコード:base64 16ビットPCM、モノラル、16kHz。 |
| language | enum | auto | auto, zh, en, ja, ko, vi, th, id, ms, tl, hi, ar, fr, de, es,... | 音声の言語、または音声から自動検出する方法。接続URLの言語クエリパラメータ、またはsession.updateで設定input_audio_transcription.language。 |
| prompt | string | - | - | 認識を導くテキスト、最大400文字:話者が使う名前や用語、またはこの音声直前に話されるテキスト。文字起こしに記載されるべき言葉を正確に書きます。input_audio_transcription.promptとしても受け入れられます。 |
| silence_duration_ms | integer | 800 | 200 から 6000 | 文を終える間(ミリ秒単位)は200から6000までの間にあります。短い間は各文の沈黙を早め、長い間は文中に間を残します。turn_detection.silence_duration_msとしても受け入れられています。 |
| threshold | number | - | 0 から 1 | 書き起こし前に音声がどれだけ明瞭でなければならないか、0.0から1.0までです。高い値はより多くの背景ノイズを無視し、静かな音声を見逃すことがあります。省略すると、モデル自身のデフォルトが適用されます。また、turn_detection.thresholdとしても受け入れられます。 |
| noise_reduction | enum | far_field | far_field, near_field | 音声検出が調整されているマイク:ヘッドセットや電話を近づけたnear_field、ノートパソコンやルームマイクfar_field。input_audio_noise_reduction.typeとしても受け入れられています。 |
| keep_dialect | boolean | false | - | 話されている中国語の方言の単語をそのまま保持します。使用が切れる時は、方言の話し方は標準の普通話で書かれます。 |
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。
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。
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。
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。
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。
EmpirioLabs では Qwen Audio 3.0 ASR Stream は従量課金です: 転写 $0.648 音声の時間あたり。このページのライブ料金表は常に API の請求額と一致します。
Qwen Audio 3.0 ASR Stream は api.empiriolabs.ai 上の WEBSOCKET /v1/realtime で提供され、標準的な Bearer トークン認証を使用します。
EmpirioLabs プレイグラウンド を開き、Start session を押すとブラウザーで試せます。Qwen Audio 3.0 ASR Stream はリクエストとレスポンスではなく WebSocket 上で動作するため、組み込むときは リアルタイム音声クイックスタート から始めてください。EmpirioLabs の API キーとモデル ID qwen-audio-3-0-asr-stream を使ってサーバーから接続し、音声を双方向にストリーミングします。
EmpirioLabs アカウントを作成し、ダッシュボードの API Keysでキーを生成してください。課金は従量制クレジットなので、実行したリクエストの分だけ支払います。
