音声メッセージと音声入力に合わせて調整された文字起こしで、話者が一時停止すると各発話を一つの完全な書き起こしとして返します。
Alibaba Cloud 転写 リリース 2026年9月21日 Singapore 独自エンドポイント 新着音声メッセージと音声入力に合わせて調整された文字起こしで、話者が一時停止すると各発話を一つの完全な書き起こしとして返します。
ソケットを通じて16 kHzのpcm16音声をストリーミングします。話者が一時停止するとき、またはpartial_resultsと話している間も、各発話は一つ一つ返されます。session.updateで発話を終える言語と間を設定してください。
別名 Qwen Audio ASR Message, Alibaba Cloud Qwen Audio 3.1 ASR Message
qwen-audio-3-1-asr-message/v1/realtimeqwen-audio-3.1-asr-messagealibaba/qwen-audio-3-1-asr-messageEmpirioLabs 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 3.1 ASR Message 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-message 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-message 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-3-1-asr-message",
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 3.1 ASR Message 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。 |
| 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。 |
| partial_results | boolean | false | - | また、発話されている間に各発話を送信し、発話をこれまでに運んだconversation.item.input_audio_transcription.deltaイベントとして送信します。発話は落ち着く前に変化することがあります。 |
通常のAuthorization Bearerヘッダーで認証されたWebSocketを経由した音声メッセージの書き起こしwss://api.empiriolabs.ai/v1/realtime?model=qwen-audio-3-1-asr-message。
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発話の終了地点を決定するため、送信すべきコミットはありません。
session.created直後、最初の音声の直前で、以下の設定でsession.updateを送信してください: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auto)、turn_detection.silence_duration_ms(200から6000、デフォルト800)、turn_detection.threshold(0.0から1.0)、input_audio_noise_reduction(near_fieldまたはfar_field)。keep_dialectは中国語方言の単語を話し言葉のまま保持します。音声がストリーミング中に設定を変更すると、進行中の発話が終了し、その後に送信される音声に適用されます。
話者が一時停止すると、各発話は一つのイベントとして一つconversation.item.input_audio_transcription.completedとして一つにまとめて届きます。話されている間も、話されている間も受信するよう設定partial_results、定着する前に変化するconversation.item.input_audio_transcription.deltaイベントとして。ライブキャプションの場合、qwen-audio-3-1-asr-streamは常にキャプションを送信します。
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、完了した発話ごとにモデルが報告する使用量から個別に請求されます。
EmpirioLabs では Qwen Audio 3.1 ASR Message は従量課金です: 入力 $1.86 1Mのオーディオ入力トークンあたり; 出力 $1.40 生成された1Mトークンあたり。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 3.1 ASR Message 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 3.1 ASR Message 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-3-1-asr-message 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。
