Como Usar o ASR e o Stream ASR do Qwen Audio 3.0

Qwen Audio 3.0 ASR e Qwen Audio 3.0 ASR Stream estão disponíveis na EmpirioLabs. ASR transcreve áudio gravado através de PÓS-/v1/audio/transcriptions, e o ASR Stream transcreve áudio ao vivo sobre WSS://api.empiriolabs.ai/v1/Realtime. Ambos reconhecem 30 idiomas e os principais dialetos chineses, ambos funcionam tanto na API quanto na Playground, e ambos têm preço por hora de áudio e faturam por segundo.

Assista ao filme de lançamento

O pedido no filme é o da própria página do modelo, e a trilha foi gerada pela ACE-Step no EmpirioLabs. Assista no YouTube.

Transcrevendo uma gravação

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

Um corpo JSON com audio_url ou audio_base64 funciona no lugar do upload do arquivo. Clipes curtos e gravações longas são ambos aceitos. A resposta é um trabalho; enquete VAI /v1/jobs/<job_id> até Status é completo, então leia a transcrição de result.text e as frases cronometradas de result.segments. A linguagem é detectada automaticamente.

Transcrição ao vivo por WebSocket

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

Logo depois session.created, antes do primeiro áudio, envie quaisquer configurações que a sessão precise:

{"tipo": "session.update", "session": { "input_audio_transcription": {"language": "en", "prompt": "Palestrantes: Dr. Okafor, Priya Raman. Termos: angioplastia, stent."}, "turn_detection": {"silence_duration_ms": 600} }}

Depois, transmita áudio PCM mono de 16 kHz e 16 bits como base64 in input_audio_buffer.append eventos. Não há commit a enviar: o modelo termina cada frase na pausa que a segue. conversation.item.input_audio_transcription.delta leva a frase até o ponto enquanto o falante está falando, e conversation.item.input_audio_transcription.completed A sentença decidida.

• Enunciado. input_audio_transcription.prompt O falante usa até 400 caracteres de nomes e termos, escritos exatamente como devem aparecer.
• Pausa. turn_detection.silence_duration_ms (200 a 6000, padrão 800) define quanto tempo uma pausa encerra uma frase, e turn_detection.limiar (0.0 a 1.0) quão alto deve ser o discurso para contar.
• Quarto. input_audio_noise_reduction Takes near_field para um headset ou far_field para um microfone de sala, e keep_dialect mantém as palavras do dialeto chinês como faladas.

Notas operacionais

• Cada solicitação de transcrição retorna um trabalho, mesmo que seja um clipe curto. Leia a transcrição de VAI /v1/jobs/<job_id> uma vez Status é completo.
• Envie as configurações do ASR Stream antes do áudio. Uma configuração alterada enquanto o áudio está em streaming encerra a frase em andamento e se aplica apenas ao áudio enviado depois.
• O ASR Stream fatura o áudio que você envia, incluindo o silêncio. Pare de enviar quando ninguém estiver falando e feche o socket quando a sessão terminar.

Preços

Ambos os modelos são pagos conforme o uso, cobrados por hora de áudio e faturados por segundo: ASR pelo comprimento de cada gravação, arredondado para o segundo seguinte, e ASR Stream pelo áudio enviado na sessão, faturado quando a sessão termina. O ASR Stream tem a taxa mais alta, então use ASR para gravações que não precisam de resultados enquanto o alto-falante está falando. As taxas atuais estão no ASR e ASR Stream Páginas de modelos e o página de preços.

Comece a construir

Tente Qwen Audio 3.0 ASR no Playground enviando uma gravação, ou ASR Stream clicando em iniciar sessão e falando. A referência da API está em ASR e ASR Stream. Para carimbos de data e preços de tokens, veja Como Usar o ASR, Stream ASR e Mensagem ASR do Qwen Audio 3.1.

Divulgação: Este artigo foi escrito com assistência de IA e revisado por EmpirioLabs IA.