通过插槽进行实时转录，演讲者说话时部分词语流式传输，每停顿一次就能听到一句固定的句子，按小时音频收费。
Alibaba Cloud转录发布日期 2026年7月30日Singapore专有端点新通过插槽进行实时转录，演讲者说话时部分词语流式传输，每停顿一次就能听到一句固定的句子，按小时音频收费。
通过套接管流 16 kHz pcm16 音频。部分结果在说话者说话时到达。设置语言、提示词和 session.update 中句尾的暂停。
也称为 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-stream来自 EmpirioLabs 目录的实时按量计费价格。只为实际用量付费，没有月度最低消费。
Qwen Audio 3.0 ASR Stream 通过 wss://api.empiriolabs.ai/v1/realtime?model=qwen-audio-3-0-asr-stream 的 WebSocket 转写实时音频流，而不是通过 HTTP 端点。使用模型 id qwen-audio-3-0-asr-stream 连接，并在握手时将 EmpirioLabs API 密钥作为 Authorization: Bearer 请求头发送。追加 base64 编码的 16 位 PCM 音频，说话过程中即可读取转写事件。 浏览器无法为 WebSocket 设置请求头，请从你的服务器发起该连接，再通过你自己的 socket 把音频转发给浏览器。 在EmpirioLabs 控制台获取 API 密钥。
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 Qwen Audio 3.0 ASR Stream API 支持的请求参数。省略字段时使用默认值。
| 参数 | 类型 | 默认值 | 范围 / 值 | 描述 |
|---|---|---|---|---|
| input_audio_format | enum | pcm16 | pcm16 | 你附加到输入缓冲区的音频编码：base64 16位PCM，单声道，16 kHz。 |
| language | enum | auto | auto, zh, en, ja, ko, vi, th, id, ms, tl, hi, ar, fr, de, es,... | 语音语言，或者自动从音频中检测。用连接URL的语言查询参数设置，或者像session.update里input_audio_transcription.language的那样。 |
| prompt | string | - | - | 引导识别的文本，最多400个字符：演讲者使用的名字和术语，或音频前的文字。准确书写文字，如同文字稿中应有的样子。也可作为input_audio_transcription.prompt。 |
| silence_duration_ms | integer | 800 | 200 到 6000 | 句子结束时的停顿（毫秒）从200到6000秒。较短的停顿会让每个句子更快确定;较长的停顿则在句子中保持停顿。也被接受为turn_detection.silence_duration_ms。 |
| threshold | number | - | 0 到 1 | 语音转录前的清晰度，从0.0到1.0。值越高，忽略更多背景噪声，可能会漏掉轻声说话。如果省略，则适用模型自身的默认值。也被接受为turn_detection.threshold。 |
| noise_reduction | enum | far_field | far_field, near_field | 语音检测调校的麦克风类型：near_field用于耳机或手机，far_field用于笔记本电脑或房间麦克风。也可作为input_audio_noise_reduction.type。 |
| keep_dialect | boolean | false | - | 保持汉语方言词汇的口语。关闭时，方言语言以标准普通话书写。 |
通过wss://api.empiriolabs.ai/v1/realtime?model=qwen-audio-3-0-asr-stream的WebSocket进行实时转录，并用普通授权承载者头进行认证。
带input_audio_buffer.append的16 kHz单声道PCM16音频流式传输。语音活动检测决定每句话的结尾，因此无需提交。
在session.created之后、第一个音频之前发送session.update，设置如下：input_audio_transcription.language（或连接URL的language查询参数;默认auto）、input_audio_transcription.prompt包含说话者使用的名称和术语（最多400字符）、turn_detection.silence_duration_ms（200到6000，默认800）和turn_detection.threshold（0.0到1.0）以及input_audio_noise_reduction（near_field或far_field）。keep_dialect保持中文方言单词的口述。在音频流媒体中更改设置，句子进行中结束，并应用到后续发送的音频上。
conversation.item.input_audio_transcription.delta事件在说话者仍在说话时延续句子，每次停顿时conversation.item.input_audio_transcription.completed都承载着已定句子。
按显示的小时计费，包括你流媒体的音频（包括静音）计费。会话结束时计费。
在 EmpirioLabs，Qwen Audio 3.0 ASR Stream 按量计费：转录 $0.648 每小时音频。本页的实时价格表始终与 API 的实际计费一致。
Qwen Audio 3.0 ASR Stream 通过 api.empiriolabs.ai 上的 WEBSOCKET /v1/realtime 提供，使用标准的 Bearer 令牌认证。
打开EmpirioLabs Playground并点击 Start session，即可在浏览器中试用。Qwen Audio 3.0 ASR Stream 运行在 WebSocket 上，而不是一次请求一次响应，因此接入时请从实时语音快速入门开始。用 EmpirioLabs API 密钥和模型 id qwen-audio-3-0-asr-stream 从你的服务器连接，然后双向流式传输音频。
创建 EmpirioLabs 账户，然后在控制台的 API Keys生成密钥。计费使用按量付费的额度，只为实际发出的请求付费。
