Qwen 语音识别

使用本接口将音频文件转写为文本，支持通过音频 URL 或 Base64 Data URI 传入音频，可返回句级、词级时间戳，并支持上下文增强、热词与说话人分离等能力。

接口地址

http

POST /v1/audio/transcriptions

认证

方式	说明
Bearer Token	在请求头中携带 `Authorization: Bearer <API Key>` 用于验证账户信息。

请求头

参数名	类型	必填	说明
`Content-Type`	`string`	是	请求体的媒介类型，请设置为 `application/json`
`Authorization`	`string`	是	Bearer API Key，用于验证账户信息
`X-DashScope-SSE`	`string`	否	是否以 SSE 流式返回：`enable` 开启，`disable` 关闭（默认）

说明：本接口仅接受 JSON 请求体，不支持 multipart/form-data 文件上传；使用 multipart 时将返回 400 错误。请通过音频 URL 或 Base64 Data URI 传入音频。

请求体

参数名	类型	必填	默认值	说明
`model`	`string`	是	-	模型 ID，可用值见文末的支持模型列表
`input`	`object`	是	-	输入信息，详见「`input` 详细参数」
`parameters`	`object`	是	-	模型参数，详见「`parameters` 详细参数」

input 详细参数

参数名	类型	必填	默认值	说明
`input.messages`	`array<object>`	是	-	消息列表，包含当前待识别的音频以及可选的对话上下文；至少包含一条 `input_audio` 类型的消息

messages 元素

参数名	类型	必填	默认值	说明
`role`	`string`	是	-	消息角色：`user` 或 `assistant`；`assistant` 仅用于上下文
`content`	`array<object>`	是	-	消息内容列表

content 元素

参数名	类型	必填	默认值	说明
`type`	`string`	是	-	内容类型：`input_audio`、`input_text` 或 `text`
`input_audio`	`object`	否	-	当 `type` 为 `input_audio` 时必填
`text`	`string`	否	-	当 `type` 为 `input_text` 或 `text` 时必填

input_audio 对象

参数名	类型	必填	默认值	说明
`input_audio.data`	`string`	是	-	音频文件 URL，或 `data:{MIME_TYPE};base64,{BASE64_DATA}` 格式的 Base64 Data URI

parameters 详细参数

参数名	类型	必填	默认值	说明
`parameters.format`	`string`	是	-	音频格式，需与实际音频格式一致，如 `wav`、`mp3`、`opus`
`parameters.sample_rate`	`string`	否	-	音频采样率，单位 Hz，如 `16000` 表示 16kHz
`parameters.vocabulary_id`	`string`	否	-	预编译热词列表 ID。目前平台暂不支持该功能，请使用即时热词 `vocabulary`
`parameters.vocabulary`	`object`	否	-	即时热词，键为热词文本、值为权重，详见「热词说明」
`parameters.language_hints`	`array<string>`	否	-	待识别语言代码，最多设置 4 个，超出时仅前 4 个生效；不设置时由模型自动识别语种
`parameters.speaker_diarization_enabled`	`boolean`	否	`false`	是否启用说话人分离，仅 `qwen-audio-3.1-asr-flash` 支持；开启后通过 `speaker_id` 区分说话人并返回 `output.sentences`，此时 `keep_dialect` 与 `language_hints` 不生效
`parameters.keep_dialect`	`boolean`	否	`false`	是否保留方言表达，仅 `qwen-audio-3.1-asr-flash` 支持；`false` 时转写为普通话文本

音频输入说明

单个音频文件大小不超过 10MB，时长不超过 5 分钟。
支持通过公网可访问的音频 URL 或 Base64 Data URI 传入音频。
Base64 Data URI 格式为 data:{MIME_TYPE};base64,{BASE64_DATA}，MIME 类型需与音频格式一致，例如 WAV 使用 audio/wav、MP3 使用 audio/mpeg。
Base64 编码会增大体积，请控制原文件大小，确保编码后仍符合 10MB 的输入限制。
支持 wav、mp3、opus 等格式，实际支持范围以模型音频规格为准。

上下文增强说明

上下文字段用于提升专有词汇的识别准确率，可传入前几轮对话内容：

上下文消息（input_text 和 text 类型）各最多 5 条，超出时仅保留最近的 5 条。
每轮上下文文本总长度（user 与 assistant 的 text 字段长度之和）不超过 400 个字符，超出部分从末尾截断。
消息必须按对话轮次排列：每轮中 user（input_text）须在对应的 assistant（text）之前；包含 input_audio 的 user 消息必须放在 messages 数组最后。

热词说明

说明：目前平台支持即时热词 vocabulary，暂不支持预编译热词 vocabulary_id。

vocabulary_id：预编译热词列表 ID。目前平台暂不支持该功能，请使用即时热词 vocabulary。
vocabulary：即时热词，以键值对形式传入，无需预先创建，适合临时性、会话级别的热词优化。
权重取 [1, 5] 时，值越大模型越倾向输出该词；取 50 时为超级热词，召回率大幅提升，超级热词最多 50 个。
两类热词同时配置时会合并使用；合并后超过 2000 个时，随机选择 2000 个使用。当前平台暂不支持预编译热词，实际仅即时热词生效。
即时热词仅 qwen-audio-3.1-asr-flash、qwen-audio-3.0-asr-flash 支持。

支持的语言代码

代码	语言	代码	语言	代码	语言
`zh`	中文	`en`	英文	`ja`	日语
`ko`	韩语	`vi`	越南语	`th`	泰语
`id`	印尼语	`ms`	马来语	`tl`	菲律宾语
`hi`	印地语	`ar`	阿拉伯语	`fr`	法语
`de`	德语	`es`	西班牙语	`pt`	葡萄牙语
`ru`	俄语	`it`	意大利语	`nl`	荷兰语
`sv`	瑞典语	`da`	丹麦语	`fi`	芬兰语
`no`	挪威语	`el`	希腊语	`pl`	波兰语
`cs`	捷克语	`hu`	匈牙利语	`ro`	罗马尼亚语
`bg`	保加利亚语	`hr`	克罗地亚语	`sk`	斯洛伐克语

模型差异

模型	说话人分离	保留方言	即时热词	用量返回
`qwen-audio-3.1-asr-flash`	支持	支持	支持	`usage.duration`、`usage.input_tokens`、`usage.output_tokens`、`usage.total_tokens`
`qwen-audio-3.0-asr-flash`	不支持	不支持	支持	`usage.duration`

请求示例

cURLPythonNode.js

bash

curl --location --request POST 'https://neolink.com/api/v1/audio/transcriptions' \
     --header 'Content-Type: application/json' \
     --header 'Authorization: Bearer <API Key>' \
     --data-raw '{
         "model": "qwen-audio-3.0-asr-flash",
         "input": {
             "messages": [
                 {
                     "role": "user",
                     "content": [
                         {
                             "type": "input_audio",
                             "input_audio": {
                                 "data": "https://example.com/audio/sample.wav"
                             }
                         }
                     ]
                 }
             ]
         },
         "parameters": {
             "format": "wav",
             "sample_rate": "16000"
         }
     }'

python

import requests

url = "https://neolink.com/api/v1/audio/transcriptions"
headers = {
    "Content-Type": "application/json",
    "Authorization": "Bearer <API Key>",
}
payload = {
    "model": "qwen-audio-3.0-asr-flash",
    "input": {
        "messages": [
            {
                "role": "user",
                "content": [
                    {
                        "type": "input_audio",
                        "input_audio": {
                            "data": "https://example.com/audio/sample.wav"
                        }
                    }
                ]
            }
        ]
    },
    "parameters": {
        "format": "wav",
        "sample_rate": "16000"
    }
}
response = requests.post(url, headers=headers, json=payload, timeout=60)
print(response.json())

javascript

import https from 'https'

const data = JSON.stringify({
  model: 'qwen-audio-3.0-asr-flash',
  input: {
    messages: [
      {
        role: 'user',
        content: [
          {
            type: 'input_audio',
            input_audio: {
              data: 'https://example.com/audio/sample.wav'
            }
          }
        ]
      }
    ]
  },
  parameters: {
    format: 'wav',
    sample_rate: '16000'
  }
})

const req = https.request('https://neolink.com/api/v1/audio/transcriptions', {
  method: 'POST',
  headers: {
    'Content-Type': 'application/json',
    'Authorization': 'Bearer <API Key>',
    'Content-Length': Buffer.byteLength(data)
  }
}, res => {
  let body = ''
  res.on('data', chunk => body += chunk)
  res.on('end', () => console.log(JSON.parse(body)))
})
req.write(data)
req.end()

流式返回

在请求头中设置 X-DashScope-SSE: enable 即可开启流式返回。

流式-cURL流式-Python

bash

curl --location --request POST 'https://neolink.com/api/v1/audio/transcriptions' \
     --header 'Content-Type: application/json' \
     --header 'Authorization: Bearer <API Key>' \
     --header 'X-DashScope-SSE: enable' \
     --data-raw '{
         "model": "qwen-audio-3.0-asr-flash",
         "input": {
             "messages": [
                 {
                     "role": "user",
                     "content": [
                         {
                             "type": "input_audio",
                             "input_audio": {
                                 "data": "https://example.com/audio/sample.wav"
                             }
                         }
                     ]
                 }
             ]
         },
         "parameters": {
             "format": "wav",
             "sample_rate": "16000"
         }
     }'

python

import requests

url = "https://neolink.com/api/v1/audio/transcriptions"
headers = {
    "Content-Type": "application/json",
    "Authorization": "Bearer <API Key>",
    "X-DashScope-SSE": "enable",
}
payload = {
    "model": "qwen-audio-3.0-asr-flash",
    "input": {
        "messages": [
            {
                "role": "user",
                "content": [
                    {
                        "type": "input_audio",
                        "input_audio": {
                            "data": "https://example.com/audio/sample.wav"
                        }
                    }
                ]
            }
        ]
    },
    "parameters": {
        "format": "wav",
        "sample_rate": "16000"
    }
}

with requests.post(url, headers=headers, json=payload, stream=True, timeout=300) as response:
    for raw_line in response.iter_lines():
        if not raw_line:
            continue
        line = raw_line.decode("utf-8")
        if not line.startswith("data:"):
            continue
        print(line[len("data:"):].strip())

使用 Base64 传入音频

Base64-Python

python

import base64
import pathlib

import requests

audio_path = pathlib.Path("sample.wav")
data_uri = "data:audio/wav;base64," + base64.b64encode(audio_path.read_bytes()).decode()

url = "https://neolink.com/api/v1/audio/transcriptions"
headers = {
    "Content-Type": "application/json",
    "Authorization": "Bearer <API Key>",
}
payload = {
    "model": "qwen-audio-3.0-asr-flash",
    "input": {
        "messages": [
            {
                "role": "user",
                "content": [
                    {
                        "type": "input_audio",
                        "input_audio": {"data": data_uri}
                    }
                ]
            }
        ]
    },
    "parameters": {
        "format": "wav",
        "sample_rate": "16000"
    }
}
response = requests.post(url, headers=headers, json=payload, timeout=60)
print(response.json())

携带上下文增强识别

携带上下文

bash

curl --location --request POST 'https://neolink.com/api/v1/audio/transcriptions' \
     --header 'Content-Type: application/json' \
     --header 'Authorization: Bearer <API Key>' \
     --data-raw '{
         "model": "qwen-audio-3.0-asr-flash",
         "input": {
             "messages": [
                 {
                     "role": "user",
                     "content": [
                         {
                             "type": "input_text",
                             "text": "你好啊"
                         }
                     ]
                 },
                 {
                     "role": "assistant",
                     "content": [
                         {
                             "type": "text",
                             "text": "你好啊，我是通义千问，有什么可以帮助你的？"
                         }
                     ]
                 },
                 {
                     "role": "user",
                     "content": [
                         {
                             "type": "input_audio",
                             "input_audio": {
                                 "data": "https://example.com/audio/sample.wav"
                             }
                         }
                     ]
                 }
             ]
         },
         "parameters": {
             "format": "wav",
             "sample_rate": "16000"
         }
     }'

使用即时热词

即时热词

bash

curl --location --request POST 'https://neolink.com/api/v1/audio/transcriptions' \
     --header 'Content-Type: application/json' \
     --header 'Authorization: Bearer <API Key>' \
     --data-raw '{
         "model": "qwen-audio-3.0-asr-flash",
         "input": {
             "messages": [
                 {
                     "role": "user",
                     "content": [
                         {
                             "type": "input_audio",
                             "input_audio": {
                                 "data": "https://example.com/audio/sample.wav"
                             }
                         }
                     ]
                 }
             ]
         },
         "parameters": {
             "format": "wav",
             "sample_rate": "16000",
             "vocabulary": {
                 "张三": 5,
                 "李四": 5
             }
         }
     }'

响应体

参数名	类型	说明
`request_id`	`string`	本次请求的唯一标识
`output.text`	`string`	当前累积的完整识别文本
`output.sentence`	`object`	当前句子的详细信息
`output.sentence.speaker_id`	`integer` / `null`	说话人编号；仅 `qwen-audio-3.1-asr-flash` 开启说话人分离时返回编号，否则为 `null`
`output.sentence.sentence_id`	`integer`	句子编号，从 1 开始
`output.sentence.sentence_end`	`boolean`	是否为该句的最终结果，`true` 表示该句识别完成
`output.sentence.begin_time`	`integer`	句子开始时间，单位毫秒
`output.sentence.end_time`	`integer`	句子结束时间，单位毫秒，仅在 `sentence_end` 为 `true` 时返回
`output.sentence.text`	`string`	当前句子的识别文本
`output.sentence.channel_id`	`integer`	声道编号，从 0 开始
`output.sentence.words`	`array<object>`	词级别时间戳列表
`output.sentence.words[].speaker_id`	`integer` / `null`	词对应的说话人编号，仅 `qwen-audio-3.1-asr-flash` 开启说话人分离时返回编号，否则为 `null`
`output.sentence.words[].text`	`string`	词文本
`output.sentence.words[].begin_time`	`integer`	词开始时间，单位毫秒
`output.sentence.words[].end_time`	`integer`	词结束时间，单位毫秒
`output.sentence.words[].punctuation`	`string`	词后的标点符号，无标点时为空字符串
`output.sentence.words[].fixed`	`boolean`	词是否已稳定，`false` 表示后续事件中该词的时间戳可能调整
`output.sentences`	`array<object>`	当前及历史句子的识别结果，每个元素的结构与 `output.sentence` 相同；仅 `qwen-audio-3.1-asr-flash` 开启说话人分离时返回
`usage.duration`	`integer`	已处理的音频时长，单位秒，仅在 `sentence_end` 为 `true` 时返回
`usage.input_tokens`	`integer`	本次调用消耗的输入 Token 数，仅 `qwen-audio-3.1-asr-flash` 返回
`usage.output_tokens`	`integer`	本次调用消耗的输出 Token 数，仅 `qwen-audio-3.1-asr-flash` 返回
`usage.total_tokens`	`integer`	本次调用消耗的总 Token 数，等于 `input_tokens` 与 `output_tokens` 之和，仅 `qwen-audio-3.1-asr-flash` 返回

响应示例

json

{
  "output": {
    "sentence": {
      "begin_time": 760,
      "channel_id": 0,
      "end_time": 3800,
      "sentence_end": true,
      "sentence_id": 1,
      "text": "Hello World，这里是阿里巴巴语音实验室。",
      "words": [
        {
          "begin_time": 760,
          "end_time": 1040,
          "fixed": true,
          "punctuation": "",
          "text": "Hello"
        },
        {
          "begin_time": 1040,
          "end_time": 1240,
          "fixed": true,
          "punctuation": "，",
          "text": " World"
        },
        {
          "begin_time": 1360,
          "end_time": 1880,
          "fixed": true,
          "punctuation": "",
          "text": "这里是"
        },
        {
          "begin_time": 1880,
          "end_time": 2520,
          "fixed": true,
          "punctuation": "",
          "text": "阿里巴巴"
        },
        {
          "begin_time": 2520,
          "end_time": 2840,
          "fixed": true,
          "punctuation": "",
          "text": "语音"
        },
        {
          "begin_time": 2840,
          "end_time": 3800,
          "fixed": true,
          "punctuation": "。",
          "text": "实验室"
        }
      ]
    },
    "text": "Hello World，这里是阿里巴巴语音实验室。"
  },
  "usage": {
    "duration": 4
  },
  "request_id": "40e0734d-096f-9ae3-86c1-a8c013287561"
}

说明：部分上游版本可能将句子信息嵌套在 output.output.sentence 中；无论采用哪种结构，完整识别文本均可通过 output.text 获取。

流式响应

当请求头 X-DashScope-SSE: enable 时，服务端以 Server-Sent Events（SSE）协议返回识别结果。仅当音频时长不少于 1 分钟时，服务端才会分多次返回中间识别结果和最终结果。

上游 SSE 事件格式：

plaintext

id:{序列号}
event:result
:HTTP_STATUS/200
data:{JSON数据}

上游返回示例：

plaintext

id:1
event:result
:HTTP_STATUS/200
data:{"output":{"sentence":{"sentence_id":1,"sentence_end":true,"end_time":3800,"words":[{"end_time":1040,"punctuation":"","begin_time":760,"fixed":true,"text":"Hello"},{"end_time":1240,"punctuation":"，","begin_time":1040,"fixed":true,"text":" World"},{"end_time":1880,"punctuation":"","begin_time":1360,"fixed":true,"text":"这里是"},{"end_time":2520,"punctuation":"","begin_time":1880,"fixed":true,"text":"阿里巴巴"},{"end_time":2840,"punctuation":"","begin_time":2520,"fixed":true,"text":"语音"},{"end_time":3800,"punctuation":"。","begin_time":2840,"fixed":true,"text":"实验室"}],"begin_time":760,"text":"Hello World，这里是阿里巴巴语音实验室。","channel_id":0},"text":"Hello World，这里是阿里巴巴语音实验室。"},"usage":{"duration":4},"request_id":"fc1582e4-935c-9fc2-a482-a98bf43daa69"}

经网关转发时，id、event 等控制行会被过滤，客户端只需按 data: 行解析 JSON。

处理要点：

每收到一个 SSE 事件，解析 data 字段中的 JSON。
通过 output.sentence.sentence_end 判断当前句子是否结束：为 true 时该句识别完成，词级时间戳已稳定，可作为最终结果使用；为 false 时识别仍在进行中，文本和时间戳可能在后续事件中更新。
usage 仅在句子结束事件中返回，可用于计量音频处理时长。
qwen-audio-3.1-asr-flash 开启说话人分离时，应读取 output.sentences 获取当前及历史句子的结果。

支持模型

支持模型Id：

qwen-audio-3.1-asr-flash
qwen-audio-3.0-asr-flash

MiniMax/hailuo

MiniMax-H3

MiniMax

Suno

OpenAI 兼容接口

Seedance资源管理

Qwen 语音识别

接口地址

认证

请求头

请求体

input 详细参数

messages 元素

content 元素

input_audio 对象

parameters 详细参数

音频输入说明

上下文增强说明

热词说明

支持的语言代码

模型差异

请求示例

流式返回

使用 Base64 传入音频

携带上下文增强识别

使用即时热词

响应体

响应示例

流式响应

支持模型

MiniMax/hailuo

MiniMax-H3

MiniMax

Suno

OpenAI 兼容接口

Seedance资源管理

Qwen 语音识别 ​

接口地址 ​

认证 ​

请求头 ​

请求体 ​

input 详细参数 ​

messages 元素 ​

content 元素 ​

input_audio 对象 ​

parameters 详细参数 ​

音频输入说明 ​

上下文增强说明 ​

热词说明 ​

支持的语言代码 ​

模型差异 ​

请求示例 ​

流式返回 ​

使用 Base64 传入音频 ​

携带上下文增强识别 ​

使用即时热词 ​

响应体 ​

响应示例 ​

流式响应 ​

支持模型 ​

Qwen 语音识别

接口地址

认证

请求头

请求体

input 详细参数

messages 元素

content 元素

input_audio 对象

parameters 详细参数

音频输入说明

上下文增强说明

热词说明

支持的语言代码

模型差异

请求示例

流式返回

使用 Base64 传入音频

携带上下文增强识别

使用即时热词

响应体

响应示例

流式响应

支持模型