qwen-audio-3.0-asr-flash
Model rozpoznawania mowy, który zamienia dźwięk w czytelny tekst z interpunkcją i normalizacją liczb. Obsługuje język rosyjski i inne języki, a także chińskie dialekty.
- Ailoot · Rozpoznawanie mowy
POST /v1/audio/transcriptionsqwen-audio-3.0-asr-flash - Ailoot · Rozpoznawanie mowy
POST /v1/audio/transcriptionsqwen-asr - Ailoot · Rozpoznawanie mowy
POST /v1/audio/transcriptionsqwen-asr-latest
O modelu
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Qwen-Audio-3.0-ASR-Flash służy do zamiany nagrania mowy na tekst. Alibaba podkreśla wielojęzyczne rozpoznawanie i pracę z ekspresyjną mową, w tym rytmem poetyckim, klasycznym językiem chińskim i narracją o tematyce kulturowej. Danymi wejściowymi jest dźwięk, a wynikiem — transkrypcja.
Mowa w formie pisanej
Model wstawia interpunkcję oraz zapisuje wypowiedziane liczby, daty i kwoty pieniężne zgodnie z przyjętymi zasadami zapisu. Jest to przydatne w przypadku wiadomości głosowych, fragmentów wywiadów i wypowiedzi edukacyjnych, gdy potrzebny jest czytelny tekst, a nie tylko ciąg rozpoznanych słów.
Obsługiwanych jest 30 języków, w tym rosyjski, angielski, francuski, niemiecki, japoński i arabski. Dodatkowo uwzględniono siedem głównych chińskich systemów dialektalnych i ponad 20 regionalnych wariantów wymowy. Ten zakres służy rozpoznawaniu różnych cech językowych i akcentów.
Dla specjalistycznych terminów można przekazać kontekst zadania i słowa podpowiedzi. Pomagają one ukierunkować rozpoznawanie nazw i słownictwa dziedzinowego. W tej wersji znaczniki czasu są stale włączone: wynik można powiązać z odpowiednimi fragmentami nagrania. Transkrypcja krótkiego pliku może zostać zwrócona w całości albo stopniowo, w miarę przetwarzania.
Materiał i ograniczenia
Maksymalny czas trwania nagrania wynosi pięć minut. W jednym zadaniu używa się jednego pliku. Obsługiwane są AAC, AMR, AVI, FLAC, FLV, M4A, MKV, MOV, MP3, MP4, MPEG, OGG, OPUS, WAV, WEBM, WMA i WMV; dopuszczalna jest dowolna częstotliwość próbkowania. Obecność kontenera wideo na liście formatów dotyczy wydobywania mowy z jego ścieżki dźwiękowej, a nie analizy wizualnej klatek.
Qwen-Audio-3.0-ASR-Flash nie oferuje rozdzielania wypowiedzi według mówców ani rozpoznawania emocji. Głównym wynikiem jest tekst i powiązanie rozpoznanej treści z czasem w nagraniu. Obsługa dłuższych nagrań i inne sposoby analizy dźwięku, deklarowane dla sąsiednich modeli, nie dotyczą tej wersji.
Ailoot · Rozpoznawanie mowy POST /v1/audio/transcriptions qwen-audio-3.0-asr-flash
qwen-audio-3.0-asr-flashqwen-audio-3.0-asr-flashqwen-asrqwen-asr-latest
Start
Model rozpoznawania mowy, który zamienia dźwięk w czytelny tekst z interpunkcją i normalizacją liczb. Obsługuje język rosyjski i inne języki, a także chińskie dialekty.
- Akceptowane dane wejściowe
- Audio
- Wyniki
- Tekst
Dostępne w Ailoot · dane wejściowe i metody
Ailoot · Rozpoznawanie mowy POST /v1/audio/transcriptions
- Wejście
audio- Wyjście
text- Format wyjściowy
- json
| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity qwen-audio-3.0-asr-flash | Domyślnie— |
Polefile | Typfile | WymaganieWymagane | Wartości i limity Maksymalna liczba bajtów: 10 485 760 Formaty plików: wav, mp3, m4a, ogg, webm, flac Typ treści: multipart/form-data Maksymalny czas trwania, sekundy: 300 | Domyślnie— |
Poleresponse_format | Typstring | WymaganieOpcjonalne | Wartości i limity json | Domyślnie— |
Kombinacje materiałów wejściowych
speech_to_text · Wymagane: actual audio file
Parametry i cykl życia metody
| Parametr | Kontrakt |
|---|---|
Parametrmaterial_types | Kontraktaudio |
Parametrrequired | Kontraktnull |
Parametroptional_controls | Kontraktnull |
Cykl życia: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · Rzeczywiście zwrócony task_id lub wpis w bibliotece multimediów
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Struktury metod i ID są dokładne; możliwości dostawcy są odrębne od dopuszczenia żądania.
Cennik
Stawki metod Ailoot
POST /v1/audio/transcriptions- Wejście
- 0,0021 USD za minutę dźwięku
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
Przykładowe żądania
Ailoot · Rozpoznawanie mowy
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_AUDIO_FILE:?Set your actual MP3 recording}"
export AILOOT_AUDIO_FILE
python3 - <<'PY_REQUEST'
import os
from pathlib import Path
f=Path(os.environ["AILOOT_AUDIO_FILE"])
if not f.is_file() or f.suffix.lower()!=".mp3":raise SystemExit("Choose your actual MP3 recording")
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \
-H "Authorization: Bearer $AILOOT_API_KEY" \
--form-string model=qwen-audio-3.0-asr-flash -F "file=@$AILOOT_AUDIO_FILE" \
-D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
print(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))
PY_RESULT
Odbieranie i zapisywanie wyników
Ailoot · Rozpoznawanie mowy
json
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
Zachowaj wszystkie ukończone wyniki
Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.
Zachowaj kompletny JSON, a nie tylko tekst; zachowaj każdy dostępny segment, mówcę i znacznik czasu oraz rzeczywistą tożsamość zadania lub zasobu.
Jeśli trzeba sprawdzić pierwotną odpowiedź
Zachowaj pierwotny operation_id/X-Client-Request-ID do uzgodnienia danych bez ponownego wysyłania żądania; brak osobnej ścieżki API do cyklicznego sprawdzania stanu audio.
Pola odpowiedzi
| Pole | Typ |
|---|---|
Poletext | Typstring |
Polesegments[] | Typobject |
Poletask_id | Typstring |
Poleasset_url | Typstring |
Poleusage | Typobject |
Błędy i dalsze kroki
| Odpowiedź | Warunek | Następny krok |
|---|---|---|
Odpowiedź400 · invalid_request_error | WarunekNieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametru | Następny krokPopraw wskazane pola przed nowym żądaniem utworzenia. |
Odpowiedźserver_error | WarunekZwrócona odpowiedź wskazuje, że operacja lub wynik wymaga sprawdzenia | Następny krokZachowaj pierwotnie zwrócony identyfikator operacji lub zadania, nagłówki żądania i odpowiedź; kontynuuj obsługiwane odczyty tej pierwotnej operacji. Nie wysyłaj ponownie żądania utworzenia. |
Aliasy
Aliasy modelu
Ailoot qwen-audio-3.0-asr-flash, qwen-asr, qwen-asr-latest
Aliasy ścieżek metod
Użyj ścieżek metod podanych powyżej.
Powiązane ID modeli
Ailoot · Rozpoznawanie mowy POST /v1/audio/transcriptions qwen-asr
qwen-asrqwen-audio-3.0-asr-flashqwen-asrqwen-asr-latest
Start
Model rozpoznawania mowy, który zamienia dźwięk w czytelny tekst z interpunkcją i normalizacją liczb. Obsługuje język rosyjski i inne języki, a także chińskie dialekty.
- Akceptowane dane wejściowe
- Audio
- Wyniki
- Tekst
Dostępne w Ailoot · dane wejściowe i metody
Ailoot · Rozpoznawanie mowy POST /v1/audio/transcriptions
- Wejście
audio- Wyjście
text- Format wyjściowy
- json
| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity qwen-asr | Domyślnie— |
Polefile | Typfile | WymaganieWymagane | Wartości i limity Maksymalna liczba bajtów: 10 485 760 Formaty plików: wav, mp3, m4a, ogg, webm, flac Typ treści: multipart/form-data Maksymalny czas trwania, sekundy: 300 | Domyślnie— |
Poleresponse_format | Typstring | WymaganieOpcjonalne | Wartości i limity json | Domyślnie— |
Kombinacje materiałów wejściowych
speech_to_text · Wymagane: actual audio file
Parametry i cykl życia metody
| Parametr | Kontrakt |
|---|---|
Parametrmaterial_types | Kontraktaudio |
Parametrrequired | Kontraktnull |
Parametroptional_controls | Kontraktnull |
Cykl życia: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · Rzeczywiście zwrócony task_id lub wpis w bibliotece multimediów
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Struktury metod i ID są dokładne; możliwości dostawcy są odrębne od dopuszczenia żądania.
Cennik
Stawki metod Ailoot
POST /v1/audio/transcriptions- Wejście
- 0,0021 USD za minutę dźwięku
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
Przykładowe żądania
Ailoot · Rozpoznawanie mowy
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_AUDIO_FILE:?Set your actual MP3 recording}"
export AILOOT_AUDIO_FILE
python3 - <<'PY_REQUEST'
import os
from pathlib import Path
f=Path(os.environ["AILOOT_AUDIO_FILE"])
if not f.is_file() or f.suffix.lower()!=".mp3":raise SystemExit("Choose your actual MP3 recording")
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \
-H "Authorization: Bearer $AILOOT_API_KEY" \
--form-string model=qwen-asr -F "file=@$AILOOT_AUDIO_FILE" \
-D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
print(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))
PY_RESULT
Odbieranie i zapisywanie wyników
Ailoot · Rozpoznawanie mowy
json
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
Zachowaj wszystkie ukończone wyniki
Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.
Zachowaj kompletny JSON, a nie tylko tekst; zachowaj każdy dostępny segment, mówcę i znacznik czasu oraz rzeczywistą tożsamość zadania lub zasobu.
Jeśli trzeba sprawdzić pierwotną odpowiedź
Zachowaj pierwotny operation_id/X-Client-Request-ID do uzgodnienia danych bez ponownego wysyłania żądania; brak osobnej ścieżki API do cyklicznego sprawdzania stanu audio.
Pola odpowiedzi
| Pole | Typ |
|---|---|
Poletext | Typstring |
Polesegments[] | Typobject |
Poletask_id | Typstring |
Poleasset_url | Typstring |
Poleusage | Typobject |
Błędy i dalsze kroki
| Odpowiedź | Warunek | Następny krok |
|---|---|---|
Odpowiedź400 · invalid_request_error | WarunekNieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametru | Następny krokPopraw wskazane pola przed nowym żądaniem utworzenia. |
Odpowiedźserver_error | WarunekZwrócona odpowiedź wskazuje, że operacja lub wynik wymaga sprawdzenia | Następny krokZachowaj pierwotnie zwrócony identyfikator operacji lub zadania, nagłówki żądania i odpowiedź; kontynuuj obsługiwane odczyty tej pierwotnej operacji. Nie wysyłaj ponownie żądania utworzenia. |
Aliasy
Aliasy modelu
Ailoot qwen-audio-3.0-asr-flash, qwen-asr, qwen-asr-latest
Aliasy ścieżek metod
Użyj ścieżek metod podanych powyżej.
Powiązane ID modeli
Ailoot · Rozpoznawanie mowy POST /v1/audio/transcriptions qwen-asr-latest
qwen-asr-latestqwen-audio-3.0-asr-flashqwen-asrqwen-asr-latest
Start
Model rozpoznawania mowy, który zamienia dźwięk w czytelny tekst z interpunkcją i normalizacją liczb. Obsługuje język rosyjski i inne języki, a także chińskie dialekty.
- Akceptowane dane wejściowe
- Audio
- Wyniki
- Tekst
Dostępne w Ailoot · dane wejściowe i metody
Ailoot · Rozpoznawanie mowy POST /v1/audio/transcriptions
- Wejście
audio- Wyjście
text- Format wyjściowy
- json
| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity qwen-asr-latest | Domyślnie— |
Polefile | Typfile | WymaganieWymagane | Wartości i limity Maksymalna liczba bajtów: 10 485 760 Formaty plików: wav, mp3, m4a, ogg, webm, flac Typ treści: multipart/form-data Maksymalny czas trwania, sekundy: 300 | Domyślnie— |
Poleresponse_format | Typstring | WymaganieOpcjonalne | Wartości i limity json | Domyślnie— |
Kombinacje materiałów wejściowych
speech_to_text · Wymagane: actual audio file
Parametry i cykl życia metody
| Parametr | Kontrakt |
|---|---|
Parametrmaterial_types | Kontraktaudio |
Parametrrequired | Kontraktnull |
Parametroptional_controls | Kontraktnull |
Cykl życia: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · Rzeczywiście zwrócony task_id lub wpis w bibliotece multimediów
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Struktury metod i ID są dokładne; możliwości dostawcy są odrębne od dopuszczenia żądania.
Cennik
Stawki metod Ailoot
POST /v1/audio/transcriptions- Wejście
- 0,0021 USD za minutę dźwięku
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
Przykładowe żądania
Ailoot · Rozpoznawanie mowy
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_AUDIO_FILE:?Set your actual MP3 recording}"
export AILOOT_AUDIO_FILE
python3 - <<'PY_REQUEST'
import os
from pathlib import Path
f=Path(os.environ["AILOOT_AUDIO_FILE"])
if not f.is_file() or f.suffix.lower()!=".mp3":raise SystemExit("Choose your actual MP3 recording")
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \
-H "Authorization: Bearer $AILOOT_API_KEY" \
--form-string model=qwen-asr-latest -F "file=@$AILOOT_AUDIO_FILE" \
-D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
print(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))
PY_RESULT
Odbieranie i zapisywanie wyników
Ailoot · Rozpoznawanie mowy
json
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
Zachowaj wszystkie ukończone wyniki
Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.
Zachowaj kompletny JSON, a nie tylko tekst; zachowaj każdy dostępny segment, mówcę i znacznik czasu oraz rzeczywistą tożsamość zadania lub zasobu.
Jeśli trzeba sprawdzić pierwotną odpowiedź
Zachowaj pierwotny operation_id/X-Client-Request-ID do uzgodnienia danych bez ponownego wysyłania żądania; brak osobnej ścieżki API do cyklicznego sprawdzania stanu audio.
Pola odpowiedzi
| Pole | Typ |
|---|---|
Poletext | Typstring |
Polesegments[] | Typobject |
Poletask_id | Typstring |
Poleasset_url | Typstring |
Poleusage | Typobject |
Błędy i dalsze kroki
| Odpowiedź | Warunek | Następny krok |
|---|---|---|
Odpowiedź400 · invalid_request_error | WarunekNieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametru | Następny krokPopraw wskazane pola przed nowym żądaniem utworzenia. |
Odpowiedźserver_error | WarunekZwrócona odpowiedź wskazuje, że operacja lub wynik wymaga sprawdzenia | Następny krokZachowaj pierwotnie zwrócony identyfikator operacji lub zadania, nagłówki żądania i odpowiedź; kontynuuj obsługiwane odczyty tej pierwotnej operacji. Nie wysyłaj ponownie żądania utworzenia. |
Aliasy
Aliasy modelu
Ailoot qwen-audio-3.0-asr-flash, qwen-asr, qwen-asr-latest
Aliasy ścieżek metod
Użyj ścieżek metod podanych powyżej.
Powiązane ID modeli
FAQ · qwen-audio-3.0-asr-flash
- Jakie dane wejściowe i wyniki są dostępne?
POST /v1/audio/transcriptions·qwen-audio-3.0-asr-flash:audio→textPOST /v1/audio/transcriptions·qwen-asr:audio→textPOST /v1/audio/transcriptions·qwen-asr-latest:audio→text- Jakich pól używa żądanie?
POST /v1/audio/transcriptions·qwen-audio-3.0-asr-flash:model,file,response_formatPOST /v1/audio/transcriptions·qwen-asr:model,file,response_formatPOST /v1/audio/transcriptions·qwen-asr-latest:model,file,response_format