创建语音识别模型
使用OpenAICredential 创建 OpenAIASRModel。默认模型为
gpt-4o-mini-transcribe:
转写音频
transcribe() 接收完整音频的字节数据。请传入原始文件名,让模型 API 能够
识别内存中音频的格式:
audio 或 filename 为空时会抛出 ValueError。直接传给
transcribe() 的关键字参数只在本次调用中生效,并覆盖模型 Parameters
对象中的同名配置。
读取响应
transcribe() 返回 ASRResponse:
批量模型返回的最终响应中
is_last=True。实时模型通过 push() 返回的中间
响应可以使用 is_last=False。
发现可用模型
ASR 模型卡片描述支持的音频类型、输出类型、实时能力以及模型 API 参数 schema。可以从凭证类或模型类发现模型:实现自定义语音识别模型
批量模型需要继承ASRModelBase 并实现 transcribe():
realtime=True,实现 connect()、push() 和 close(),
并通过异步上下文管理器使用。调用 push() 发送音频分块,最后调用不带音频的
transcribe() 结束当前转写。
DashScopeRealtimeASRModel 为 PCM 音频实现上述生命周期,请将采样率配置为
与输入音频一致。DashScope 批量转写使用 DashScopeASRModel 和
DashScopeCredential。浏览器语音输入
智能体服务 提供GET /asr-model/ 发现模型,通过 POST /asr/transcriptions 上传音频。
实时输入先调用 POST /asr/realtime/token 获取短时有效的令牌,
再连接 /asr/realtime WebSocket。WebSocket 消息不包含在 OpenAPI 参考中。