alicloud-ai-audio-asr

カテゴリ：プロバイダー

Model Studio Qwen ASR（非リアルタイム）

検証

mkdir -p output/alicloud-ai-audio-asr
python -m py_compile skills/ai/audio/alicloud-ai-audio-asr/scripts/transcribe_audio.py && echo "py_compile_ok" > output/alicloud-ai-audio-asr/validate.txt

合格基準：コマンドが終了コード 0 で終了し、output/alicloud-ai-audio-asr/validate.txt が生成されます。

出力とエビデンス

• 文字起こしと API レスポンスは output/alicloud-ai-audio-asr/ に保存します。
• 実行ごとに、コマンドログまたはサンプルレスポンスを 1 つ保存します。

録音音声の文字起こし（非リアルタイム）には Qwen ASR を使用します。短い音声の同期呼び出しと、長時間音声の非同期ジョブに対応しています。

重要なモデル名

次のモデル文字列のいずれかを正確に使用してください。

• qwen3-asr-flash
• qwen3-asr-flash-2026-02-10
• qwen-audio-asr
• qwen3-asr-flash-filetrans
• qwen3-asr-flash-filetrans-2025-11-17

選択の目安：

• 短い録音または通常の録音（同期）には、qwen3-asr-flash、qwen3-asr-flash-2026-02-10、または qwen-audio-asr を使用します。
• 長時間のファイルの文字起こし（非同期タスクのワークフロー）には、qwen3-asr-flash-filetrans または qwen3-asr-flash-filetrans-2025-11-17 を使用します。

前提条件

• SDK の依存関係をインストールします（スクリプトは Python 標準ライブラリのみを使用します）。

python3 -m venv .venv
. .venv/bin/activate

• 環境に DASHSCOPE_API_KEY を設定するか、~/.alibabacloud/credentials に dashscope_api_key を追加します。

正規化インターフェイス（asr.transcribe）

リクエスト

• audio（string、必須）：公開 URL またはローカルファイルパス。
• model（string、任意）：デフォルトは qwen3-asr-flash。
• language_hints（array、任意）：例：zh、en。
• sample_rate（number、任意）
• vocabulary_id（string、任意）
• disfluency_removal_enabled（bool、任意）
• timestamp_granularities（array、任意）：例：sentence。
• async（bool、任意）：同期モデルではデフォルトは false、qwen3-asr-flash-filetrans では true。

レスポンス

• text（string）：正規化された文字起こしテキスト。
• task_id（string、任意）：非同期送信時に含まれます。
• status（string）：SUCCEEDED または送信ステータス。
• raw（object）：元の API レスポンス。

クイックスタート（公式 HTTP API）

同期文字起こし（OpenAI 互換プロトコル）：

curl -sS --location 'https://dashscope.aliyuncs.com/compatible-mode/v1/chat/completions' \
  --header "Authorization: Bearer $DASHSCOPE_API_KEY" \
  --header 'Content-Type: application/json' \
  --data '{
    "model": "qwen3-asr-flash",
    "messages": [
      {
        "role": "user",
        "content": [
          {
            "type": "input_audio",
            "input_audio": {
              "data": "https://dashscope.oss-cn-beijing.aliyuncs.com/audios/welcome.mp3"
            }
          }
        ]
      }
    ],
    "stream": false,
    "asr_options": {
      "enable_itn": false
    }
  }'

長時間ファイルの非同期文字起こし（DashScope プロトコル）：

curl -sS --location 'https://dashscope.aliyuncs.com/api/v1/services/audio/asr/transcription' \
  --header "Authorization: Bearer $DASHSCOPE_API_KEY" \
  --header 'X-DashScope-Async: enable' \
  --header 'Content-Type: application/json' \
  --data '{
    "model": "qwen3-asr-flash-filetrans",
    "input": {
      "file_url": "https://dashscope.oss-cn-beijing.aliyuncs.com/audios/welcome.mp3"
    }
  }'

タスク結果のポーリング：

curl -sS --location "https://dashscope.aliyuncs.com/api/v1/tasks/<task_id>" \
  --header "Authorization: Bearer $DASHSCOPE_API_KEY"

ローカルヘルパースクリプト

URL またはローカルファイルの入力と、必要に応じた非同期ポーリングには、同梱のスクリプトを使用します。

python skills/ai/audio/alicloud-ai-audio-asr/scripts/transcribe_audio.py \
  --audio "https://dashscope.oss-cn-beijing.aliyuncs.com/audios/welcome.mp3" \
  --model qwen3-asr-flash \
  --language-hints zh,en \
  --print-response

長時間ファイルモード：

python skills/ai/audio/alicloud-ai-audio-asr/scripts/transcribe_audio.py \
  --audio "https://dashscope.oss-cn-beijing.aliyuncs.com/audios/welcome.mp3" \
  --model qwen3-asr-flash-filetrans \
  --async \
  --wait

運用ガイダンス

• ローカルファイルでは、直接 URL を利用できない場合に input_audio.data（データ URI）を使用します。
• 認識の曖昧さを減らすため、language_hints は最小限にします。
• 非同期タスクでは、最大再試行回数のガードを設け、5～20 秒間隔でポーリングします。
• 正規化された出力は output/alicloud-ai-audio-asr/transcripts/ に保存します。

出力先

• デフォルトの出力先：output/alicloud-ai-audio-asr/transcripts/
• OUTPUT_DIR でベースディレクトリを変更できます。

ワークフロー

1. ユーザーの意図、リージョン、識別子、および操作が読み取り専用か変更を伴うかを確認します。
2. 接続と権限を確認するため、最初に最小限の読み取り専用クエリを 1 つ実行します。
3. 明示的なパラメーターと範囲を限定して、対象の操作を実行します。
4. 結果を確認し、出力ファイルとエビデンスファイルを保存します。

参考資料

• references/api_reference.md
• references/sources.md
• リアルタイム合成は skills/ai/audio/alicloud-ai-audio-tts-realtime/ で提供されています。