概要
録音済みの長時間音声・動画ファイルを非リアルタイムで文字起こしする音声認識モデル。入力は音声、出力はテキスト。通常は非同期タスクを送信し、完了後に結果を取得する。(alibabacloud.com)
能力と用途
- 中国語、英語、日本語、韓国語などに対応し、中国語の方言や地域アクセントも認識する。ホットワードと文脈を指定して、専門用語などの認識を補強できる。句読点の予測や、数字・日付・金額の正規化にも対応する。(alibabacloud.com)
- 話者分離に対応する。会議の文字起こし、動画字幕、通話分析、カスタマーサービスの品質確認などに利用できる。(docs.qwencloud.com)
制限
- リアルタイム音声認識用ではない。通常の非同期ファイル転写ではストリーミング出力に対応しない。(docs.qwencloud.com)
- 1ファイルは最大12時間、2 GB。話者分離を使う場合は2時間以内が推奨され、長い音声では認識失敗やタイムアウトが生じる場合がある。話者分離はモノラル音声のみ対応。(docs.qwencloud.com)
- ファンクション呼び出し、構造化出力、コンテキストキャッシュ、バッチ推論、ファインチューニングには非対応。(alibabacloud.com)
公開日
2026年7月30日。(alibabacloud.com)
料金
2026年11月16日確認。以下はこのモデルの公式API通常料金で、入力音声の長さを秒単位で課金し、出力は無料。地域や契約先の異なる料金を為替換算したものではない。
- 中国国内サイト・CNY:北京リージョンは入力0.00022 CNY/秒、シンガポールの国際デプロイは入力0.00026 CNY/秒。北京の本モデルの無料枠はなし。中国国内サイト料金表 (help.aliyun.com)
- 国際サイト・USD:シンガポールの国際デプロイは入力0.000035 USD/秒、北京リージョンは入力0.000032 USD/秒。シンガポールの本モデルの無料枠はなし。国際サイト料金表 (alibabacloud.com)