Qwen ASR（阿里百炼）

​

模型

时间戳是词级而非字级：中文按词切分（今天、给大家介绍），每个词带 start/end。响应只返回一条覆盖整个文件的 segment，字幕分行需要你自己按标点和停顿切。

​

快速开始

curl https://api.upmore.net/v1/audio/transcriptions \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -F model=qwen-audio-3.0-asr-flash \
  -F response_format=verbose_json \
  -F language=zh \
  -F file=@audio.mp3

​

带词级时间戳的响应（verbose_json）

{
  "task": "transcribe",
  "duration": 46,
  "text": "大家好，今天给大家介绍一款全新的智能早餐机。…",
  "segments": [
    {
      "id": 1,
      "start": 0.12,
      "end": 46.142,
      "text": "大家好，…",
      "words": [
        { "word": "大家好，", "start": 0.12, "end": 0.8 },
        { "word": "今天", "start": 1.16, "end": 1.64 },
        { "word": "给大家介绍", "start": 1.64, "end": 2.8 }
      ]
    }
  ]
}

​

建议先抽音轨再上传（推荐做法）

1. 体积上限。内联 Base64 输入上限 10 MiB，约合原始文件 7.5 MB。1080p 视频通常远超这个体积。
2. 带宽与成本。文件要先从你的客户端传到 Upmore，再由 Upmore 以 Base64（比原始大约 33%）发往阿里。网关的公网出流量是计费的，接近上限的上传，带宽成本可能和转写费本身相当。
3. 内存。网关会把整个文件连同 Base64 副本（约 1.33 倍文件大小）缓冲在每个进行中的请求里。

ffmpeg -i input.mp4 -vn -c:a libmp3lame -b:a 64k -ac 1 audio.mp3

​

计费

​

限制与说明

• 单次 5 分钟。更长的文件要切成 ≤5 分钟的片段，转写后把每段时间戳加上偏移量再拼接。（支持 12 小时长文件的异步 filetrans 接口目前尚未开放。）
• 仅支持文件上传。把 URL 当作 file 的值传入，目前不支持。
• 只转语音。视频画面不会被分析。需要画面时间轴，请用视频理解模型（如 doubao-seed-2-1-pro），再把两条时间轴按时间戳合并。