通义千问( 六 ) 声音识别

5.2.声音识别

5.2.1.介绍

通义千问Audio是阿里云研发的大规模音频语言模型。通义千问Audio可以以多种音频 (包括说话人语音、自然音、音乐、歌声）和文本作为输入，并以文本作为输出。通义千问Audio模型的特点包括：

1、全类型音频感知：通义千问Audio是一个性能卓越的通用音频理解模型，支持30秒内的自然音、人声、音乐等类型音频理解，如多语种语音识别，时间抽定位，说话人情绪、性别识别，环境识别，音乐的乐器、风格、情感识别等。

2、基于音频推理：通义千问Audio支持基于音频内容进行相关推理和创作，如语义理解，场景推理，相关推荐，内容创作等。

3、支持多轮音频和文本对话：通义千问Audio支持多音频分析、多轮音频-文本交错对话。

5.2.2.模型概览

模型服务	模型名	计费单价	基础限流
通义千问Audio	qwen-audio-turbo	限时免费 如果您是新用户，且调用的是限时免费的模型， 那么调用模型时会先消耗免费额度，然后再进入限时免费的机制。	以下条件任何一个超出都会触发限流： 流量 ≤ 120 QPM，每分钟处理不超过120个完整的请求； Token消耗 ≤ 10,0000 TPM，每分钟消耗的Token数目不超过10,0000。

5.2.3.音频限制

对于输入音频有以下限制：

1. 音频文件大小不超过10MB
2. 音频的时长不超过30s

输入的音频格式支持主流的 amr, wav(CodecID: GSM_MS), wav(PCM), 3gp, 3gpp, aac, mp3 等等，大部分常见编码的音频格式通义千问Audio都可以解析并进行音频理解。

5.2.4.线上文件

import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversation;
import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversationParam;
import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversationResult;
import com.alibaba.dashscope.common.MultiModalMessage;
import com.alibaba.dashscope.common.Role;
import com.alibaba.dashscope.exception.ApiException;
import com.alibaba.dashscope.exception.InputRequiredException;
import com.alibaba.dashscope.exception.NoApiKeyException;
import com.alibaba.dashscope.exception.UploadFileException;
import com.alibaba.dashscope.utils.Constants;
import org.springframework.beans.factory.annotation.Value;
import org.springframework.web.bind.annotation.RequestMapping;
import org.springframework.web.bind.annotation.RequestParam;
import org.springframework.web.bind.annotation.RestController;

import java.util