2.7 KiB
百炼北京原厂 ASR
2026-10-27 上线，仅北京，不配置新加坡或跨地域回退。客户端沿用本机 LiteLLM 的 /v1/audio/transcriptions、现有客户端 key、multipart 文件上传，推荐 response_format=json。
| 模型名 | 行为 |
|---|---|
| bailian-cn/qwen-audio-3.1-asr-flash | 原厂识别，无词表注入 |
| bailian-cn/qwen-audio-3.1-asr-flash-personal | 相同模型，原生 vocabulary 注入既有 20 个人名／公司名，每词权重 3 |
上游为业务空间专属域名 https://ws-v68kvjnmhkiejaxo.cn-beijing.maas.aliyuncs.com/api/v1，使用原生 /services/aigc/multimodal-generation/generation，不是 compatible-mode。已用 .145 现有 BAILIAN_API_KEY 实测该空间可用；部署后凭据权威是各 Arcane Project 的 BAILIAN_CN_API_KEY，原始 key 不进入 Git。
当前 LiteLLM 1.104.2 没有 DashScope 原生转写配置，启动适配器仅接管 dashscope provider 的 qwen-audio-3.1-asr-flash。普通 Gemini、Vertex、ZenMux 和 OpenAI 不变。不增加服务、端口或镜像，不重新部署会议管线。
文件原字节转为 Base64 Data URI。WAV 从文件头读取采样率，非 WAV 不伪造采样率；上游可选 prompt 作为 input_text 上下文，不覆盖、不做二次 LLM 改写，最多 400 字。生产个人词表从当前节点已有私有文件读取，不把词表放到 Git。DashScope 自定义参数在 SDK 中进入 extra_body，适配器需取出私有词表路径，再生成 parameters.vocabulary；私有路径不能泄漏上游。
不启用 streaming、时间戳或说话人分离，不承诺自动去口语化；原厂默认识别行为不额外覆盖。上传 Base64 Data URI 保守限制 10 MB，超限明确拒绝，不自动把文件上传公网。json 为已验证的推荐响应格式。
配置验证：先运行每目录 test_config.py，再在固定镜像中执行 scripts/test-bailian-asr-wire.py，检查同步/异步真实 SDK 的 HTTP 请求体、热词、原字节保持及其他 provider 不受影响。
原厂 A/B：2026-07-21 电话前 90 秒，无热词两处“洛奇”，指定临时热词“洛启、普华”（权重 3）后两处“洛启”，耗时分别 3.432／3.649 秒。该结果只证明该片段短词表有改善，不代表已有 20 词表一定同等改善或整体 CER/WER。
上线后必须验证：两节点普通／个人路由公开音频、现有客户端 key 权限、词表开关和 native vocabulary 请求体。新模型不因部署便自动获得 virtual key 权限；仅为用户批准的应用增加这两条路线，不扩大到全部模型。
官方文档：https://help.aliyun.com/zh/model-studio/fun-asr-flash-recorded-speech-recognition-http-api