transcription-dashscope

English

给 Hermes 加语音识别，收到语音消息时自动转成文字，桌面或 CLI 听写时边说边出字。识别走千问AI平台（原阿里云百炼，DashScope）的 Qwen-Audio-ASR，默认模型 qwen-audio-3.1-asr-flash-message。

准备

一个千问AI平台的 API Key，写进 .env：

DASHSCOPE_API_KEY=sk-xxx

也认 HERMES_CUSTOM_DASHSCOPE_API_KEY 和 TRANSCRIPTION_DASHSCOPE_API_KEY。

系统里要有 ffmpeg，插件用它把各种录音格式统一成 16 kHz 单声道再送去识别。

装好插件并重启网关，让新依赖生效：

hermes plugins enable transcription-dashscope
hermes gateway restart

打开

hermes config set stt.provider dashscope
hermes config set stt.enabled true
hermes config set stt.streaming true

stt.streaming 控制边说边出字，只想要语音消息转文字可以不开。

以下设置一般不用动，需要时再用 hermes config set 改：

stt:
  language: zh
  dashscope:
    model: qwen-audio-3.1-asr-flash-message
    base_url: https://maas.qianwenaiapi.com/api/v1
    workspace: ''

base_url 填 HTTP 地址就行，插件会自己换成实时接口地址；/compatible-mode/v1 这种 OpenAI 兼容地址也能用，SDK 只看主机名。Key 和地址都不配也能跑：它们依次读 TRANSCRIPTION_DASHSCOPE_*（本插件专用）、HERMES_CUSTOM_DASHSCOPE_*（自定义 provider 那套）、DASHSCOPE_*（内置 DashScope 那套），任意一套配好就可用。地址还可以在 config.yaml 里覆盖，优先级最高；workspace 只从配置或 TRANSCRIPTION_DASHSCOPE_WORKSPACE 读，填了才走工作空间网关。

stt.dashscope 下的键名和接口参数一致，除三处例外：format、sample_rate 由插件固定（音频先转成 16 kHz 单声道），api_key 只从环境变量读，base_url、language、parameters 是插件自己用的。其余原样透传，比如润色、VAD 断句和热词列表：

hermes config set stt.dashscope.disfluency_removal_enabled true
hermes config set stt.dashscope.max_sentence_silence 400
hermes config set stt.dashscope.vad_model near_meeting_16k

还能用 keep_dialect（保留方言原文）、speech_noise_threshold（语音/噪音阈值）、vocabulary_id（预编译热词）、language_hints（语种，最多 4 个）；冷门参数可以用 parameters 整体塞一个字典。

数据

音频和 API Key 发到你配置的端点，别的都不发。

还原

hermes config set stt.provider local
hermes plugins disable transcription-dashscope

出问题时

• 提示 DashScope SDK is not importable in this process：依赖装好了但当前进程还没切过去，重启网关。
• 提示 Arrearage: Access denied：账号欠费或该模型未开通，去千问AI平台控制台处理。
• 已经在出中间结果但不想看到：hermes config set stt.streaming false。
• SDK 2.0 的语音接口官方标注为 preview，升级 SDK 后先发一条语音消息确认一次。

限制

• 模型面向短音频和会话级识别，超长录音请换厂商的文件转写模型。
• 实时接口只收 16 kHz 采样率，其他格式由插件先转码。