概念 RTC 智能纪要核心是一种语音转文本技术，可以将客户的语音识别成文字，并将识别结果存储在客户指定的对象存储中。场景 RTC 智能纪要可以完成但不限于以下几类场景：企业办公：OA、CRM等各类办公系统中集成RTC，可为企业提高会议、面试...
语音识别检测，可以直观的看到指定语音模型语音转文字的识别准确率，通过人工校验得到正确的文本标注结果，用来训练您的自定义模型；通过型对比可以看到每次优化后的准确率提升情况，从而让您十分高效的提升语音转文字的识别准确率。提升...
Input.LanguageHints list[string]null 指定多语言模型时需语音识别出文字的语种列表。当语音中涉及多个语种的语音均需识别出文字时，此参数用于限制语种类别，且仅当Input.SourceLanguage='multilingual'时配置生效。Input.TaskKey string...
请通过测试验证您所提供的文件能够获得正常的语音识别结果。音频文件大小和时长 音频文件不超过2GB；无时长限制。如果希望处理的文件超过了上述限制，可尝试对文件进行预处理以降低文件尺寸。有关文件预处理的最佳实践可以查阅 预处理视频...
预处理视频文件以提高文件转写效率 Paraformer语音识别API可以兼容视频文件，但由于视频文件尺寸通常较大、传输较为耗时，因此建议您对视频文件进行预处理。仅提取需要进行语音识别的音轨，并进行合理压缩，从而显著降低文件尺寸、减少API...
如果我们提供的服务不能满足您的特定需求，如语种、音色等，您也可以使用三方语音服务替换通义多模态交互开发套件中提供的语音识别、语音合成能力。我们支持通过文本调用后续对话链路，以及仅以文本模式输出对话结果。基于三方语音模型自身...
本文主要介绍智能语音交互的语音识别输入格式说明，以及输入语音格式不符合要求时常见问题以及方法，您可以优先在文本档获取对应解决方案。语音识别各服务支持的语音输入格式 语音识别服务 语音输入格式说明 一句话识别 支持的输入格式：单...
如果您需要的语音识别服务场景不在所提供的模型范围内，或者需要对标准模型进行更进一步优化，可以使用语音模型定制功能，能够显著提升场景下语音识别的准确率。训练语料说明 自学习平台为您提供热词和语言模型定制功能。热词功能：能够对...
预处理视频文件以提高文件转写效率（针对录音文件识别场景）虽然Paraformer语音识别API可以兼容视频文件，但由于视频文件尺寸通常较大、传输较为耗时，建议对其进行预处理，仅提取需要进行语音识别的音轨，并进行合理压缩，从而显著降低...
功能入口 在智能对话分析控制台中，点击智能工具，选择语音模型训练工具，进入语音识别参数设置界面 功能说明 编辑 选择编辑按钮可以对语音识别的重要参数进行设置，以优化语音识别的效果。参数编辑保存后，先在数据集质检中进行测试。非...
当您的语音识别需求超出预设模型范畴，或是希望对现有的标准模型进行个性化定制时，可以通过自学习平台的语言模型定制功能，根据自身业务相关的语料进行针对性训练和优化，从而提升语音识别效果。功能优势 通过使用阿里云语音自学习工具，...
示例：以上述JSON为例，“帮我 测试 一下这段代码”的语音识别结果将会是“帮我*一下这段代码”。内部字段：word_list:字符串数组，列出需被替换的敏感词。filter_with_empty 类型：对象。是否必填：否。描述：配置需从识别结果中移除...
本文档提供了Gummy实时语音识别/翻译Android SDK的详细使用指南，帮助您将语音转换为文本。用户指南：关于模型介绍和选型建议请参见 实时语音识别-Paraformer/Fun-ASR/Gummy 和 实时语音翻译。在线体验：模型体验 快速开始 获取API Key：...
本文档提供了Gummy实时语音识别/翻译Android SDK的详细使用指南，帮助您将语音转换为文本。用户指南：关于模型介绍和选型建议请参见 实时语音识别-Paraformer/Fun-ASR/Gummy 和 实时语音翻译-Gummy。在线体验：模型体验 快速开始 获取API ...
示例：以上述JSON为例，“帮我 测试 一下这段代码”的语音识别结果将会是“帮我*一下这段代码”。内部字段：word_list:字符串数组，列出需被替换的敏感词。filter_with_empty 类型：对象。是否必填：否。描述：配置需从识别结果中移除...
本文档提供了Gummy实时语音识别/翻译iOS SDK的详细使用指南，帮助您将语音转换为文本。用户指南：关于模型介绍和选型建议请参见 实时语音识别-Paraformer/Fun-ASR/Gummy 和 实时语音翻译。在线体验：模型体验 快速开始 获取API Key：获取...
本文档提供了Gummy实时语音识别/翻译iOS SDK的详细使用指南，帮助您将语音转换为文本。用户指南：关于模型介绍和选型建议请参见 实时语音识别-Paraformer/Fun-ASR/Gummy 和 实时语音翻译-Gummy。在线体验：模型体验 快速开始 获取API Key：...
示例：以上述JSON为例，“帮我 测试 一下这段代码”的语音识别结果将会是“帮我*一下这段代码”。内部字段：word_list:字符串数组，列出需被替换的敏感词。filter_with_empty 类型：对象。是否必填：否。描述：配置需从识别结果中移除...
使用WebSocket调用实时语音识别时，WebSocket经常自动终止服务，不能实现实时语音识别，需要手动发送PCM或WAV音频文件，是什么原因？以上情况表示系统已经接收到您传输的音频，在符合协议以及传参的情况下，WSS或HTTP协议都能实现实时语音...
示例：以上述JSON为例，“帮我 测试 一下这段代码”的语音识别结果将会是“帮我*一下这段代码”。内部字段：word_list:字符串数组，列出需被替换的敏感词。filter_with_empty 类型：对象。是否必填：否。描述：配置需从识别结果中移除...
正常情况下，服务端返回创建完成的热词词表PhraseId，用于后续的语音识别任务。如果调用出错，响应报文中会给出相关错误信息，以及RequestId，您可自行据此排查调用参数，也可以将响应报文通过工单形式提交给我们做进一步排查。使用热词词...
OpenAPI配置 您也可以通过调用OpenAPI接口的方式，配置实例级别的语音识别热词。您需要在调用 GenerateAIAgentCall-生成AI智能体通话实例 接口时，通过传入中的 AIAgentConfig.AsrConfig.AsrHotWords 实现。详情请参见 AIAgentConfig。说明...
AI搜索开放平台支持通过API的方式调用语音识别服务，可将视频或音频中的语音内容快速转化为结构化文本，可用于会议记录、视频检索、在线客服等场景。服务列表 服务名称 服务ID（service_id）服务描述 API调用QPS限制（含主账号与RAM子账号...
智能体通话记录：阿里云内置的语音识别技术，可以自动转录通话内容，从而便于您对通话记录进行审核、模型训练等操作。智能体回调：智能体回调允许您的应用在特定事件发生时自动触发预设的操作或响应。语音识别热词：如果您的业务中存在某些...
本文档介绍如何使用 DashScope Java SDK 调用实时语音识别（Qwen-ASR-Realtime）模型。用户指南：模型介绍、功能特性和示例代码请参见 实时语音识别-通义千问 请求参数 以下参数通过 OmniRealtimeParam 的链式方法设置。参数 类型 是否必须...
若想使用其他编程语言开发Gummy实时语音识别、翻译应用程序，可以通过WebSocket连接与服务进行通信。用户指南：关于模型介绍和选型建议请参见 实时语音识别-Fun-ASR/Gummy/Paraformer 和 实时语音翻译-Gummy。在线体验：模型体验 WebSocket...
若想使用其他编程语言开发Gummy实时语音识别、翻译应用程序，可以通过WebSocket连接与服务进行通信。用户指南：关于模型介绍和选型建议请参见 实时语音识别-Paraformer/Fun-ASR/Gummy 和 实时语音翻译-Gummy。在线体验：模型体验 WebSocket...
创建热词 设置热词后，新建的语音识别请求立即生效。已经运行的识别请求无法使用该热词。登录 智能语音交互控制台。在左侧导航栏选择 自学习平台 热词。在 热词 页面，单击 创建热词。在 添加热词组 弹框中，输入 热词组名称、选择 热词...
关键接口 NlsClient：语音处理客户端，利用该客户端可以进行一句话识别、实时语音识别和语音合成的语音处理任务。该客户端为线程安全，建议全局仅创建一个实例。SpeechTranscriber：实时语音识别类，通过该接口设置请求参数，发送请求及...
本文档介绍如何使用 DashScope Python SDK 调用实时语音识别（Qwen-ASR-Realtime）模型。用户指南：模型介绍、功能特性和示例代码请参见 实时语音识别-通义千问 请求参数 以下参数通过 OmniRealtimeConversation 的构造方法设置。参数 类型...
对一分钟内的短语音进行识别，适用于对话聊天、控制口令、语音输入法、语音搜索等较短的语音识别场景。功能简介 NUI SDK提供更小的工具包和更完善的状态管理。为满足不同用户需求，NUI SDK既能提供全链路的语音能力，同时可做原子能力SDK...
在电话端支持哪些国家的语音识别？在语音识别的服务中，有没有请求参数是音频文件地址，返回参数是转写文本？实时语音转写能和录音文件识别一样加入音轨ID吗？录音文件识别可以生成SRT字幕文件吗？语音识别服务支持哪些编码格式的音频？...
用户指南：模型介绍、功能特性和示例代码请参见 实时语音识别-通义千问 session.update 用于更新会话配置，建议在 WebSocket 连接建立后首先发送该事件。建议在WebSocket连接建立成功后，立即发送此事件作为交互的第一步。如果未发送，系统...
SDK主要事件回调*@param event:回调事件，参见如下事件列表*@param dialog:会话编号，暂不使用*@param wuw:语音唤醒功能使用（暂不支持）*@param asr_result:语音识别结果*@param finish:本轮识别是否结束标志*@param resultCode:参见错误...
一句话识别功能支持对一分钟内的短语音进行识别，适用于对话聊天、控制口令、语音输入法、语音搜索等较短的语音识别场景。计费和并发限制 一句话识别提供试用版和商用版两种计费模式，详情请参见 试用版和商用版。如果您需要将试用版升级为...
本章节介绍阿里云文字识别的服务等级协议（简称“SLA”）。OCR服务协议请参看 阿里云服务协议（通用）版本生效日期：2021年12月1日 本服务等级协议（Service Level Agreement，简称“SLA”）规定了阿里云向客户提供的文字识别的服务可用性...
上传的语音识别音频需满足：16bit（采样位深）、单声道、有符号、little-endian PCM编码，采样率参考 Start 消息的参数parameters.upstream.sample_rate的取值说明。如果希望减少网络流量和带宽占用，用户可以把PCM音频编码为Opus格式，...
SDK主要事件回调*@param event:回调事件，参见如下事件列表*@param dialog:会话编号（暂不支持）*@param wuw:语音唤醒功能使用（暂不支持）*@param asr_result:语音识别结果*@param finish:本轮识别是否结束标志*@param resultCode:参见...
标注框尽量贴合识别字段，若文字倾斜或不规则也可通过「多边形标注」工具使其边框紧密贴合待识别文字。尤其是对于密集文字、有纹理干扰的情况，标注框贴合的需要更细致的标注，以便最终模型训练完成后获得更好的效果。若同一个字段存在多行...
语音算法服务拆分为语音合成与语音识别 描述：将大模型场景与小模型场景中【语音&VUI】的语音算法能力拆分成语音合成和语音识别服务配置，方便客户对ASR和TTS的自定义选择。大模型场景支持第三方语音ASR识别服务 描述：大模型场景支持第三...