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...
使用场景 您可以将本地发布端或订阅端的音频数据通过阿里云语音识别服务转换成文字，实现流程如下所示：阿里云RTC会将音频数据发送至音频识别SDK中。音频识别SDK将音频数据发送至音频识别服务进行实时语音处理并返回识别结果。音频识别SDK...
使用场景 您可以将本地发布端或订阅端的音频数据通过阿里云语音识别服务转换成文字，实现流程如下所示：阿里云RTC会将音频数据发送至音频识别SDK中。音频识别SDK将音频数据发送至音频识别服务进行实时语音处理并返回识别结果。音频识别SDK...
使用场景 您可以将本地发布端或订阅端的音频数据通过阿里云语音识别服务转换成文字，实现流程如下所示：阿里云RTC会将音频数据发送至音频识别SDK中。音频识别SDK将音频数据发送至音频识别服务进行实时语音处理并返回识别结果。音频识别SDK...
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...
而智能联络机器人基于自动语音识别、文字转语音以及自然语言理解等技术，面向企业客户提供的一款智能客服机器人产品。智能联络机器人可根据业务场景，自动发起联络任务，根据客户的意图进行智能应答。前提条件 已 注册阿里云账号，并完成 ...
系统会识别您的语音，并转成文字。您可以单击左侧 图标 取消输入，或单击右侧 图标 切换到打字输入。单击 发送 或者回车，系统将返回对话结果。对话列表 您可以单击左上角的 图标，查看历史的智能体对话。单击 图标可进入新的智能体对话...
产品优势 高精度语音识别 能够将实时音频流或音视频文件中的语音转写成文字，支持中文、英文、粤语、日语、韩语、德语、法语、俄语的转写及实时双向互译。转写结果可返回段落、句子划分和词级别的起止时间，用于对应字幕展示。大模型全面...
智能语音交互（Intelligent Speech Interaction）是基于语音识别、语音合成、自然语言理解等技术，为企业在多种实际应用场景下，赋予产品“能听、会说、懂你”式的智能人机交互功能。适用于智能问答、智能质检、法庭庭审实时记录、实时演讲...
语音转写是通义听悟的核心功能，用以将音视频文件或实时音频流中的语音转写成文字。语音转写是通义听悟API服务链路中的第一个节点，必选其中的一种形式，无法禁用。支持中、英、粤、日等语种，可在转写参数中配置说话人分离功能。请求参数 ...
语音识别（语音转文字）在 语音识别 处单击 去配置，选择语言后，单击右下角麦克风按钮开始识别，完成后单击 确认使用。语音合成（文字转语音）在 语音合成 处单击 去配置，选择声音后，在右侧文本框输入文字，单击右下角扬声器按钮开始...
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...
在输入法、客服、会议等领域，文字识别错误率相比上一代系统下降10%～30%，大幅提高了语音识别的精度。识别速度快 采用“字”级别建模单元及自研模型推理引擎，并发推理速度相比业内主流推理框架提升10倍以上；中国独创的LFR解码技术，在不...
说明 若要实现语音识别或文本朗读功能，您必须配置以下节点：配置 STT 语音转文字 节点可以实现按键语音识别。配置 TTS 文字转语音 节点可以实现文本朗读。STT 语音转文字 该节点负责将语音输入转换成可读的文字格式，支持多语种识别。系统...
警告 SenseVoice 服务即将下线：SenseVoice 录音文件识别服务即将下线，为避免影响业务，请尽快迁移至其他语音识别服务（录音文件识别-Paraformer/Fun-ASR、录音文件识别-通义千问）。本文介绍SenseVoice录音文件识别RESTful API的使用。...
类别 兼容范围 系统 支持 HarmonyOS Next 5.0 版本，API LEVEL 12,DevEco Studio版本号 5.0.3.403 架构 arm64-v8a 此SDK还包含如下功能：功能 是否支持 一句话识别 是 实时语音识别 是 语音合成 是 实时长文本语音合成 是 流式文本语音合成...
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 说明 一句话识别/翻译能够直接对一分钟内的音频流（无论是从外部设备如麦克风获取的音频流，还是从本地文件读取的...
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 说明 一句话识别/翻译能够直接对一分钟内的音频流（无论是从外部设备如麦克风获取的音频流，还是从本地文件...
语音识别效果参数 通过 setParams 接口配置nl_config参数，或者通过 startFileTranscriber 接口配置所有语音识别效果参数。参数示例：以下为 JSON 字符串示例，参数未完整列出。请按实际需求在编码时补充：{"file_urls":[...
Python SDK 一句话识别、实时语音识别、录音文件识别、录音文件识别闲时版、语音合成、C++ SDK 一句话识别、实时语音识别、语音合成 Go SDK 一句话识别、实时语音识别、语音合成 Node.js SDK 一句话识别、实时语音识别、语音合成 小程序 ...
请参考 使用SDK设置业务专属热词，将为您介绍在一句话识别、实时语音识别、录音文件识别中如何设置泛热词。SDK报错“DNS resolved timeout”是什么问题？查看/etc/resolv.conf 文件中nameserver的设置，建议增加并优先使用以下配置：...
语音识别效果参数 通过 nui_set_params 接口配置nl_config参数，或者通过 nui_file_trans_start 接口配置所有语音识别效果参数。参数示例：以下为 JSON 字符串示例，参数未完整列出。请按实际需求在编码时补充：{"file_urls":[...
语音识别效果参数 通过setParams接口配置nl_config参数，或者通过 startFileTranscriber 接口配置所有语音识别效果参数。参数示例：以下为 JSON 字符串示例，参数未完整列出。请按实际需求在编码时补充：{"file_urls":[...
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...
除语音识别、翻译、说话人分离外，还包括章节速览、大模型摘要总结（全文摘要、发言总结、问答回顾、思维导图）、要点提炼（关键词、待办事项、重点内容、场景识别）、服务质检、PPT提取及摘要、口语书面化、自定义prompt等功能。...
语音识别效果参数 通过 nui_set_param 接口配置nl_config参数，或者通过 nui_file_trans_start 接口配置所有语音识别效果参数。参数示例：以下为 JSON 字符串示例，参数未完整列出。请按实际需求在编码时补充：{"file_urls":[...
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...
文字提取 语音识别 2025-11-20 qwen3-asr-flash-filetrans、qwen3-asr-flash-filetrans-2025-11-17（快照版）通义千问录音文件识别发布了新模型，专为音频文件的异步转写设计，支持最长12小时录音。录音文件识别-通义千问 界面交互 2025-11...
类别 兼容范围 系统 支持 HarmonyOS Next 5.0 版本，API LEVEL 12,DevEco Studio版本号 5.0.3.403 架构 arm64-v8a 此SDK还包含如下功能：功能 是否支持 一句话识别 是 实时语音识别 是 语音合成 是 实时长文本语音合成 是 流式文本语音合成...
使用Android Studio打开此工程查看参考代码实现，其中实时语音识别示例代码为SpeechTranscriberActivity.java文件，替换Appkey和Token后可直接运行。SDK关键接口 initialize：初始化SDK。初始化SDK，SDK为单例，请先释放后再次进行初始化。...
智能纪要 高精度语音识别：能够将实时音频流或音视频文件中的语音转写成文字，支持中文、英文、粤语、日语、韩语、德语、法语、俄语的转写及实时双向互译。转写结果可返回段落、句子划分和词级别的起止时间，用于对应字幕展示。大模型全面...
STT 语音转文字 该节点负责将语音输入转换成可读的文字格式，支持多语种识别。系统预置：系统预置模型支持您选择语言模型、设置静默时间以及配置自定义热词。语言模型：您可以根据您的业务场景，选择不同的语言模型。静默时间：当用户没有...
STT 语音转文字 该节点负责将语音输入转换成可读的文字格式，支持多语种识别。系统预置：系统预置模型支持您选择语言模型、设置静默时间以及配置自定义热词。语言模型：您可以根据您的业务场景，选择不同的语言模型。静默时间：当用户没有...
Native 2024-07-31 智能体回调 实时字幕 AI智能体和用户的对话信息将会被实时转换成文字，并由客户端进行展示。Native 2024-07-31 实时字幕 欢迎词 您可以在用户与AI智能体开始对话时设置欢迎词。控制台&API 2024-07-31 数据归档 用户和AI...
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...
新增 接口说明 语音识别 实时语音识别断句时长优化 实时语音识别默认最大断句时长由60秒缩短至15秒，方便您进行相关接口调用。优化 接口说明 语音识别通用模型和客服质检问题修复 语音识别16k中文通用模型，改善语音活动检测（Voice ...
背景信息 方案 适用接口 方案一：通过App服务端创建Token并下发到移动端使用 一句话识别 实时语音识别 录音文件识别极速版 语音合成 实长文本时语音合成 语音分析等 方案二：使用STS临时访问凭证调用语音服务 离线语音合成 方案一：通过App...
录音文件识别闲时版是针对已经录制完成的录音文件，进行离线识别的服务。录音文件识别闲时版是非实时的，识别的文件需要提交基于HTTP可访问的URL地址，不支持提交本地文件。与录音文件识别区别在于返回时间不同，闲时版为24小时内返回结果...
录音文件识别是针对已经录制完成的录音文件，进行离线识别的服务。录音文件识别是非实时的，识别的文件需要提交基于HTTP可访问的URL地址，不支持提交本地文件。计费和并发限制 录音文件识别提供试用版和商用版两种计费模式，详情请参见 ...