语音识别和翻译 上传视频后，通过语音识别技术，自动将语音转换成通过机器翻译快速生成结果字幕。高效译后编辑 提供友好的线上编辑平台，展示基于时间轴的字幕，支持不同字幕样式的编辑能力，实时展示编辑结果。多种导出模式 提供视频字幕...
DeleteAsrModel 删除语音识别基础模型。DeleteData 删除数据。DeleteProject 删除项目或应用。PublishAsrModel 发布ASR模型。TrainAsrModel 训练ASR模型。UpdateProject 更新项目或应用。UpdateTtsModel 更新TTS基础模型。...
智能语音交互 智能语音交互基于语音识别、合成与自然语言理解技术，赋予产品“能听、会说、懂你”的交互体验，适用于智能问答、质检、庭审记录等多场景，广泛应用于金融、保险、司法、电商等领域。更多详情，请参见 应用场景。
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。...
智能语音交互产品基于语音识别、语音合成、自然语言理解等技术，实现“能听、会说、懂你”式的智能人机交互体验，适用于智能客服、质检、会议纪要、实时字幕等多个企业应用场景。本文为您介绍如何使用智能语音交互，帮助您快速了解其使用...
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...
支持语音识别的语言代码：zh：中文 en：英文 ja：日语 ko：韩语 yue：粤语 de：德语 fr：法语 ru：俄语 es：西班牙语 it：意大利语 pt：葡萄牙语 id：印尼语 ar：阿拉伯语 th：泰语 支持翻译的语言代码：zh：中文 en：英文 ja：日语 ko：...
支持语音识别的语言代码：zh：中文 en：英文 ja：日语 ko：韩语 yue：粤语 de：德语 fr：法语 ru：俄语 es：西班牙语 it：意大利语 pt：葡萄牙语 id：印尼语 ar：阿拉伯语 th：泰语 支持翻译的语言代码：zh：中文 en：英文 ja：日语 ko：...
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...
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...
语音识别类常见问题主要分为以下几类：功能类 自学习模型的调用限制是什么？控制台与POP API设置自学习模型的区别是什么？如何通过控制台添加热词？如何通过控制台设置泛热词的权重？如何通过POP API创建热词词表？热词有数量限制吗？除了...
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Python SDK的使用。...
默认支持，无需配置 ✅ 默认支持，无需配置 ✅ 默认支持，无需配置 定制热词 ✅ 参见 Paraformer语音识别热词定制与管理 ✅ 参见 Paraformer语音识别热词定制与管理 ✅ 参见 Paraformer语音识别热词定制与管理 指定待识别语种 ❌ ❌ ❌ ...
关于达摩院智能语音交互语音识别准确度的数字，我们通过了CNAS（国家软件测试中心）的评测，国家软件中心对语音识别算法准确度测试中，在60分贝以下的降噪环境中，用普通话在距离耳麦1厘米的位置，以240字/小时的匀速朗读样本量1207字的...
用户指南：关于模型介绍和选型建议请参见 实时语音识别-Fun-ASR/Gummy/Paraformer 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...
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...
默认支持，无需配置 ✅ 默认支持，无需配置 ✅ 默认支持，无需配置 定制热词 ✅ 参见 Paraformer语音识别热词定制与管理 ✅ 参见 Paraformer语音识别热词定制与管理 ✅ 参见 Paraformer语音识别热词定制与管理 指定待识别语种 ❌ ❌ ❌ ...
应用案例：网约车司机行为安全监控与敏感内容检测 背景 某出行公司希望通过语音识别技术，对网约车内录制的音频进行分析，从多人对话中准确提取司机的语音片段，识别司机语音中是否存在违规内容。通过 AnalyticDB for MySQL 提供的声纹识别...
默认支持，无需配置 ✅ 默认支持，无需配置 ✅ 默认支持，无需配置 定制热词 ✅ 参见 Paraformer语音识别热词定制与管理 ✅ 参见 Paraformer语音识别热词定制与管理 ✅ 参见 Paraformer语音识别热词定制与管理 指定待识别语种 ❌ ❌ ❌ ...
paraformer-realtime-v2、paraformer-realtime-v1、paraformer-realtime-8k-v2、paraformer-realtime-8k-v1 实时语音识别（Fun-ASR）：fun-asr-realtime、fun-asr-realtime-2025-11-07、fun-asr-realtime-2025-09-15 实时语音识别（Qwen-...
支持电话、手机、智能工牌及车载设备等录音输入，通过多语言识别与分析，助力企业提升生产效率和操作精准度。产品优势 专为工业场景打造，高噪环境下精准识别 基于深度降噪算法与工业声学模型，有效过滤车间噪音，精准捕捉关键语音指令。...
通过SDK调用实时语音识别 使用Java开发语言调用SDK，可用于生产环境。通过Python示例调用录音文件转写 Python脚本示例，可上传长语音文件（512 MB以内）。通过SDK调用语音合成 使用Java开发语言调用SDK，可用于生产环境。通过Curl命令调用...
可以使用这些历史数据作为语料来对自定义的语言模型进行训练，自定义的语言模型在训练时，是在通用模型的基础上进行训练的，通过对您的训练语料做模型训练，可以有效提高您的特有场景的语音识别准确率，尤其是专有名词和文本中的高频词汇，...
说明 语音识别：针对视频中无字幕的场景，对视频中的语音进行识别，以识别的文案作为主字幕。字幕识别：针对视频中包含底部字幕的场景，对视频中的字幕进行识别，以识别的文案作为主字幕。4.2 开始翻译 点击 开始翻译 按钮后，将开始对视频...
channelId List Integer[0]否 指定在多音轨文件中需要进行语音识别的音轨索引，以List的形式给出，例如[0]表示仅识别第一条音轨，[0,1]表示同时识别前两条音轨。specialWordFilter String-否 指定在语音识别过程中需要处理的敏感词，并支持...
支持设置多语言识别：语种和方言模型无法在编码时指定，需要在智能语音交互控制台的 全部项目 中对相关项目执行 项目功能配置 操作，选择对应的模型。详情请参见 管理项目。目前支持的语种和方言模型如下：语种 语言 模型名称 采样率 标点 ...
智能纪要：基于语音识别和大语言模型，对会议、访谈、课堂等场景下的实时或离线录音进行智能总结分析。支持章节速览、大模型摘要总结（全文摘要、发言总结、要点回顾、思维导图）、要点提炼（关键词、待办事项、场景识别）、PPT提取及摘要...
SenseVoice语音识别大模型专注于高精度多语言语音识别、情感辨识和音频事件检测，支持超过50种语言的识别，中文与粤语识别准确率相对提升在50%以上。说明 仅支持中国大陆（北京）地域。模型名称 支持的语言 支持的格式 单价 免费额度 ...
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 ...
语音识别 语音识别服务001：提供语音转文本能力，可将视频或音频中的语音内容快速转化为结构化文本。该服务支持多种语言。视频截帧 视频截帧服务001：提供视频内容提取能力，可从视频中捕获关键帧画面。结合多模态向量服务或图片解析能力，...
自定义敏感词：配置敏感词后，语音识别如果检测到敏感词，客户端字幕将直接进行脱敏处理，并使用“*”进行替换。详情请参见 自定义敏感词。三方插件：当前支持选择 讯飞语音识别。获取对应参数请前往 讯飞实时语音听写。LLM 大语言模型 ...
小语种文字识别 API 描述 通用多语言识别 通用多语言识别能够支持国际主流几大语系的自动语言分类判定并返回对应语言的文字信息。语言检测覆盖十余个国家地区语种，适用于国际化所需的各类图文识别与信息翻译场景。英语专项识别 英文专项...
服务端 2025-05-16 语音识别热词 离线视频分析 支持离线视频重新分析。服务端 2025-05-31 记忆轮数 工作流支持记忆对话轮数配置。控制台 2025-05-31 消息对话 富消息输入和输出 Web端支持输出代码/表格的 Markdown格式。Web 2025-05-31 ...
2025-12-19 文档内容解析 06月 类别 功能名称 功能描述 发布时间 相关文档 新增 语音识别 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...
ASR热词 您可以定义业务相关的热词，以此提升AI智能体在语音识别中的准确率。声纹降噪 在多人交谈的场景中，智能体通过识别主讲人的声纹特征，更加精确地捕捉和保留主讲人的语音，同时降低对无关噪音的干扰。真人接管 在用户与智能体进行...
channel_id list[int][0]否 指定在多音轨文件中需要进行语音识别的音轨索引，以List的形式给出，例如[0]表示仅识别第一条音轨，[0,1]表示同时识别前两条音轨。special_word_filter str-否 指定在语音识别过程中需要处理的敏感词，并支持对...
智能语音交互 智能语音交互是基于语音识别、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”式的智能人机交互体验。适用于多个应用场景中，包括智能问答、智能质检、法庭庭审实时记录、实时演讲...
多模态产品 覆盖文本、文档、图片、音频和视频模态，与文档解析、语音识别、图像识别相结合，满足多样化应用需求。产品计费 机器翻译主要是对翻译的内容进行计费。机器翻译目前支持的计费方式包括：后付费：按量计费，先使用再付费。资源包...
ASR热词 您可以定义业务相关的热词，以此提升AI智能体在语音识别中的准确率。声纹降噪 在多人交谈的场景中，智能体通过识别主讲人的声纹特征，更加精确地捕捉和保留主讲人的语音，同时降低对无关噪音的干扰。真人接管 在用户与智能体进行...
ASR热词 您可以定义业务相关的热词，以此提升AI智能体在语音识别中的准确率。声纹降噪 在多人交谈的场景中，智能体通过识别主讲人的声纹特征，更加精确地捕捉和保留主讲人的语音，同时降低对无关噪音的干扰。真人接管 在用户与智能体进行...