支持服务 语音识别：录音文件识别、实时语音识别、一句话识别 语音合成：语音合成 语音分析：说话人识别、声音事件检测、性别识别、语种识别 语音识别：录音文件识别、实时语音识别、一句话识别、录音文件识别（极速版）、录音文件识别（闲...
功能 模型规格 单次调用价格 语音识别 实时语音识别 限时免费 离线语音识别 0.33元/小时 图片识别 通义晓蜜-VLMax 0.01元/次调用 大模型分析 通义晓蜜-Plus 0.01元/次调用 通义晓蜜-Turbo 0.001元/次调用 常见问题 如何开通通义晓蜜-CCAI...
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”式的智能人机交互体验。适用于多个应用场景中，包括智能问答、智能质检、法庭...
智能对话分析(Smart Conversation Analysis)依托于阿里云语音识别和自然语言分析技术，为企业用户提供智能的对话分析服务，支持语音和文本数据的接入。可用于电话/在线客服坐席服务质量检测、风险监控识别、服务策略优化等场景。
图像编辑-通义千问 实时语音识别 2025-10-27 qwen3-asr-flash-realtime、qwen3-asr-flash-realtime-2025-10-27 通义千问实时语音识别大模型具备自动语种识别功能，可识别 11 种语音类型，并能在复杂音频环境下较为准确地转录。实时语音识别...
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 前提条件 已开通服务并获得API-KEY：获取与配置 API Key。建议您 配置API Key到环境变量，从而避免在代码里...
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...
本文为您介绍Paraformer语音识别的计费详细说明。计费方式 模型服务 模型名 计费单元 计费单价 Paraformer语音识别 paraformer-1 秒（不足1秒四舍五入）0.00008元/秒 paraformer-8k-1 paraformer-mtl-1 重要 Paraformer语音识别模型服务仅...
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...
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...
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...
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...
调整内容 新增计费类型：本次调整后，语音识别能力 通过API接入方式实现离线语音转译服务将进行收费：离线语音识别：0.33元/小时 新增 图片识别能力，通过通义晓蜜-VLMax模型实现图片文字识别、总结、推理，该服务的API接入将进行收费。...
您在使用智能语音交互进行语音识别时，如果有部分词汇默认识别效果不满足您的需求，您可以使用热词功能提高业务相关术语的识别精度。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...
开启语音识别 步骤一：创建阿里云智能语音交互语音识别项目 进入 阿里云智能语音交互首页 并 开通服务。进入 阿里云智能语音交互-全部项目，单击 创建项目。在对话框中填写 项目名称，项目类型 选择为 语音识别+语音合成+语音分析 或 仅...
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Java SDK的使用。用户...
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...
阿里云智能语音交互对某些场景（包括通用、教育、司法、医疗等）进行了大量语音识别训练，提供了高准确率场景模型。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...
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...
功能 语音转写 章节速览 摘要总结（全文摘要、发言总结、问答回顾）要点提炼（待办事项、关键词、重点内容）口语书面化 服务质检 自定义Prompt 实现步骤 为了提高语音识别准确度，建议客户端集成RTC的智能降噪模块，这样有助于 提高语音...
购买资源包 本文以实时语音识别为例进行说明，需确保实时语音识别服务已升级为商用版。登录 智能语音交互控制台，在左侧导航栏选择 服务管理与开通。在语音识别页签，单击 实时语音识别 右侧的 购买资源包。在购买页面，选择对应规格和数量...
当开始识别时，此回调被连续调用，App需要在回调中进行语音数据填充，语音数据来自App的录音*@param info:在使用时间戳功能时返回时间戳结果，json格式*@param info_len:info字段的数据长度*@param buffer:合成的语音数据*@param len:合成...
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...
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...
本文汇总了您在使用智能语音交互产品中关于计费相关的常见问题。录音文件识别所有的调用都会计费，还是只有识别成功的才会...语音识别和语音合成调用如果出错是否计费？请求的状态码如果是2xx，则正常计费，其他状态码如4xx或者5xx不会计费。
语音服务 语音服务（Voice Service），是阿里云为了方便用户使用语音能力，联合运营商提供稳定可靠、安全可信的云通信...智能语音交互 增值服务 ASR 提供语音识别，语音转文本服务。录音 提供录音服务。行业云联络中心_座席 提供坐席服务。
本文介绍了如何使用阿里云离线语音合成服务提供的iOS NUI SDK，包括下载安装SDK和语音包、SDK关键接口及代码示例。前提条件 阅读接口说明，详情请参见 接口说明。已获取项目Appkey，详情请参见 创建项目。已获取AccessKey ID和 AccessKey ...
在 语音识别ASR 下，单击 修改配置，选择语言识别模型，单击 确认使用。在项目配置页面的 自学习 区域，选中您已定制好的模型场景，单击 应用。说明 语言模型定制时选的基础模型需要和当前项目配置的语音识别模型一致，才会在下拉框中显示...
在通义听悟的语音转写中，如果您的业务领域有部分词汇默认识别效果不够好，可以考虑使用热词功能，将这些词添加到热词词表从而改善语音识别效果。使用须知 目前仅支持中文和英文热词识别。每个用户默认最多创建10个热词词表。每个词表最多...
功能概述 语音识别热词功能允许用户设定一组特定的词汇作为热词。当语音识别系统运行时，它会优先处理这些热词，提高其在识别过程中的权重。如果您的业务领域有部分词汇识别效果不佳，可以考虑使用热词功能，从而提高识别效果。使用限制 ...
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...
视频语音识别标签：开启 asr。说明 配置智能标签功能开启的分析类型，将会产生费用，收费标准请参见 智能标签。ocr FaceCategoryIds string 否 参与识别的⼈脸库 ID 列表，可多选，⽤半角逗号（,）分隔。可填⼊系统⼈脸库 ID 和⾃定义⼈脸...
语音识别能自动断开多句话吗？语音识别服务支持离线功能吗？语音识别支持哪些模型？语音识别是否可以混合识别极少量英文单词和字母？开启ITN（逆文本规整）后，中文数字混合时为什么并不是全部转为阿拉伯数字？录音文件识别的enable_sample...
asr useAudioData 类型:({ audio,taskStatus,taskId })=Promise CustomASRModelResponse 描述:用户自定义 ASR 服务使用，用户可以通过 hook 入参获取用户输入语音的二进制数据、当前语音识别任务的状态（'taskStart'：任务开始，'...
取值：SpeechRecognitionOnly：仅语音识别。SpeechRecognitionAndSynthesisAndAnalysis：语音识别+语音合成+语音分析。DeviceSDKSolution：设备端解决方案。SpeechSynthesisOnly：语音合成 Description String 否 否 项目描述。无 SdkType ...
系统基于已学习的指令集进行实时语音识别，支持高并发、低延迟的工业级语音交互响应。③ 结果呈现：设备端首先接收原始语音转写结果，Agent 随即进行语义理解与上下文纠错，输出修正后指令。转写结果可实时刷新并推送至您的业务系统，确保...
目前可选用的领域专属模型如下表所示：模型名称 参数值 支持语言 采样率 实时/离线 适用场景 汽车领域销售对话语音识别模型 domain-automotive 中文 16k 离线 适用于汽车行业，包括门店接待、汽车试驾、车型推销等场景下的语音识别 教育...
在语音识别中，如果您的业务领域有部分词汇默认识别效果不够好，可以考虑使用热词功能，将这些词添加到词表从而改善识别结果。本文为您介绍语音转文本热词库的创建流程与使用流程。创建热词库 登录 智能联络中心控制台。在左侧导航栏，大...
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...
音频格式说明 类型 可选参数设置 语音格式说明 语音识别 upstream.audio_format 支持的输入格式："pcm"：PCM编码（无压缩的PCM或WAV），16bit 采样深度，单通道。raw-opus"：裸 OPUS 数据，以定长发送 音频采样率：默认16000 Hz。语音合成...