语音识别
模型简介 说明 支持的领域/任务：audio（音频）/asr（语音识别）Paraformer语音识别API基于通义实验室新一代非自回归端到端模型，提供基于实时音频流的语音识别以及对输入的各类音视频文件进行语音识别的能力。可应用于：对语音识别结果...
创建专有语言模型
如果您需要的语音识别服务场景不在所提供的公共模型范围内，您可以自定义专属语言模型。本文为您介绍在控制台如何创建专有语言模型。登录 智能联络中心控制台。在左侧导航栏，选择 智能交互>实时语音识别。在通用设置页面，选择 语言模型>...
最佳实践
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调用过程中的文件传输耗时、加快文件转写吞吐效率。前提条件 已安装 FFmpeg。操作步骤 使用FFmpeg提取视频文件中的第一条音轨、将采样降到16kHz、并压缩编码...
最佳实践
预处理视频文件以提高文件转写效率 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，从而显著降低文件尺寸。这样做将大大加快...
最佳实践
预处理视频文件以提高文件转写效率 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，从而显著降低文件尺寸。这样做将大大加快...
语音识别自学习工具
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，达成优化目的。通过自学习工具的有效使用，能够提高场景语音识别率。在管理控制台训练定制模型的操作，请参见 管理...
计量计费
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...
概述
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，...
API详情
channel_id（可选）List[int][0]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]代表对第一条音轨进行识别、[0,1]代表对第一和第二条音轨分别进行识别等。返回结果示例 {"status_code":200,"request_id":"8c59f...
产品功能
智能语音交互 智能语音呼入 用户呼入后可通过回调接口获取企业设定的语音识别模型ID等参数，对用户的语音进行语音识别，将识别结果（一段文字）传给企业，企业根据自己的业务实际情况返回结果（一段音频或一段文字）给语音服务平台，语音...
录音文件识别API详情
channel_id（可选）List[int][0]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]代表对第一条音轨进行识别、[0,1]代表对第一和第二条音轨分别进行识别等。disfluency_removal_enabled boolean false 过滤语气词...
录音文件识别API详情
channel_id（可选）List[int][0]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]代表对第一条音轨进行识别、[0,1]代表对第一和第二条音轨分别进行识别等。disfluency_removal_enabled boolean false 过滤语气词...
应用场景
人工智能众包可以为如下业务场景提供服务：人工智能行业 智能家居的指定唤醒词语音收集、数字串朗读，可通过阿里巴巴集团的语音识别接口自动为语音质量打分，只交付合格的数据。智慧医疗领域：X光片、病历等数据采集，以及对病源部位进行...
概述
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...
快速开始
Paraformer语音识别 说明 支持的领域/任务：audio（音频）/asr（语音识别）Paraformer语音识别API基于通义实验室新一代非自回归端到端模型，提供基于实时音频流的语音识别以及对输入的各类音视频文件进行语音识别的能力。可被应用于：对...
快速开始
Paraformer语音识别 说明 支持的领域/任务：audio（音频）/asr（语音识别）Paraformer语音识别API基于通义实验室新一代非自回归端到端模型，提供基于实时音频流的语音识别以及对输入的各类音视频文件进行语音识别的能力。可被应用于：对...
什么是智能外呼机器人
语音精准识别：国内独创的字级LC-BLSTM/DFSMN-CTC建模，相对业界传统CTC方法降低了20%的错误率，大幅提高了语音识别的精度。人声自然合成：使用海量的音频数据训练合成数据，合成音真实饱满、抑扬顿挫、富有表现力，MOS评分达到业内优秀...
在控制台创建热词
操作步骤 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。在左侧导航栏单击 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...
Java 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...
快速入门示例
智能导航机器人负责外层的语音识别，答案合成，ivr控制，线路对接等工作。搭建一个语音导航机器人需要三步：云小蜜机器人服务授权 配置机器人应答话术 配置IVR基础动作 云小蜜机器人服务授权 首先我们创建一个语音导航机器人实例，在页面上...
语言模型
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，...
语言模型
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，...
接口说明
离线语音合成是指在弱网或无网状态下，通过设备本地的语音合成模型，将文本转换成自然流畅的语音。产品体验 更多合成效果可至 离线语音合成产品详情页 进行体验。功能介绍 离线语音合成主要包括以下功能，暂不支持多实例调用。提供语速调节...
智能语音交互试用服务及服务改进计划协议
1.3 智能语音交互服务：指阿里云面向客户方提供的语音识别以及语音合成等服务。1.4 业务数据：指您使用智能语音交互服务进行识别、合成或其他方式处理的原始数据。1.5 本服务：指智能语音交互服务的试用版本。1.6 阿里云官网：指阿里云官方...
CreateTask-创建听悟任务
2：识别出中间结果及完整句子时返回识别结果 2 AdditionalStreamOutputLevel integer 否 设置实时记录场景下活跃说话人对应的语音识别结果返回等级。1：识别出完整句子时返回识别结果；2：识别出中间结果及完整句子时返回识别结果；仅在...
功能发布记录
增加 无 2021年05月13日 功能分类 功能名称 功能描述 更新类型 相关链接 语音识别 识音石V1-端到端中文普通话识别模型 识别准确率高：基于自研端到端的语音识别框架，中文识别准确率可达业内最高水平。在客服，输入法，会议等领域识别字...
实体识别
输入“规则名称”，选择“索引范围”，选择“行业类型”为 电商分词，功能选择 选中“实体识别”，点击“确定”：注：在 实体类型主要性设置 中增删实体类型，默认使用系统内置词典，如果系统识别的实体存在badcase,可以使用干预词典进行...
语音类
iTAG 提供了音频分类、音频分割、音频识别的语音类标注模板，创建标注任务时，您需要根据应用场景选择标注模板。本文为您介绍语音类模板的应用场景及数据结构。背景信息 本文介绍以下语音类标注模板的数据结构：音频分类 音频分割 音频识别...
语音数据集
ASR泛热词表是一种用于语音识别服务的数据集，用于改善特定领域识别效果不佳的情况。以下是关于ASR泛热词表的一些说明：作用：ASR泛热词表主要用于解决语音识别服务在特定识别场景下的问题，如地名、人名、特定品牌名等。通过将这些词添加...
非开发者使用指南
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...
Python SDK
返回值：无 2.start 同步开始实时语音识别，该方法会阻塞当前线程直到实时语音识别就绪（on_start 回调返回）。参数说明 参数 类型 参数说明 aformat String 要识别音频格式，支持PCM，OPUS，OPU，默认值：PCM。SDK不会自动将PCM编码成OPUS...
产品优势
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...
什么是智能语音交互
灵积语音模型服务 灵积模型服务平台中的语音服务——Paraformer语音识别API是基于达摩院新一代非自回归端到端模型，提供对输入的各类音视频文件进行语音识别的能力，可被应用于客服质检、内容理解分析、字幕生成等。自学习平台 您可以使用...
服务升级与购买
本文以语音识别为例介绍业务开通后的相关变更操作，帮助您更灵活地使用智能语音服务。前提条件 完成智能语音服务开通，详情请参见 开通服务。重要 语音识别服务免费试用版提供最大不超过2路并发。如需更多并发，请升级商用版，升级前请阅读...
智能质检应用说明
基于达摩院先进的语音识别和自然语言理解技术，以及算法模型优化的效果，质检规则准确率和召回率可达90%。另外，产品内置6个质检方案模板，包含电商、金融、地产、运营商、能源热力行业以及通用模板，含200+质检规则，以帮助企业快速冷启动...
应用场景
智能语音呼入：用户呼入后可通过回调接口获取企业设定的语音识别模型ID等参数，对用户的语音进行语音识别，将识别结果（一段文字）传给企业，企业根据自己的业务实际情况返回结果（一段音频或一段文字）给语音服务平台，语音服务平台进行...
接口说明
为满足不同用户需求，NUI SDK既能够提供全链路的语音能力，同时可做原子能力SDK进行使用，并保持接口的统一。语音合成功能支持如下能力：支持输出PCM、MP3编码格式数据。支持设置语速、语调、音量。支持设置声音类型，如下表所示。名称 ...
WebSocket协议说明
task_id String 是 整个实时语音识别的会话ID，整个请求中需要保持一致，32位唯一ID。namespace String 是 访问的产品名称，固定为“SpeechTranscriber”。name String 是 指令名称，包含StartTranscription和StopTranscription指令。具体...
SDK FAQ
有SDK，在专有云安装包里默认不提供，可以通过阿里云帮助中心对应的服务文档中下载，如实时语音识别的 Android SDK 和 iOS SDK。移动端SDK可以调用公共云ASR、TTS服务，也可以用在专有云环境下。Token如何使用？公共云Token在不同项目间、...
基本概念
调用语音识别服务时，如果语音数据采样率高于16000Hz，需要先把采样率转换为16000Hz才能发送给语音识别服务；如果语音数据采样率是8000Hz，请勿将采样率转换为16000Hz，项目中选用支持8000Hz采样率的模型。采样位数（sample size）采样值或...