AI能力清单
AI存储支持的AI能力列表：类目 能力名称 API接口 技术文档 目标检测 IPC视频目标检测 DetectVideoIPCObject IPC视频目标检测 IPC图像目标检测 DetectIPCObject IPC图像目标检测 文字识别 视频文字识别 RecognizeVideoCharacter 视频文字...
BatchRobotSmartCall-发起机器人外呼任务
1234567 EarlyMediaAsr boolean 否 早媒体语音识别标识。默认为 fasle，即不启用。如果需要启用早媒体语音识别标识，请设置为 true。true TaskName string 是 任务名称。支持中文和英文，0~30 个字符。批量任务测试 ScheduleTime long 否 ...
2022年
2022-04-30 华东2（上海）视频拆条 2022年3月 类目名称 能力名称 功能描述 发布时间 发布地域 相关文档 文字识别 视频文字识别 视频文字识别能力可以实现对输入视频的结构化处理，返回对应的文字内容、文字区域坐标及时间等信息。...
计费项
视频理解 视频封面、镜头解析、视频OCR、视频拆条、视频内容理解 视频生产 视频校色、视频插帧、SDR转HDR、视频SDR调色、视频字幕擦除、视频画幅变换、电商视频摘要、视频标志擦除、影视视频摘要、通用视频生产、视频综合增强、视频超分辨...
文字识别介绍
视频文字识别 可以实现对输入视频的结构化处理，返回对应的文字内容、文字区域坐标及时间等信息。车辆交通类识别 驾驶证识别 识别驾驶证首页和副页关键字段内容，包括：档案编号、姓名、有效期时长、性别、发证日期、驾驶证号、驾驶证准驾...
SmartCall-发起智能语音交互通话
abcdefgh EarlyMediaAsr boolean 否 早媒体语音识别标识。取值：false（默认）：关闭。true：开启。说明 设为 true 会记录通话未接听的原因。true VoiceCodeParam string 否 TTS 参数传递字符串，格式为 JSON。必须与 VoiceCode 的 TTS ...
视频文字识别
本文介绍文字识别（ocr）类目下的RecognizeVideoCharacter视频文字识别的语法及示例。功能描述 视频文字识别能力可以实现对输入视频的结构化处理，返回对应的文字内容、文字区域坐标及时间等信息。说明 您可以进入 在线咨询 获取在线人工...
能力开通
RecognizePdf PDF识别 RecognizeVideoCharacter 视频文字识别 车辆交通类识别 RecognizeDrivingLicense 行驶证识别 RecognizeVINCode VIN码识别 RecognizeDriverLicense 驾驶证识别 RecognizeLicensePlate 车牌识别 行业票证类识别 ...
视觉智能开放平台的审计事件
RecognizeVideoCharacter 通用视频文字识别。RecognizeVietnamIdentityCard 越南OCR证件照识别。Renew 实例或者资源包等的续费操作。RetouchBody 身体美型。RetouchSkin 美肤。SearchBodyTrace 搜索相似Trace。SearchFace 人脸搜索接口。...
语音识别输入格式FAQ
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：...
iOS和Mac
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...
功能发布记录
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 ...
最佳实践
说明 若您有合作需求或技术咨询请进钉钉群：63840009561 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...
产品公共FAQ
产品公共常见问题主要分为以下几类：功能类 使用阿里云音视频通信RTC如何调用语音识别服务？智能语音交互服务中语音识别和语音合成用到的端口是哪些？开通商用或者扩容并发，多久才会在控制台上显示？智能语音交互创建的项目数量有限制吗？...
聊天/群聊时如何发语音？
概述 本文介绍在聊天/群聊时发送语音聊天，同时如何将他人的语音转换成文字。详细信息 若在聊天的时候，想发送语音，可点击聊天框左下角的麦克风按钮，然后按住说话发送语音，最长可以录60秒。若开启了全屏语音功能，则长按聊天框的空白处...
最佳实践
Paraformer语音识别 了解如何通过从视频文件中提取音轨、并进行合理的压缩以显著降低文件尺寸，从而减少API调用过程中的文件传输耗时、加快文件转写吞吐效率，请查阅：预处理视频文件以提高文件转写效率。通过OSS可以提高文件转写的效率和...
最佳实践
Paraformer语音识别 了解如何通过从视频文件中提取音轨、并进行合理的压缩以显著降低文件尺寸，从而减少API调用过程中的文件传输耗时、加快文件转写吞吐效率，请查阅：预处理视频文件以提高文件转写效率。通过OSS可以提高文件转写的效率和...
语音识别
paraformer-v1 Paraformer中英文语音识别模型，支持16kHz及以上采样率的音频或视频语音识别。中英文语音识别；录音文件识别；paraformer-8k-v1 Paraformer中文语音识别模型，支持8kHz电话语音识别。中文语音识别；电话语音识别；paraformer...
iOS SDK
TRTC实时音视频和语音识别结合，当同时调用麦克风时可能会发生冲突，导致有一方没有声音如何解决？建议尝试TRTC的音视频流，然后使用 localStream.getAudioTrack 获取 MediaStreamTrack 对象，并转换为符合ASR标准的音频流，然后通过语音...
iOS SDK
TRTC实时音视频和语音识别结合，当同时调用麦克风时可能会发生冲突，导致有一方没有声音如何解决？建议尝试TRTC的音视频流，使用 localStream.getAudioTrack 获取 MediaStreamTrack 对象，并转换为符合ASR标准的音频流，然后通过语音识别...
iOS SDK
TRTC实时音视频和语音识别结合，当同时调用麦克风时可能会发生冲突，导致有一方没有声音如何解决？建议尝试TRTC的音视频流，然后使用 localStream.getAudioTrack 获取 MediaStreamTrack 对象，并转换为符合ASR标准的音频流，然后通过语音...
性能类
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...
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...
iOS SDK
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 离线语音合成 是 录音文件识别极速版 是 唤醒及命令词 否 下载语音包，详情请参见 接口说明 中的 语音包列表。重要 SDK和语音包是完全独立的，下载SDK后并...
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...
概述
使用热词词表 当提交 音视频文件离线转写 请求或 实时记录 请求时，传入上一步创建成功的热词词表PhraseId，将PhraseId添加到创建听悟任务的Transcription参数中从而改善语音识别效果。参数名 类型 是否必填 说明 Transcription.PhraseId ...
SDK和API概览
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 微信小程序 一句话识别、实时语音识别、语音合成 WebSocket WebSocket 实时语音识别
H5/小程序如何接入远程双录
客户端通过接口获取到本地或远端音频流，然后在本地调用语音识别接口识别激活词。远程双录结束后，客户端调用上报结果接口，待后台关联数据后即可在远程双录结果列表中展示远程双录结果。客户端+H5 获取 Web SDK，并将服务端地址设置为：...
参数详情
本文介绍InputFile详情和FpShotConfig详情。InputFile详情 参数 类型 是否必选 描述 Bucket String ...ASR：语音识别结果。SimilarityThreshold Float 否 SaveType=save模式下相似度阈值，可根据实际情况调整。取值范围：[0,1]。默认值：0.8。
SetContentAnalyzeConfig-设置智能内容分析配置
各模板包含以下 AI 分析功能：S00000101-100040:文字识别 S00000101-100060:视频分类+人脸识别 S00000101-100070:文字识别+视频分类+人脸识别 S00000101-100070 返回参数 名称 类型 描述 示例值 object Schema of Response RequestId ...
GetContentAnalyzeConfig-获取智能内容分析配置
各模板包含以下 AI 分析功能：S00000101-100040:文字识别 S00000101-100060:视频分类+人脸识别 S00000101-100070:文字识别+视频分类+人脸识别 S00000101-100070 示例 正常返回示例 JSON 格式 {"RequestId":"31FEC819-2344-5771-9366-9172DB...
模型效果评测
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...
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...
模型效果评测
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。提升识别...
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...
智能双录质检的审计事件
事件名称 事件含义 AsrRealtime 实时语音识别。AsrSentence 一句话识别。AsrTask 语音识别任务。AssociateRoom 关联房间。CheckServiceLinkedRole 查询服务关联角色。Create 实例或者资源包等的购买操作。CreateApp 创建应用。...
Web SDK 发布说明
语音识别结果接口名从 OnAsrMsg 修改为 OnAsrMessage（见被调接口 53）。开始语音识别接口添加参数引擎类型 procType（见主调接口 30）。服务端录制结束通知接口名从 OnRecorderOver 修改为 OnRecordOver（见被调接口 61）。增加视频清晰度...
智能机翻
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...
VoiceReport
打开后会产生语音识别费用。hangup_direction String 挂断方向。取值：用户 机器 toll_type String 通话类型。取值：LOCAL：市话。PROVINCE：省内长途。DOMESTIC：国内长途。INTERNATIONAL：国际长途。UNKNOWN：未知。originate_time ...
管理项目
配置项目 语音识别 当 项目类型 为 仅语音识别 或 语音识别+语音合成+语音分析 时，项目配置操作如下。单击目标项目右侧的 项目功能配置。在 语音识别ASR 区域，选择基础模型或者自学习模型。单击 修改配置，根据使用场景选择基础模型，...
- 产品推荐
- 这些文档可能帮助您