接口说明
service_type Int 是 需要请求的语音服务类型，实时语音识别为“4”。direct_ip String 否 支持客户端自行DNS解析后传入IP进行访问。nls_config JsonObject 否 访问语音服务相关的参数配置，详情请参见下表。参数nls_config配置如下。参数 ...
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...
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？...
移动端SDK说明
一句话语音识别支持60s以内的音频，如果超过60s，建议调用实时语音识别接口。41010105 SILENT_SPEECH 纯静音数据或噪音数据，导致无法检测出任何有效语音。无。一句话识别/实时语音识别/录音文件识别极速版 配置或参数错误 状态码 状态消息...
接口说明
对长时间的语音数据流进行识别，适用于会议演讲、视频直播等长时间不间断识别的场景。使用须知 说明 如需使用Android或iOS SDK，请参见 移动端接口说明。支持的输入格式：PCM（无压缩的PCM或WAV文件）、OPUS、AMR、SPEEX、MP3、AAC格式，16...
从这里开始
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...
计费概述
语音数据处理费用 类别 服务 计费方式 说明 语音识别 实时语音识别 按照语音时长计费 可以自助开通后付费或购买预付费资源包。一句话语音识别 按照调用次数计费 录音文件识别 按照录音时长计费 录音文件识别极速版 按照录音时长计费 录音...
产品优势
语音识别 识别准确率高 基于SAN-M自研的“识音石”通用端到端语音识别框架，中文识别准确率可达业内最高水平；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”...
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...
什么是智能外呼机器人
智能外呼机器人是基于自动语音识别（Automatic Speech Recognition，ASR）、文字转语音（Text To Speech，TTS）以及自然语言理解（Natural Language Understanding，NLU）等技术，面向企业客户提供的一款智能客服机器人产品。智能语音机器...
实时语音识别API详情
模型概览 模型名 模型简介 paraformer-realtime-v1 Paraformer中文实时语音识别模型，支持16kHz及以上采样率的视频直播、会议等实时场景下的语音识别。paraformer-realtime-8k-v1 Paraformer中文实时语音识别模型，支持8kHz电话客服等场景...
实时语音识别API详情
模型概览 模型名 模型简介 paraformer-realtime-v1 Paraformer中文实时语音识别模型，支持16kHz及以上采样率的视频直播、会议等实时场景下的语音识别。paraformer-realtime-8k-v1 Paraformer中文实时语音识别模型，支持8kHz电话客服等场景...
智能标签
智能标签，是通过分析视频中视觉、文字、语音、行为等信息，结合多模态信息融合及对齐技术，实现高准确率内容识别，自动输出视频的多维度内容标签，将非结构化信息转化为结构化信息，适用于媒资检索、个性化推荐、智能广告投放等场景。...
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...
功能特性
窄带高清 TM 窄带高清 TM 是一项基于阿里云转码技术的媒体处理功能，通过提高视频压缩率、减小文件体积，从而减少播放卡顿并节省存储和流量费用。重要 以下功能需要在 提交转码作业 时选择对应 窄带高清转码模板 使用，按照输出的视频规格...
什么是智能外呼机器人
产品概述 智能外呼机器人是综合利用 自动语音识别（Automatic Speech Recognition，ASR）、文字转语音（Text To Speech，TTS）以及 自然语言理解（Natural Language Understanding，NLU）等技术，面向企业客户提供的一款智能客服机器人产品...
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...
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...
产品简介-产品概述
多年来,通过持续整合前沿AI技术和行业实战经验，阿里云OCR打磨出了能够承载跨行业敏捷应用的技术架构，具备图像文字定位、文字识别和文字理解的全栈技术体系，形成了包含通用文本识别、卡证票据自动化分类及结构化识别、卡证票据混贴识别、...
语音识别FAQ
在电话端支持哪些国家的语音识别？在语音识别的服务中，有没有请求参数是音频文件地址，返回参数是转写文本？实时语音转写能和录音文件识别一样加入音轨ID吗？录音文件识别可以生成SRT字幕文件吗？语音识别服务支持哪些编码格式的音频？...
错误码查询
一句话语音识别支持60s以内的音频，如果超过60s，建议调用实时语音识别接口。41010105 SILENT_SPEECH 纯静音数据或噪音数据，导致无法检测出任何有效语音。无。录音文件识别/录音文件识别闲时版错误码 状态码 状态消息 原因 解决方案 ...
预训练模型（平台预置模型）
10/电销场景对话-疑似诈骗识别 适用于电话销售外呼场景，识别有诈骗风险的对话，可应用于语音质检。10/简历抽取-英文 支持姓名、联系方式、学位、公司、职位等10个简历字段抽取，适用于英文简历。10/简历抽取-中文 支持姓名、性别、年龄、...
功能发布记录
新增 接口说明 2020年11月27日 功能分类 功能名称 功能描述 更新类型 相关文档 语音识别 录音文件识别极速版 录音文件识别极速版支持全场景的语音识别模型，管控台支持录音文件识别极速版的调用量查询。新增 接口说明 语音识别对WAV文件的...
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...
什么是智能双录质检
产品优势 基于达摩院 AI 能力 阿里巴巴达摩院团队人工智能（Artificial Intelligence，简称 AI）实验室在语音识别、图像识别、视觉理解、语言理解等方面开展大量研究，并沉淀出 AI 相关的大量技术成果。智能双录质检产品基于达摩院 AI 技术...
产品简介
10/电销场景对话-疑似诈骗识别 适用于电话销售外呼场景，识别有诈骗风险的对话，可应用于语音质检。10/简历抽取-英文 支持姓名、联系方式、学位、公司、职位等10个简历字段抽取，适用于英文简历。10/简历抽取-中文 支持姓名、性别、年龄、...
接口说明
对一分钟内的短语音进行识别，适用于对话聊天、控制口令、语音输入法、语音搜索等较短的语音识别场景。功能简介 NUI SDK提供更小的工具包和更完善的状态管理。为满足不同用户需求，NUI SDK既能提供全链路的语音能力，同时可做原子能力SDK...
Android SDK（旧版）
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。SpeechSynthesizer：代表一次语音合成请求。SpeechSynthesizerCallback：语音...
并发与监控FAQ
说明 并发概念适用于智能语音交互产品中的 一句话识别、实时语音识别、录音文件识别极速版、语音合成、长文本语音合成 等服务。不同服务之间不共享并发额度，同一服务下不同项目（对应不同AppKey）共享并发额度。什么是QPS？QPS是指每秒...
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，...
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
智能标签
智能标签，是通过对视频中视觉、文字、语音、行为等信息进行分析，结合多模态信息融合及对齐技术，实现高准确率内容识别，自动输出视频的多维度内容标签，将非结构化信息转化为结构化信息。可应用于视频智能分析、视频审核、视频搜索、视频...
接口说明
一句话识别功能支持对一分钟内的短语音进行识别，适用于对话聊天、控制口令、语音输入法、语音搜索等较短的语音识别场景。使用须知 说明 如需使用Android/iOS SDK，请参见 移动端接口说明。支持的输入格式：单声道（mono）16bit采样位数...
教育场景识别
为用户提供数学试题图片中题目文本及数学公式的识别、速算题目文字的检测和识别等服务，并返回题目框位置与内容，为智慧教学场景下的拍照搜题、板书识别、自动阅卷等应用提供关键基石技术能力。可大程度辅助教师的教务工作，并协助教育进行...
iOS SDK（旧版）
关键接口 AliyunNlsClientAdaptor：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。NlsSpeechSynthesizerRequest：语音合成处理的请求对象，线程...
什么是实人认证
实人认证采用证件OCR识别技术和人脸识别技术，为您进行身份校验从而保障接入您业务的终端用户提供的身份信息真实且有效。本文介绍了实人认证的功能、产品优势和应用场景。功能概述 实人认证服务为您提供以下功能：实人认证方案 实人认证...
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...
定制语言模型
本文为您介绍如何在控制台创建定制模型并应用模型。前提条件 已开通智能语音交互服务，详情请参见 开通服务。...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您定制的模型名称。
普通节点
语音配置：语音配置是指在使用语音技术或语音识别系统时，对系统进行各种参数设置和调整的过程。通过语音配置，可以使系统能够适应不同的环境和语音特点。用户说 用户说可以定义在这个交互节点中，后续用户的回复分支。具体内容配置界面即...
SDK FAQ
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：...
- 产品推荐
- 这些文档可能帮助您