声纹检索系统
ADB采用1:N演示结果，可应用于会议室中，通过声音识别会议发言者。当前，对于身份验证，采用1:1演示，要求距离小于550。三步搭建声纹系统 初始化 ADB声纹检索系统支持声音转向量函数，您可以将从前端获取的声音通过POST请求，发送给ADB声纹...
2020年
2020-05-20 华东2（上海）天空分割 动物分割 识别输入图像中的动物轮廓，与背景进行分离，返回分割后的前景动物图。2020-05-20 华东2（上海）已下线 2020年04月 类目名称 接口名称 功能描述 发布时间 发布地域 相关文档 图像生产 图像构图...
智能视觉生产的审计事件
SegmentAnimal 分割动物图。SegmentBody 识别图像中人体轮廓。SegmentCloth 服饰图像像素级抠图。SegmentCommodity 商品分割。SegmentHair 识别图片中人物头像。SegmentHead 头像分割。SegmentImage 图像分割（抠图）。
功能发布记录
新增 语音合成 2022年03月~2023年03月 功能分类 功能名称 功能描述 更新类型 文档链接 语音识别 新增语音分析分类4项新产品规格 新产品规格：声音事件检测 说话人识别 性别识别 语种识别 新增 语音分析 录音文件支持MP4格式入参 3个服务...
语音识别FAQ
语音识别太灵敏、无效声音（噪音等）被识别出了文字怎么办？如何提高标点断句的效果？实时场景中，已经开启了标点断句，为什么效果还是不理想？录音文件识别存在一次请求后返回两次相同的结果的情况吗？实时语音识别遇到识别慢、超时问题，...
计费说明
预付费方式 商品规格 资源包规格 资源包价格 单价 录音文件识别 40小时 100元 2.50元/小时 1,000小时 1,200元 1.20元/小时 20,000小时 20,000元 1.00元/小时 100,000小时 90,000元 0.90元/小时 250,000小时 200,000元 0.80元/小时 录音文件...
SDK和API概览
离线移动端iOS SDK 离线语音合成 离线移动端Android SDK 离线语音合成 服务端 Java 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、长文本语音合成、声音事件检测、说话人识别、性别识别、语种识别 Python ...
接入FAQ
4.回音消除如何解决 回音消除：指的是当数字人在播报时，这时真人说话采集的麦克风声音会包括了数字人播报的声音，导致无法正确的识别出真人说话的内容。现象：语音收音进行智能语音识别出现不准确，比如识别到数字人在播报的内容，此时...
语音识别问题排查
噪声模型优先考虑只要是人发出的声音就会被送进ASR识别。如果存在非人噪被误识别，您可以多收集一些噪声数据，提供给阿里云进行噪声模型优化。如果波形幅度不大能量过低造成识别数据丢失，可能是由于音量太小被噪声模型当成噪声处理。建议...
并发与监控FAQ
录音文件识别极速版 不支持试用 10路并发 语音合成 2路并发 200路并发 实时长文本语音合成 不支持试用 100路并发 异步长文本语音合成 不支持试用 100路并发 说话人识别 2路并发 200路并发 声音事件检测 2路并发 200路并发 语种识别 2路并发...
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...
接口说明
声音事件检测主要任务是检测识别音频中诸如背景音乐、哭声、笑声、爆炸声之类的声音，并标注出声音的起止时间。声音事件类型 目前系统支持以下声音类型：Music：纯背景音乐 Singing：唱歌 Laughter：笑声 Knock：敲门声（敲桌子声）...
基本概念
采样率（sample rate）音频采样率是指录音设备在一秒钟内对声音信号的采样次数，采样频率越高声音的还原就越真实越自然。目前语音识别服务支持16000Hz和8000Hz两种采样率，其中电话业务一般使用8000Hz，其余业务使用16000Hz。调用语音识别...
基本概念
音频采样率（sample rate）音频采样率是指录音设备在一秒钟内对声音信号的采样次数，采样频率越高声音的还原就越真实越自然。目前语音识别服务支持16000Hz和8000Hz两种采样率，其中电话业务一般使用8000Hz，其余业务使用16000Hz。调用语音...
接口说明
超出后（即开始识别后多长时间没有检测到声音）服务端将会发送TaskFailed事件，结束本次识别。max_end_silence Integer 否 当 enable_voice_detection 设置为true时，该参数生效。表示允许的最大结束静音时长。单位：毫秒，取值范围：200ms...
C++ SDK
setMaxStartSilence 2.x 超出后（即开始识别后多长时间没有检测到声音）服务端将会发送TaskFailed事件，结束本次识别。setMaxEndSilence 2.x 超出时长服务端会发送RecognitionCompleted事件，结束本次识别（需要注意后续的语音将不会进行...
计费概述
长文本语音合成 按照合成字数计费 语音分析 声音事件检测 按照录音时长计费 说话人识别 按照调用次数计费 性别识别 按照调用次数计费 语种识别 按照调用次数计费 附加产品费用 服务 说明 超额并发线路 一句话识别、实时语音识别默认提供200...
视觉智能开放平台的审计事件
说明 目前操作审计支持视觉智能开放平台的功能包括：人体人脸识别、图像识别、图像分割、目标检测、OCR识别、视觉智能辅助工具。事件名称 事件含义 AddBodyTrace 添加Trace。AddFaceImageTemplate 增加图像人脸融合模板。BatchAddFaces ...
图像识别
使用图像识别节点，可调用云市场购买的API进行烟雾火焰火灾、动物、植物花卉、花草树木鉴定等识别。节点配置 配置项 说明 节点名称 设置节点名称。支持中文汉字、英文字母、数字和下划线（_），长度不超过30个字符。选择能力 从下拉框中...
Java SDK
SpeechRecognizer：一句话识别处理类，通过该接口设置请求参数，发送请求及声音数据。非线程安全。SpeechRecognizerListener：识别结果监听类，监听识别结果。非线程安全。更多介绍，请参见 Java API接口说明。重要 SDK调用注意事项：...
接口说明
性别识别功能用于识别音频中说话人的性别（男或女）。使用须知 支持的输入格式：PCM编码（无压缩的PCM或WAV文件）、16 bit采样位数、单声道（mono）。音频时长限制小于60秒。支持的音频采样率：8000 Hz。服务地址 访问类型 说明 URL 外网...
接口说明
语种识别功能用于识别音频中语言种类，目前支持中、英、粤三个语种。使用须知 支持的输入格式：PCM编码（无压缩的PCM或WAV文件）、16 bit采样位数、单声道（mono）。音频时长限制小于60秒。支持的音频采样率：8000 Hz。服务地址 访问类型 ...
实时语音识别API详情
Paraformer语音识别 说明 支持的领域/任务：audio（音频）/asr（语音识别）Paraformer语音识别提供的实时转写API，能够对长时间的语音数据流进行识别，并将结果流式返回给调用者，适用于会议演讲、视频直播等长时间不间断识别的场景。...
实时语音识别API详情
Paraformer语音识别 说明 支持的领域/任务：audio（音频）/asr（语音识别）Paraformer语音识别提供的实时转写API，能够对长时间的语音数据流进行识别，并将结果流式返回给调用者，适用于会议演讲、视频直播等长时间不间断识别的场景。...
分割抠图介绍
分割抠图技术基于阿里云深度学习技术，结合检测识别技术，为您提供高精度视觉分割能力。分割抠图技术可以实现秒级全自动主体、场景像素级识别，制作4通道透明素材。不仅实现了发丝级精抠，对高度镂空主体、复杂背景等场景都有很好的效果，...
Java SDK
SpeechTranscriber：实时语音识别类，通过该接口设置请求参数，发送请求及声音数据。非线程安全。SpeechTranscriberListener：实时语音识别结果监听类，监听识别结果。非线程安全。更多介绍，请参见 Java API接口说明。重要 SDK调用注意...
2021年
2021-11-30 华东2（上海）着装检测 猫鼠识别 基于视觉AI算法、物联网、大数据分析技术，猫鼠识别能力可以检测出场景中是否有猫、老鼠等动物，实现实时预警。2021-11-30 华东2（上海）猫鼠识别 2021年10月 类目名称 接口名称 功能描述 发布...
地域和域名
支持 支持 支持 录音文件识别极速版 支持 暂不支持 暂不支持 录音文件识别闲时版 支持 支持 支持 自学习平台 支持 支持 支持 语音分析 声音事件检测 支持 暂不支持 暂不支持 说话人识别 支持 暂不支持 暂不支持 性别识别 支持 暂不支持 暂...
猫鼠识别
功能描述 猫鼠识别能力基于视觉AI算法、物联网、大数据分析技术，猫鼠识别能力可以检测出场景中是否有猫、老鼠等动物，实现实时预警。说明 您可以进入 在线咨询 获取在线人工帮助。当前能力可在视觉智能开放平台有完整的免费产品体验，您...
什么是智能语音交互
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...
应用场景
自学习平台 热词 在语音识别服务中，如果在您的业务领域有一些特有的词，默认识别效果较差的情况下可以使用热词功能，将这些词添加到词表，改善识别结果。语言模型定制 支持上传业务相关的文本语料训练模型，可以在该业务领域中获得更高的...
API概览
本产品（印刷文字识别/2021-07-07）的OpenAPI采用 RPC 签名风格，签名细节参见 签名机制说明。我们已经为开发者封装了常见编程语言的SDK，开发者可通过 下载SDK 直接调用本产品OpenAPI而无需关心技术细节。如果现有SDK不能满足使用需求，可...
支持文件类型说明
车辆物流识别 行驶证识别 驾驶证识别 电子面单识别 车牌识别 车辆vin码识别 机动车注册登记证识别 车辆合格证识别 小语种识别 通用多语言识别 英语专项识别 日语识别 俄语识别 韩语识别 泰语识别 拉丁语识别 教育场景识别 口算判题 题目...
新功能发布记录
车辆vin码识别 支持 支持 电子面单识别 支持 支持 行驶证识别 支持 支持 驾驶证识别 支持 支持 车牌识别 支持 支持 教育场景识别 公式识别 支持 支持 题目识别 支持 支持 整页试卷识别 支持 支持 试卷切题识别 支持 支持 精细版结构化识别 ...
新手指引
1.选择所需的OCR产品服务 按您特定场景选择所需产品：通用文字识别 个人证照识别 票据凭证识别 教育场景识别 车辆物流识别 企业资质识别 小语种识别 医疗场景识别 票证核验 您可通过 读光体验馆 快速可视化地体验产品服务效果，若上述需求...
云市场API概览
文档小说图片文字识别 文档小说图片文字识别适用于处理网络上海量的用户原生UGC图片中的文字识别 社区贴吧图片文字识别 社区贴吧图片文字识别适 用于各类社区社交新闻媒体里用户发帖，贴吧，以及游戏实时交互图片等的识别。网络UGC图片文字...
资源包
10 车牌识别 10 车辆vin码识别 10 机动车注册登记证识别 10 车辆合格证识别 10 小语种识别 通用多语言识别 20 英语专项识别 10 日语识别 10 俄语识别 10 韩语识别 10 泰语识别 10 拉丁语识别 10 医疗场景识别 核酸检测报告识别 20 教育场景...
免费额度
国际护照识别 200次/月 户口本识别 200次/月 不动产权证识别 200次/月 银行卡识别 200次/月 出生证明识别 200次/月 中国护照识别 200次/月 来往大陆（内地）通行证识别 200次/月 往来港澳台通行证识别 200次/月 中国香港身份证识别 200次/...
票据凭证识别
本章节介绍阿里云文字识别-票据凭证识别系列相关产品。产品介绍 基于OCR技术，票据凭证系列提供财税报销、税务核算所需的各类发票结构化识别，包括增值税发票、增值税发票卷票、火车票、定额发票、航空行程单、出租车发票、通用机打发票、...
云市场资源包计费
身份证混贴识别 支持-本API未上架云官网 企业资质识别 营业执照识别 支持 官网支持 云官网支持资源包及按量付费 银行开户许可证识别 支持 官网支持 云官网支持资源包及按量付费 商标注册证识别 支持 官网支持 云官网支持资源包及按量付费 ...
- 产品推荐
- 这些文档可能帮助您