单据票证信息抽取
功能简介 单据票证信息抽取（固定版式）是基于深度学习的信息抽取自学习模型任务，可对版式相对固定的单据、证件、凭证等类型数据有较好的效果，支持用户自定义抽取字段，通过平台可视化引导，完成数据标注和模型训练。在图像质量较好情况...
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...
RecognizeBasic-电商图片文字识别
接口说明 本接口适用场景 阿里云电商图片文字识别，是阿里云官方自研 OCR 文字识别产品，支持电商商品宣传图片、社区贴吧图片、网络 UGC 图片识别，针对电商海量图片内容核查就场景进行特定优化，只输出文字块内容及坐标，极大提升识别效率...
功能发布记录
2023年04月~2024年01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 字幕上屏 录音文件识别、录音文件识别极速版、录音文件识别闲时版支持字幕上屏场景。新增 接口说明 语音识别 DashScope灵积模型服务 高性价比实时语音识别...
视频转码
当您需要修改视频的编码格式、降低分辨率和码率以缩小视频文件体积、转换视频封装格式，甚至是提高视频质量时，可以使用视频转码功能。本文介绍视频转码处理功能参数及示例。注意事项 视频转码仅支持异步处理（x-oss-async-process处理方式...
自定义KV模板
经过配置调优的模板识别准确率可达85%以上。同时 工具箱 中还提供分类器管理工具与字段类型管理工具，支持用户通过同一接口完成不同版式数据的自动分类路由与高精度识别。功能优势 低成本，仅需提供一张样图即可完成模板搭建，无需标注。低...
产品简介
阿里云视觉智能开放平台提供通用文字识别、证件识别、图片分割等离线SDK，可在无网络环境下离线使用，不同能力支持Android、iOS、Windows和macOS不同的使用终端。本文为您介绍阿里云视觉智能开放平台当前支持的离线SDK能力。说明 阿里云...
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...
C++ SDK
setOnTranscriptionResultChanged 2.x 设置实时音频流识别中间结果回调函数。setOnTranscriptionCompleted 2.x 设置服务端结束服务回调函数。setOnChannelClosed 2.x 设置通道关闭回调函数。setOnMessage 3.1.16 设置服务端response ...
iOS SDK
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，然后通过语音识别SDK发起请求。使用集成语音服务iOS SDK，接入nuisdk.framework后报错，要修改Legacy Build ...
产品优势
模块划分 能力说明 语音转写 语音转文字：能够将实时音频流或音视频文件中的语音转写成文字，支持中文、英文、粤语、中英混、日语、韩语的转写。转写结果可返回段落、句子划分和词级别的起止时间，用于对应字幕展示。说话人分离：能够将...
RecognizeGeneral-通用文字识别
接口说明 本接口适用场景 阿里云通用文字识别，是阿里云官方自研 OCR 文字识别产品，适用于各类常见文档图片或文档扫描件中的文字信息按照文档原有的格式智能识别文字并结构化输出识别结果。阿里云 OCR 产品基于阿里巴巴达摩院强大的 AI ...
自定义表格模板
用户仅需通过一张模板数据的可视化拖拉拽配置参照字段、识别字段或表头&待识别的列表区域，字段属性等，无需进行数据标注和模型训练，即可实现相同版式数据的自定义结构化识别抽取。经过配置调优的模板识别准确率可达85%以上。同时 工具箱 ...
AliEngine
2.1 IsLocalAudioStreamPublished 查询当前是否允许推音频流。1.1 PublishLocalDualStream 设置是否允许推次要视频流。2.1 IsDualStreamPublished 查询当前是否允许推次要视频流。2.1 订阅相关接口 API 描述 支持的最低版本 ...
快速入门
本文档介绍快速入门体验，...实时记录 实时处理音频流，转写成文字，并支持中、英、日、韩语间的双向实时互译，实现实时多语种字幕，确保跨国交流无障碍。在实时记录结束后，可开启说话人分离、大模型摘要、章节速览、智能纪要等功能链路。
媒体处理常见问题
提交转码作业时，将参与转码的音频流设置为0，即在Output参数中添加音频流配置"AudioStreamMap":"0:a:0。转码之后，视频的宽高为什么和设置的不一样？在转码模板中，可以设置横竖屏自适应（LongShortMode）。如果开启了横竖屏自适应，则只...
iOS SDK
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SDK发起请求。使用App集成iOS SDK，提交到App store失败，提示“Unsupported Architectures.The ...
产品介绍
阿里云推流SDK是基于阿里云强大内容分发网络和音视频实时通讯技术的直播客户端推流开发工具，为您提供简单易用的开放接口、网络自适应的流畅体验、多节点的低延迟优化、功能强大的实时美颜等音视频直播技术服务。本文介绍推流SDK产品简介、...
表格信息抽取
功能简介 表格信息抽取是基于深度学习的信息抽取自学习模型任务，可对版式相对固定的表格、表单的等类型数据有较好的效果，支持用户自定义抽取字段，通过平台可视化引导，完成数据标注和模型训练。在图像质量较好情况下，通过100+训练样本...
Java SDK
本文介绍如何使用阿里云智能语音服务提供的Java SDK，包括SDK的安装方法及SDK代码示例。前提条件 在使用SDK之前，请先阅读接口说明，详情请参见 接口说明。从2.1.0版本开始原有nls-sdk-long-asr更名为nls-sdk-transcriber。升级时需确认已...
接口与实现
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 仅在实时记录场景下按需设置，离线转写场景无须设置。Transcription.DiarizationEnabled boolean false 是否在语音识别过程中开启说话人分离功能。...
计费项
下面对实时转码费用进行举例说明：例1（只产生播放列表，未播放不产生边转边播费用）：用户调用GenerateVideoPlaylist，输出视频长度为38分钟，生成分辨率为800x600，帧率为30，视频编码格式为h264，初始转码时长为0秒，TranscodeAhead使用...
RecognizeMultiLanguage-通用多语言识别
接口说明 本接口适用场景 阿里云通用多语言证识别，是阿里云官方自研 OCR 文字识别产品，适用于国际化所需的各类图文识别与信息翻译场景。阿里云 OCR 产品基于阿里巴巴达摩院强大的 AI 技术及海量数据，历经多年沉淀打磨，具有服务稳定、...
错误码查询
建议使用PCM、OPUS等格式发送音频流，如果是WAV，建议关注语音文件的WAV头信息是否为正确的数据长度大小。40000010 Gateway:FREE_TRIAL_EXPIRED:The free trial has expired!试用期已结束，并且未开通商用版、或账号欠费。请登录控制台确认...
数据结构
AliRtcAudioTrack 音频流类型。AliRTCCameraType 摄像头方向。AliRtcNetworkQuality 网络质量。AliRtcRenderMode 渲染模式。AliRtcRenderMirrorMode 镜像模式。AliRtcRotationMode 旋转角度。AliRtcLogLevel 日志级别。...
RecognizeAdvanced-全文识别高精版
接口说明 本接口适用场景 阿里云全文识别高精版，是阿里云官方自研 OCR 文字识别产品，智能识别图片所包含的全部字段，集表格识别、旋转识别、生僻字识别等多功能为一体，提供高性价比的多场景文字识别体验。阿里云 OCR 产品基于阿里巴巴...
移动端SDK说明
本文为您介绍传入录音文件，完成音频文件识别并返回结果的流程说明。使用须知 输入格式：WAV/MP3/AAC。时长限制：识别语音文件大小不能超过100 MB。设置多语言识别：在管控台编辑项目中进行模型选择，详情请参见 管理项目。服务地址 访问...
教育场景识别
本章节介绍阿里云文字识别-教育试卷识别系列相关产品。产品介绍 读光试题作业OCR识别产品能力，主要针对教育应用场景中对试题题目、数学公式、速算题目等信息的智能化识别需求，通过对通用OCR高精度识别能力的教育场景迭代优化，为用户提供...
RecognizeHandwriting-通用手写体识别
接口说明 本接口适用场景 阿里云通用手写体识别，是阿里云官方自研 OCR 文字识别产品，适用于获取手写体书面形式的文字场景，适用于各类手写笔记、板书等。阿里云 OCR 产品基于阿里巴巴达摩院强大的 AI 技术及海量数据，历经多年沉淀打磨，...
功能发布记录
中英自由说支持全文概要、章节速览、发言总结、待办事项、问答提取 实时增加韩语 支持韩语语种识别和中韩互译 音视频转写升级 新增格式：○音频：aiff格式。视频：avi、mpeg、3gp、ogg。修正音视频时长不准确的问题。基础性能 提升服务稳定...
AliRtcEngine接口
2.1 setDefaultSubscribeAllRemoteAudioStreams 设置是否默认接收音频流。2.1 subscribeAllRemoteAudioStreams 停止或恢复接收所有远端音频流。2.1 subscribeRemoteAudioStream 停止或恢复特定远端用户的音频流拉取。2.1 ...
RecognizeEduFormula-印刷体数学公式识别
接口说明 本接口适用场景 阿里云公式识别，是阿里云官方自研 OCR 文字识别产品，适用于题目录入、智能批改、作业批改等应用场景。阿里云 OCR 产品基于阿里巴巴达摩院强大的 AI 技术及海量数据，历经多年沉淀打磨，具有服务稳定、操作简易、...
如何进行HLS打包
输出的音频流参数：Codec：AAC SampleRate：48000 Hz Format：Stereo 示例代码如下：{"Name":"audio-extract-1","Parameters":{"Outputs":"[{\"TemplateId\":\"S00000001-100020\",\"AudioStreamMap\":\"0:a:0\",\"Video\":{\"Remove\":\...
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。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进行使用，并保持...
产品简介
自动纪要：实时识别视频通话的语音内容，并按照时间分角色交替文字记录对话内容。自动确认：识别客户对风险提示的语音确认，辅助坐席判断客户的意向。增强功能 屏幕共享：将本端的屏幕内容投送到其他端。截图：支持远程控制摄像头拍照、本...
直播推流SDK
纯音频推流 支持仅采集音频流并发起推流功能，在纯音频场景下节约带宽流量。后台推流 支持切换到后台后视频流不断，回到前台后继续推流。表 2.直播连麦 功能 说明 连麦互动 用于实现主播与观众之间的音视频连麦互动，最多支持1V15。主播PK ...
AddTemplate-新增自定义转码模版
接口说明 本接口参数中包含容器信息、视频和音频流等设置，如果相应部分不做设置，则使用模板转出来的码流中也不会包含相应的信息。QPS 限制 本接口的单用户 QPS 限制为 100 次/秒。超过限制，API 调用会被限流，这可能会影响您的业务，请...
数据类型
2.1 AliRtcAudioTrack 音频流类型。1.1 AliRTCCameraType 摄像头方向。1.1 AliRtcNetworkQuality 网络类型。2.2 AliRtcRenderMode 渲染模式。1.1 AliRtcRenderMirrorMode 镜像模式。1.11 AliRtcRotationMode 旋转角度。2.1 AliRtcLogLevel ...
C# SDK
SetOnTranscriptionResultChanged 设置实时音频流识别中间结果回调函数。SetOnTranscriptionCompleted 设置服务端结束服务回调函数。SetOnChannelClosed 设置通道关闭回调函数。SetAppKey 设置Appkey SetToken 口令认证。所有的请求都必须...
iOS SDK
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，然后通过语音识别SDK发起请求。使用App集成iOS SDK，提交到App store失败，提示“Unsupported Architectures.The ...
- 产品推荐
- 这些文档可能帮助您