功能类
实时转写说话有停顿，但是语音识别不断句怎么办？
如果是vad断句情况下，实时转写的vad断句依赖对音频中静音数据的判断，如果上游不发送静音音频，服务端则无法识别用户说话是否有停顿。如果确认是上游没有发送静音音频，则系统通过对实时转写服务的时间戳和实际音频的时间戳对比。如果发现服务端的判断音频时长比实际音频时长短，说明静音时服务端没有收到用户发的静音数据。
在开启语义断句情况下，有可能是后处理模型的效果问题。
解决方案：在用户停顿时持续地向服务端发送静音数据。
语音识别能自动断开多句话吗？
实时语音识别服务可以断开多句话。一句话识别服务的每个请求只对应一句话，无法断开。
语音识别服务支持离线功能吗？
目前不支持本地离线的语音识别，必须把音频数据发送到服务端做识别。
语音识别服务是否支持离线SDK或本地离线识别？
语音转文字（ASR）目前不支持离线SDK及本地离线识别功能。所有音频数据必须发送至云端服务端进行处理。具体说明如下：
离线SDK：目前不提供可在本地运行的离线SDK，无法脱离网络环境独立完成语音识别。
离线人机对话：无法实现完全离线的人机对话语音转文字。所有识别请求均需通过网络连接到阿里云语音识别服务端进行处理。
语音识别支持哪些模型？
可以在智能语音交互控制台中项目功能配置里查看具体的模型种类，目前有8k和16k两种采样率的模型，每个采样率下面又有多个领域模型，可以按需选择。
语音识别是否可以混合识别极少量英文单词和字母？
可以的，中文普通话模型支持对中英文混杂的音频进行识别。
开启ITN（逆文本规整）后，中文数字混合时为什么并不是全部转为阿拉伯数字？
是否要转成阿拉伯数字，系统是用模型来判断的，并不是所有数字都需要转成阿拉伯数字，模型的判断主要准则是一般书面文本中常用的形态。
录音文件识别的enable_sample_rate_adaptive和极速版本里的sample_rate，这两个接口是一样的吗？
不是。极速版的sample_rate就是采样率，enable_sample_rate_adaptive是个开关，极速版默认采样率16k，不需要这个开关。
录音转文本能区分坐席和客户吗？
语音识别引擎只能区分出说话的不同角色，角色对应的身份引擎是无法识别的，需要用户从业务的角度自行判断。建议您在存储录音时按照角色分类存储。
智能语音交互的一句话识别，标点符号是根据什么来判断逗号和句号的？
结合音频的声学特征和对识别结果文本做语音分析后做标点处理。
离线文件转写如何区分左右声道？
语音识别引擎无法区分左右声道，当多声道音频送入语音识别服务进行识别时，返回结果会用channel_id字段来标记多个音轨。如果采集顺序固定，可以根据channel_id区分对应声道。具体可参见接口说明。
语音识别可以支持多个词表吗？
一次可使用一个词表，每次只能传一个vocabulary_id，如果觉得不够可以使用定制模型。具体可参见使用POP API创建业务专属热词。
设置录音文件识别服务的版本，"4.0"和"2.0"两个版本有什么区别？
由于历史原因，早期发布的录音文件识别服务（默认为2.0版本）的回调方式和轮询方式的识别结果在JSON字符串的风格和字段上均有不同。录音文件识别服务在4.0版本对回调方式做了优化，使得回调方式的识别结果与轮询方式的识别结果保持一致，均为驼峰风格的JSON格式字符串。具体可参见接口说明。
在电话端支持哪些国家的语音识别？
电话8k语音目前支持的外语语种为英语，非电话16k语音支持更多外语语种。语种模型支持列表详见功能特性。
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？
可使用录音文件识别功能，具体请参见接口说明。
实时语音转写能和录音文件识别一样加入音轨ID吗？
不能，音轨ID是录音文件专用的。实时转写只有单通道语音，不需要channel区分。
录音文件识别可以生成SRT字幕文件吗？
录音文件识别不直接输出SRT格式文件，需根据返回结果中的时间信息自行拼接。以下参数可辅助完成字幕生成与优化：
获取词级时间戳：开启enable_words参数，识别结果中将包含每个词的时间戳信息，用于精确对齐字幕时间轴。
控制单行字幕字数：设置sentence_max_length参数（取值范围[4,50]，默认值0表示不启用），控制每行字幕的最大字符数，避免单行过长。
字幕索引映射：开启enable_subtitle=True后，返回结果中的字幕索引（begin_index/end_index）对应纯文本位置，已剔除SSML标签，可直接映射回原始讲稿。
语音识别服务支持哪些编码格式的音频？
每种服务支持的格式不尽相同，请参见各服务中的说明。您可以使用常见音频编辑软件如Audacity，查看音频文件的编码格式。
语音识别服务支持哪些采样率？
一般支持8000 Hz、16000 Hz的采样率。 电话客服场景通常是8000采样率，如果是手机App、PC端工具、网页H5类场景，通常是16000 Hz采样率（可能会有32、44k采样率，但开发时需要调用方将采样率调整为16k）。其他采样率的录音数据需要预先自行转码。
录音文件转写可以支持其他采样率，例如32k、44k等等。
怎么查看音频文件的采样率？
可以使用常见音频编辑软件如Audacity查看音频文件的采样率，也可以使用开源命令行工具FFmpeg查看。
语音识别服务支持的方言模型和语种都有哪些？
语音识别目前支持的语种和方言模型如下：
语种
语言
模型名称
采样率
标点
ITN
顺滑
语义断句
声音和文本对齐
英语
通用-英文，教育直播-英文，教育内容分析-英文
16k
支持
支持
支持
不支持
支持
电话客服（通用）
8k
支持
支持
支持
不支持
不支持
东南亚多语言
16k
支持
不支持
不支持
不支持
不支持
日语
通用-日语
16k
支持
支持
不支持
不支持
支持
西班牙语
通用-西班牙语
16k
支持
支持
不支持
不支持
不支持
通用-西班牙客服通用
8k
支持
支持
不支持
不支持
不支持
阿拉伯语
通用-阿拉伯语
16k
支持
不支持
不支持
不支持
不支持
哈萨克语
通用-哈萨克语
16k
支持
不支持
不支持
不支持
不支持
韩语
通用-韩语
16k
支持
支持
不支持
不支持
不支持
泰语
通用-泰语
16k
不支持
不支持
不支持
不支持
不支持
通用-泰语客服通用
8k
不支持
不支持
不支持
不支持
不支持
东南亚多语言
16k
支持
不支持
不支持
不支持
不支持
印尼语
通用-印尼语
16k
支持
支持
不支持
不支持
不支持
电话客服（通用）
8k
支持
支持
不支持
不支持
不支持
东南亚多语言
16k
支持
不支持
不支持
不支持
不支持
俄语
通用-俄语
16k
支持
支持
不支持
不支持
不支持
越南语
通用-越南语
16k
支持
支持
不支持
不支持
不支持
通用-越南语客服通用
8k
支持
支持
不支持
不支持
不支持
东南亚多语言
16k
支持
不支持
不支持
不支持
不支持
法语
通用-法语
16k
支持
支持
不支持
不支持
不支持
德语
通用-德语
16k
支持
支持
不支持
不支持
不支持
意大利语
通用-意大利语
16k
支持
不支持
不支持
不支持
不支持
印地语
通用-印地语
16k
支持
不支持
不支持
不支持
不支持
马来语
通用-马来语
16k
支持
不支持
不支持
不支持
不支持
通用-马来语客服通用
8k
支持
不支持
不支持
不支持
不支持
东南亚多语言
16k
支持
不支持
不支持
不支持
不支持
菲律宾语
通用-菲律宾语
16k
支持
支持
不支持
不支持
不支持
电话客服（通用）
8k
支持
支持
不支持
不支持
不支持
东南亚多语言
16k
支持
不支持
不支持
不支持
不支持
泰米尔语
通用-泰米尔语
16k
支持
不支持
不支持
不支持
不支持
葡萄牙语
通用-葡萄牙语
16k
支持
支持
不支持
不支持
不支持
土耳其语
通用-土耳其语
16k
支持
不支持
不支持
不支持
不支持
波兰语
通用-波兰语
16k
支持
不支持
不支持
不支持
不支持
乌克兰语
通用-乌克兰语
16k
支持
不支持
不支持
不支持
不支持
罗马尼亚语
通用-罗马尼亚语
16k
支持
不支持
不支持
不支持
不支持
荷兰语
通用-荷兰语
16k
支持
不支持
不支持
不支持
不支持
希腊语
通用-希腊语
16k
支持
不支持
不支持
不支持
不支持
匈牙利语
通用-匈牙利语
16k
支持
不支持
不支持
不支持
不支持
爪哇语
通用-爪哇语
16k
支持
不支持
不支持
不支持
不支持
孟加拉语
通用-孟加拉语
16k
支持
不支持
不支持
不支持
不支持
缅甸语
通用-缅甸语
16k
支持
不支持
不支持
不支持
不支持
老挝语
通用-老挝语
16k
支持
不支持
不支持
不支持
不支持
斯瓦希里语
通用-斯瓦希里语
16k
支持
不支持
不支持
不支持
不支持
阿塞拜疆语
通用-阿塞拜疆语
16k
支持
不支持
不支持
不支持
不支持
波斯语
通用-波斯语
16k
支持
不支持
不支持
不支持
不支持
僧伽罗语
通用-僧伽罗语
16k
支持
不支持
不支持
不支持
不支持
加泰罗尼亚语
通用-加泰罗尼亚语
16k
支持
不支持
不支持
不支持
不支持
高棉语
通用-高棉语
16k
支持
不支持
不支持
不支持
不支持
希伯来语
通用-希伯来语
16k
支持
不支持
不支持
不支持
不支持
克罗地亚语
通用-克罗地亚语
16k
支持
不支持
不支持
不支持
不支持
豪萨语
通用-豪萨语
16k
支持
不支持
不支持
不支持
不支持
马拉地语
通用-马拉地语
16k
支持
不支持
不支持
不支持
不支持
泰卢固语
通用-泰卢固语
16k
支持
不支持
不支持
不支持
不支持
旁遮普语
通用-旁遮普语
16k
支持
不支持
不支持
不支持
不支持
瑞典语
通用-瑞典语
16k
支持
不支持
不支持
不支持
不支持
保加利亚语
通用-保加利亚语
16k
支持
不支持
不支持
不支持
不支持
丹麦语
通用-丹麦语
16k
支持
不支持
不支持
不支持
不支持
挪威语
通用-挪威语
16k
支持
不支持
不支持
不支持
不支持
坎纳达语
通用-坎纳达语
16k
支持
不支持
不支持
不支持
不支持
马拉雅拉姆语
通用-马拉雅拉姆语
16k
支持
不支持
不支持
不支持
不支持
捷克语
通用-捷克语
16k
支持
不支持
不支持
不支持
不支持
乌尔都语
通用-乌尔都语
16k
支持
不支持
不支持
不支持
不支持
尼泊尔语
通用-尼泊尔语
16k
支持
不支持
不支持
不支持
不支持
蒙古语（外蒙）
通用-蒙古语（外蒙）
16k
支持
不支持
不支持
不支持
不支持
乌兹别克语
通用-乌兹别克语
16k
支持
不支持
不支持
不支持
不支持
方言
语言
模型名称
采样率
标点
ITN
顺滑
语义断句
声音和文本对齐
粤语
通用-粤语
16k
支持
支持
支持
不支持
支持
电话客服（通用）
8k
支持
支持
支持
不支持
支持
粤中自由说
8k
支持
支持
支持
不支持
不支持
东南亚多语言
16k
支持
不支持
不支持
不支持
不支持
粤语（繁体）
通用-粤语（繁体）
8k
支持
不支持
不支持
不支持
不支持
通用-粤语（繁体）
16k
支持
不支持
不支持
不支持
不支持
四川话
通用-四川话
16k
支持
支持
支持
支持
支持
电话客服（通用）
8k
支持
支持
支持
支持
支持
湖北话
通用-湖北话
16k
支持
支持
支持
支持
支持
通用-湖北话
8k
支持
支持
支持
支持
支持
上海话
通用-上海话
16k
支持
支持
支持
支持
不支持
湖南话
通用-湖南话
16k
支持
支持
支持
支持
支持
河南话
通用-河南话
16k
支持
支持
支持
支持
支持
通用-河南话
8k
支持
支持
支持
支持
支持
浙江话
通用-浙江话
16k
支持
支持
支持
支持
不支持
东北话
通用-东北话
16k
支持
支持
支持
支持
支持
山东话
通用-山东话
16k
支持
支持
支持
支持
支持
天津话
通用-天津话
16k
支持
支持
支持
支持
支持
陕西话
通用-陕西话
16k
支持
支持
支持
支持
支持
山西话
通用-山西话
16k
支持
支持
支持
支持
支持
贵州话
通用-贵州话
16k
支持
支持
支持
支持
支持
云南话
通用-云南话
16k
支持
支持
支持
支持
支持
甘肃话
通用-甘肃话
16k
支持
支持
支持
支持
支持
维吾尔语
通用-维吾尔语
16k
不支持
不支持
不支持
不支持
不支持
通用-维吾尔语
8k
不支持
不支持
不支持
不支持
不支持
苏州话
通用-苏州话
16k
支持
支持
支持
支持
不支持
闽南语
通用-闽南语
16k
支持
支持
支持
支持
不支持
江西话
通用-江西话
16k
支持
支持
支持
支持
支持
宁夏话
通用-宁夏话
16k
支持
支持
支持
支持
支持
广西话
通用-广西话
16k
支持
支持
支持
支持
支持
通用-广西话
8k
支持
支持
支持
支持
支持
中文普通话
识音石 V1 - 端到端模型，教育内容分析，医疗内容分析，新闻媒体内容分析，娱乐视频内容分析，音视频离线转写（升级版），新零售领域识别模型，出行领域识别模型，汽车领域
16k
支持
支持
支持
支持
支持
中英自由说
16k
支持
支持
支持
支持
不支持
识音石 V1 - 端到端模型
8k
支持
支持
支持
支持
支持
东南亚多语言
16k
支持
不支持
不支持
不支持
不支持
最新的模型支持情况可以登录智能语音交互控制台，在项目配置中查看。在智能语音交互控制台的我的所有项目页面，找到目标项目，单击其操作列中的项目功能配置进入配置页面。在项目功能配置页面的语音识别 ASR面板中，单击修改配置按钮，即可修改当前语音识别模型配置。
模型能力边界说明
使用模型时，请注意以下限制：
识音石V1端到端模型：仅支持中文普通话，不支持粤语识别。
跨语言识别限制：中文普通话模型识别英文属非标准行为，识别效果无法保证；英文模型无法识别中文。
方言覆盖范围：目前暂不支持南通市区方言，如有需要可尝试苏州话、上海话等相近吴语方言模型进行测试。
远场识别推荐：fun-asr-far-field是当前效果最好的远场识别模型，适合远场采集场景。
听悟与商用模型一致：在听悟产品中测试时使用的模型体系与商用接口相同（默认模型或fun-asr系列），测试结果可作为商用效果参考。
语音识别能否自动断开多句话？
实时语音识别服务可以断开多句话；一句话识别服务的每个请求只对应一句话，无法断开。
实时识别和录音文件转写分别支持哪些语音格式？
录音文件识别支持所有采样率与位深组合（8k 8bit、8k 16bit、16k 8bit、16k 16bit），支持单声道和双声道，支持格式为 PCM（无压缩的 PCM 或 WAV 文件）。实时语音识别仅支持 8k 16bit 和 16k 16bit（不支持 8k 8bit 和 16k 8bit），仅支持单声道（不支持双声道），支持格式为 WAV 格式和 MP3 格式。
实时语音识别WebSocket连接断开后如何重连及保活？
WebSocket连接断开是实时语音识别的常见问题，主要涉及以下三个方面：
1. 重连机制
任务断开后，推流地址在24小时内有效。若因无数据发送导致连接断开或进入PAUSED状态，可在24小时内使用原地址重连继续推流，无需新建任务。
2. 保活方法
连接空闲超过10秒，服务端会自动关闭连接。建议在无有效语音时，持续发送静音数据（全0 buffer数组）以维持长连接，避免超时断开。
3. 实例复用
一个SpeechTranscriber实例支持多轮识别。执行stop后，只要WebSocket连接未断开，无需重建实例，也无需重新调用start，直接发送新音频流即可开启新一轮识别。
录音文件识别提交成功但获取不到结果或报错怎么办？
录音文件识别提交成功后若无法获取结果，请按以下场景逐一排查：
1. 服务端无法下载音频
请确保音频URL满足以下条件：
支持公网访问
无302重定向（建议使用OSS URL）
若业务必须使用带重定向的URL，可在请求参数中添加download_method: curl，服务端将使用curl方式下载，支持跟随重定向。
2. URL刚生成即调用导致失败
URL生成后立即调用可能因服务器尚未就绪而失败。建议等待约1分钟后再发起识别请求。
3. 返回结果为空，状态码40270002（punctagger silent）
此状态码通常表示音频为纯杂音或无效语音（如静音留言），模型无法识别有效内容，属正常返回空结果。请检查音频内容是否包含有效语音。
4. 排队等待时间过长
控制台不支持查看当前排队任务数。付费用户的识别任务通常在3小时内完成并返回结果。
语音识别服务支持哪些音频采集方式及说话人分离限制？
音频采集方式
Web端采集限制：Web端仅支持麦克风采集，不支持直接采集系统音频（如扬声器输出）。在线会议场景若需同时采集麦克风和系统音频，需在应用层自行混合两路音频流后再推送至识别服务。
性别识别
一句话识别不支持性别识别功能。
说话人分离限制
单声道录音的说话人分离（Speaker Diarization）无法保证100%准确，在抢话、短句等场景下准确率会明显下降。
提升准确率的建议：
条件允许时，优先采用物理分轨（多麦克风分轨录音）方式采集。
或使用百炼Fun-ASR产品，其说话人分离效果更好。
实时角色分离效果不佳时，建议会议结束后采用离线角色分离方式重新处理，以获得更高准确率。
语音识别服务的数据隐私、日志及音频存储策略是什么？
日志与数据访问策略
语音识别服务的日志中包含识别文本。阿里云仅在客户遇到问题并主动提供taskid时，才会查看相关日志协助排查，不会主动访问用户数据。
音频存储策略
实时语音转写服务不保存音频文件。若需要保留音频录音，请在应用前端自行录制并存储。
指令识别限制
语音识别服务不支持仅识别特定词汇（如数字人名称指令）并过滤其他内容。识别结果为全量转写，需在业务逻辑层自行判断和过滤特定指令词汇。
录音文件识别支持情感识别、分段模型切换及版本区别吗？
情感识别
录音文件识别支持语气语调及情感识别。开启后，识别结果中会返回EmotionValue参数，反映该句语音的情感倾向。
分段模型切换
不支持在valid_times参数中为不同时间段指定不同的appkey进行分段识别。如需对同一音频使用不同模型处理不同段落，需在业务层自行将音频切片，分别提交至对应模型识别后合并结果。
标准版与极速版区别
录音文件识别标准版与极速版的功能基本一致，主要区别在于识别速度：极速版处理速度更快，适合对时效性要求较高的场景。
实时识别与录音文件识别的模型关系
实时语音识别与录音文件识别使用相同的模型体系，两种接口方式共享底层识别模型。