语音识别（Automatic Speech Recognition，ASR）采用业内领先的端到端算法模型，准确地将语音内容转写成文字。产品支持时间戳，区分讲话人，数字格式智能转换，智能标点等功能。适用于录音质检、会议总结、音频内容分析、课堂内容分析等场景。
支持将短语音（≤60秒）实时识别成文字，达到“边说话边出文字”的效果。适用于音频小于60秒，需要实时出结果的场景，如语音消息转写、语音搜索、语音弹幕、语音评论、智能语音交互等。
支持将长音频实时识别成文字，达到“边说话边出文字”的效果，适用于实时语音识别的场景，如实时会议字幕、直播字幕、智能外呼等。
支持将音频文件（≤5小时）转写成文本数据，内置自动标点、语义顺滑、数字规整、智能分句、说话人识别等功能，可根据需要任意搭配。适用于非实时的语音识别场景，如会议记录总结、智能外呼质检、课后教辅和学情分析等。
支持将音频文件（≤5小时）极速转写，半实时返回识别结果；内置自动标点、语义顺滑、数字规整、智能分句、说话人识别等功能，可根据需要任意搭配。适用于准实时外呼质检、及时会议记录、有声内容转写等场景。
一句话识别 | 流式语音识别 | 录音文件识别标准版 | 录音文件识别极速版 | |
|---|---|---|---|---|
支持场景 | 办公、教育、通用 | 办公、客服、通用 | 办公、客服、娱乐、通用 | 办公、客服、娱乐、通用 |
基础能力 | 语音识别、时间戳 | 语音识别、智能分句、时间戳 | 语音识别、智能分句、时间戳 | 语音识别、智能分句、时间戳 |
可选能力 | 自动标点 | 自动标点、数字规整、语义顺滑、音量、语速 | 自动标点、数字规整、语义顺滑、说话人识别、双通道分离、音量、语速、情感（客服） | 自动标点、数字规整、语义顺滑、说话人识别、双通道分离、音量、语速、情感（客服） |
扩展能力 | 支持通过自学习平台添加中英文热词 | 支持通过自学习平台添加中英文热词 | 支持通过自学习平台添加中英文热词 | 支持通过自学习平台添加中英文热词 |
返回时效 | 实时，即边说话边出文字 | 实时，即边说话边出文字 | 承诺 3 小时内返回识别文本； | 通常1小时音频可在3分钟内返回识别结果，其他时长等比估算； |
并发限制 | 正式版默认10并发 | 正式版默认10并发 | 正式版默认最大支持 20QPS，半小时内提交的音频时长不超过 500小时 | 正式版默认最大支持 20QPS，半小时内提交的音频时长不超过 500小时 |
输入音频格式 | 支持PCM、WAV、MP3、OPUS格式； | 支持PCM、WAV、MP3、OPUS格式； | 支持WAV、MP3、MP4、m4a格式； | 支持WAV、MP3、MP4、m4a格式； |
接入方式 | SDK / Websocket API | SDK / Websocket API | HTTP | HTTP |
说明：
场景选择 | 场景说明 | 一句话识别 | 流式语音识别 | 录音文件识别标准版&极速版 |
|---|---|---|---|---|
办公（16K） | 适用于企业办公、政府会议/访谈内容转写 | 中文、英文、日语、韩语、法语、 | 中文、英文、日语、韩语、法语、 | 中文、英文、日语、韩语、法语、 |
客服（8K） | 适用于智能客服、质检内容转写，建议8K音频 | 无 | 中文 | 中文 |
娱乐（16K） | 适用于长短视频、小说综艺、直播带货内容转写 | 无 | 无 | 中文、英文、日语、韩语、法语、 |
通用（16K） | 适用于输入法场景或以上场景均不属于时 | 中文、粤语、川渝方言 | 中文、粤语、川渝方言 | 中文、粤语、川渝方言、 |
教育（16K） | 适用于中英文语言教育内容转写 | 中文、英文 | 无 | 无 |
其中方言： 中文默认支持识别八大官话，包括 东北官话、北京官话、冀鲁官话、胶辽官话、中原官话、兰银官话、江淮官话、西南官话。