产品说明

火山引擎语音团队基于大模型语音识别能力全新升级,依托业界领先的自研语音识别技术和海量的语音行业大数据优势，语音识别大模型拥有更加灵敏的耳朵+更加聪明的大脑，识别准确率进一步提升。

大模型流式语音识别

双向流式模式： 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。

流式输入模式： 支持将音频以流式方式送入，语音识别引擎处理完后返回句级的识别结果，适用于智能体对话、IM语音消息转写、语音输入法等场景。

大模型录音文件识别

支持将音频文件（≤4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。

产品优势

• 超高的准确率：相比传统模型识别错误率降低30%，在音乐，科技，教育，医疗等垂直领域识别错误率降低50%以上。
• 复杂场景识别效果提升：支持多语种多方言语音识别，口音错误率降低50%，噪声和背景人声下降30%-50%
• 更类真人的交互体验：大模型能根据上下文，用户输入，背景信息输入等，让“耳朵”能思考，给出更贴合语境的识别效果。

功能特性

说明：

• 语义顺滑：该能力目前支持中文、英文识别的语义顺滑。
• 标点：语音识别中的自动标点包含中文全角（逗号、句号、问号、叹号、顿号）和英文半角（逗号、句号、问号、叹号）标点。
• QPS (query per second) 是一秒内查询服务接口的次数。
• 并发：并发数是服务端在一个时刻同时处理单个用户(appid)的请求个数。语音请求一般持续时间比较长，比如用户发起了一条 ASR 请求，还未结束前，又发起了另一条请求，则并发数是 2。

应用场景