You need to enable JavaScript to run this app.
导航
实时音视频
  • 文档首页
    • /实时音视频/实时对话式 AI/进阶功能/语音识别配置
语音识别配置
最近更新时间：2025.11.19 11:47:51首次发布时间：2025.05.29 11:18:34
复制全文
我的收藏
有用
有用
无用
无用

在实时对话式 AI 场景中，你需要配置语音识别（ASR）能力，将用户的语音实时转换为文本，以便智能体进行理解和处理。RTC 提供一站式接入方案，只需在 StartVoiceChat 接口配置 ASRConfig 即可完成语音识别能力接入。本文将详细介绍不同服务的配置参数、注意事项及适用场景，帮助你根据需求选择合适的语音识别方案。

注意

当通过 StartVoiceChat 接口中的 S2SConfig 参数启用端到端语音模型时，系统的语音识别能力将由端到端模型内部处理。此时，本文档描述的 ASRConfig 相关配置将无效。关于端到端模型的配置，请参见接入端到端语音模型。

选择语音识别服务

火山引擎提供以下语音识别接入方案，分别适用于不同场景：

服务商模型优势/适用场景
火山引擎流式语音识别大模型识别准确率更高，适用于对识别准确率要求较高的场景（如会议记录、智能客服等）。
流式语音识别识别速度更快，适用于响应速度要求高的语音控制场景。
第三方自定义语音识别服务将自定义 ASR 服务接入边缘大模型网关后，即可在实时对话式 AI 方案中使用该服务进行语音识别。

配置语音识别

火山引擎流式语音识别大模型

该接入方案由大模型能力加持，识别准确率更高，适用于对识别准确率要求较高的场景（如会议记录、智能客服等）。详细功能特性可参看大模型语音识别。

核心配置参数

使用火山引擎流式语音识别大模型时，StartVoiceChat.ASRConfig 结构核心配置参数如下：

完整参数及说明可参看 StartVoiceChat 接口。

参数名类型是否必填示例值说明
ProviderString是volcano语音识别服务提供商。该参数固定取值：volcano，表示仅支持火山引擎语音识别服务
ProviderParams.ModeString是bigmodel模型类型，固定取值 bigmodel。
ProviderParams.AppIdString是93****21开通流式语音识别大模型服务的 App ID。从豆包语音控制台获取。
ProviderParams.AccessTokenString是MOaOaa_VQ6****1B34UHA4h5B与 App ID 对应的鉴权 Token。从豆包语音控制台获取。
ProviderParams.ApiResourceIdString否volc.bigasr.sauc.duration服务开通类型：volc.bigasr.sauc.duration（小时版）；volc.bigasr.sauc.concurrent（并发版）。默认 duration。
ProviderParams.StreamModeInteger否0输出模式：
  • 0：默认值，流式输入流式输出，实时性高。
  • 1：流式输入非流式输出，准确率高。
  • 2：双向流式优化版。既可以满足客户实时上屏需求（快），又可以保证识别准确率（准）。

请求示例

你可参看以下示例，使用火山引擎流式语音识别大模型进行语音识别：

{
	    "ASRConfig": {
	        "Provider": "volcano",
	        "ProviderParams": {
	            "Mode": "bigmodel",
	            "AppId": "93****21",
	            "AccessToken": "MOaOaa_VQ6****1B34UHA4h5B",
	            "ApiResourceId": "volc.bigasr.sauc.duration",
	            "StreamMode": 0
	        },
	        "VADConfig": {
	            "SilenceTime": 800
	        },
	        "VolumeGain": 0.3,
	        "TurnDetectionMode": 0
	    }
	}

火山引擎流式语音识别

该接入方案采用端到端算法模型，识别速度更快，适用于响应速度要求高的语音控制场景。详细功能特性可参看语音识别。

核心配置参数

使用 StartVoiceChat 接口配置时，需通过 Config.ASRConfig 结构设置参数。以下为核心配置参数说明：

完整参数及说明可参看 StartVoiceChat 接口文档。

参数名类型是否必填示例值说明
ProviderString是volcano语音识别服务提供商，固定取值 volcano（仅支持火山引擎服务）。
TurnDetectionModeInteger否0对话触发方式：
  • 0（服务端自动检测完整语句触发）；
  • 1（手动触发）。
默认 0。
ProviderParams.ModeString是smallmodel模型类型，固定取值 smallmodel。
ProviderParams.AppIdString是93****21开通流式语音识别服务的 App ID。从豆包语音控制台获取。
ProviderParams.ClusterString是volcengine_streaming_common服务集群标识。从豆包语音控制台开通后获取。

请求示例

你可参看以下示例，使用火山引擎流式语音识别进行语音识别：

{
    "ASRConfig": {
        "Provider": "volcano",
        "ProviderParams": {
            "Mode": "smallmodel",
            "AppId": "93****21",
            "Cluster": "volcengine_streaming_common"
        },
        "VADConfig": {
            "SilenceTime": 800
        },
        "VolumeGain": 0.3,
        "TurnDetectionMode": 0
    }
}

自定义语音识别

将自定义语音识别服务接入边缘大模型网关后，即可在实时对话式 AI 方案中使用该服务进行语音识别。

具体接入方式和说明可参看接入自定义 ASR。

进阶配置

提升语音识别准确性

在使用火山引擎语音识别服务时，可通过调整音量增益、添加热词、替换词等方式提升识别准确率。详细说明参看如何提升语音识别准确性？。

打断配置优化

在使用火山引擎语音识别服务时：

  • 若需通过关键词触发打断（如“停止”）：建议将 InterruptSpeechDuration 设为 0，避免自动阈值覆盖关键词触发逻辑。
  • 若背景噪音较多：可通过调整音量增益、开启 AI 降噪或声纹降噪，在嘈杂环境下提升语音交互体验。具体配置，请参见语音降噪。

处理较长音频流式断句问题

在使用火山引擎流式语音识别大模型时，如果用户输入的音频过长，可能会出现识别结果未完整返回便被截断。为避免这种情况，你可以使用以下方式优化：

  • 开启智能语义断句：将 ASRConfig.VADConfig.AIVAD 设置为 true、适当延长 SilenceTime（例如 1000ms 以上），并将 LLMConfig.Prefill 设置为 true，让系统更智能地判断长句中的自然停顿。
  • 手动触发断句：使用用手动触发新一轮对话功能，手动控制智能体结束输出的时机。