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。

火山引擎提供以下两种语音识别接入方案，分别适用于不同场景：

• 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）。
• 火山引擎流式语音识别：识别速度更快，适用于响应速度要求高的语音控制场景。

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。

请求示例代码

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
    }
}

注意事项

提升语音识别准确性

在使用中，如果你觉得识别结果不够准确，可通过调整音量增强、添加热词、替换词等方式提升识别准确率。详细使用说明参看如何提升语音识别准确性？。

输出模式选择建议

你可以使用 StreamMode 参数控制语音识别大模型输出模式。

• 取值为 0 时，表示流式输入流式输出。此时识别结果会分段、实时地返回。该模式下识别速度更快，适用于实时字幕场景。
• 取值为 1 时，表示流式输入非流式输出。即在完整接收并处理完整个语音片段后，一次性返回最终的识别结果。该模式下识别准确率更高，适用于不需要语音打断功能的场景。

打断配置优化

• 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。
• 背景噪音较多时，可通过 VolumeGain 调节音量增益值，当低增益值可减少噪音引起的 ASR 错误识别，减少误触发。

处理较长音频流式断句问题

在使用流式语音识别大模型时，如果智能体输出音频过长，可能会出现输出未结束便被截断。为避免这种情况，你可以使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。

火山引擎流式语音识别

该接入方案采用业端到端算法模型，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。

请求示例代码

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
    }
}

注意事项

打断配置优化

• 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。
• 背景噪音较多时，可通过 VolumeGain 调节音量增益值，当低增益值可减少噪音引起的 ASR 错误识别，减少误触发。

语音识别配置 FAQ

如何更换音色？
你需按照以下步骤进行操作：
a. 前往语音技术控制台，选择你使用的语音识别服务，如语音合成大模型。
b. 在服务详情页，单击音色购买，选择你需要的音色。当前所有音色均为免费。
c. 购买完成后，在服务详情页查找要更换音色的 Voice_type。
d. 调用 StopVoiceChat 接口停止当前智能体任务，使用 StartVoiceChat 接口，在 TTSConfig 中的 Voice_type 参数中填入更换音色的 Voice_type 重新启动智能体任务。