为直播提供基础字幕，方便静音或嘈杂环境下观看。

原文 ASR 字幕

• 整句出字方式（字幕会一句一句地完整显示）：Enable 取值为 true、Pipe 取值为 mix（纯字幕）且仅配置 SourceLanguage（原文字幕），不配置 TargetLanguage（译文字幕）。
• 实时流式出字方式（字幕会逐字或逐词地显示出来，而不会等待一句话结束）：Enable 取值为 true、Pipe 取值为 realtime（实时同传）且仅配置 SourceLanguage（原文字幕），不配置 TargetLanguage（译文字幕）。

通过语音识别，在视频画面叠加原文字幕。

进行跨语言文字交流，触达全球观众。

字幕翻译

• 声影同传模式：Enable 取值为 true、Pipe 取值为 mix（纯字幕），并配置 SourceLanguage（原文字幕）和 TargetLanguage（译文字幕）。
• 纯字幕模式：Enable 取值为 false，并配置 SourceLanguage（原文字幕）和 TargetLanguage（译文字幕）。

通过语音识别，在视频画面叠加翻译字幕，但保留原声音频。

提供配音式翻译体验，如同观看译制片。

同传声音

Enable 取值为 true、Pipe 取值为 si（声影同传）、SpeakerRecognition 取值大于 0，并配置 SourceLanguage（原文字幕）和 TargetLanguage（译文字幕）的 Language（语言）。

提供同传声音，并替换原声。

追求沉浸式真人翻译体验，提升专业性。

同传声音 + 数字人口型

Enable 取值为 true、Pipe 取值为 si（声影同传）、SpeakerRecognition 取值大于 0、DigitalHumanMouthShape 取值为 true，并配置 SourceLanguage（原文字幕）和 TargetLanguage（译文字幕）的 Language（语言）。

在同传声音的基础上，通过 AI 技术驱动说话人口型与翻译音频同步，效果以假乱真。

Vhost

String

是

push.example.com

推拉流域名所属的域名空间。
通过以下任一方式，获取域名空间：

• 调用 ListDomainDetail 接口，通过返回参数 Vhost 获取。
• 在视频直播控制台的域名管理页面，通过域名空间字段获取。

App

String

是

live

推流地址的 AppName。例如推流地址为 rtmp://push.example.com/live/test?authinfo，则 AppName 为 live。

SuffixName

String

是

_subtitle

字幕后缀。您可以在源流地址后拼接此后缀，为您的原始直播流直接添加字幕、同传声音等效果，不改变分辨率和码率等。
如需自定义该字幕后缀，您必须以短横线（-）或下划线（_）开头，长度为 1-100 个字符，并支持以下字符：

• 大写字母 A - Z
• 小写字母 a - z
• 短横线（-）
• 下划线（_）
  示例：
• 源流地址：rtmp://pull.example.com/live/test
• 字幕流（包含字幕、同传声音等效果的源流）地址：rtmp://pull.example.com/live/test_subtitle

Suffixes

Array of String

是

["hd","bd"]

当前 AppName 下的一个或多个转码后缀（如 _uhd、_hd），为转码流添加字幕、同传声音等效果。这样，观众在切换清晰度时，也能体验到字幕、同传声音等效果。

示例：

• 源流地址：rtmp://pull.example.com/live/test
• 转码流（包含字幕、同传声音等效果）地址：rtmp://pull.example.com/live/test_hd

Delay

Integer

否

8

播出延迟时长，以保证同传声音和字幕的翻译处理完成。取值范围为 [0,60]，单位为秒。
不同功能的建议取值如下：

• si：
  • 同时开启数字人口型、同传声音、字幕时：20。
  • 同时开启同传声音、字幕时：12。
• mix：
  • 整句出字方式原文 ASR 字幕：15。
  • 字幕翻译：8。
• realtime（实时流式原文 ASR 字幕）：2 或 3。
  有关具体功能的参数配置，详见使用说明。

DisplayPreset

String

否

small

（不推荐使用）预设效果，用于快速配置。
传入该参数后，系统将自动对 Font（字体）、MaxRowNumber（字幕行数）、MaxCharNumber（每行最大字符数）、Position（左右边距和底部边距）进行智能化适配，且 MaxRowNumber、MaxCharNumber 和 Position 参数不再生效。默认为空，表示不使用预设效果。取值如下：

• small ：小字幕。
• medium：中字幕。
• large：大字幕。

MaxRowNumber

Integer

否

0

每种语言字幕最多显示的行数。默认值为 0。取值如下：

• 0：根据字幕总字数和每行最大字符数自动换行，确保内容完整显示。
• 1：每种语言的字幕最多显示一行，内容可能被截断。
• 2：每种语言的字幕最多显示两行，内容可能被截断。

Position

Object of Position

否

-

字幕位置。

SourceLanguage

Object of SourceLanguage

是

-

原文字幕配置。

TargetLanguage

Array of TargetLanguage

否

-

译文字幕配置。

HotWordList

Array of String

否

["视频直播","赛事直播","智能家居"]

热词列表。默认为空。
传入热词（如产品名、流行语），可以提升语音识别准确率。热词需与原文语言一致，热词之间用英文逗号（,）隔开。总字符数不超过 3 万。

GlossaryWordList

Array of String

否

["字节跳动:ByteDance","视频直播:MediaLive"]

关键词列表。默认为空。
传入您期望在翻译时保持固定译法的专有词汇，如品牌名、人名或特定术语。系统会严格按照关键词列表翻译，以确保准确性。
格式为"原文:译文"，每个"原文:译文"之间用英文逗号（,）隔开。例如["字节跳动:ByteDance","视频直播:MediaLive"]。总字符数不超过 3 万。

ReplaceMap

JSON Map

否

{"蒂姆":"Tim","提姆":"Tim"}

易错词列表。默认为空。
如果您在传入 GlossaryWordList（关键词）或 HotWordList（热词）后，仍然存在错译或原文字幕识别错误的情况，可选择传入易错词。格式为"目标词":"替换词"，每个"目标词":"替换词"之间用英文逗号（,）隔开。每个目标词或替换词长度为 1-10 个字符，最多可传入 60 对"目标词":"替换词"。
只要译文/原文字幕中包含您设置的目标词，系统就会自动将其替换为替换词。

• 字幕翻译和同传声音示例：当 Tim 被错译为蒂姆或提姆时，您可以传入 {"蒂姆":"Tim","提姆":"Tim"}。这样，在译文字幕中，Tim 就不再会被错译成蒂姆或提姆，确保了翻译的准确性。
• 原文 ASR 字幕示例：当 word 被错误识别为 world 时，您可以传入 {"world":"word"}。这样，在原文字幕中，word 就不再会被错误识别为 world，确保了字幕识别的准确性。

Relative

String

否

top

字幕在画面中的位置。默认值为 bottom。取值如下：

• top：字幕展示在画面顶部。
• bottom：字幕展示在画面底部。

MarginVertical

Float

否

0.5

字幕的上下边距，即字幕距离画面顶部或底部的距离。取值为画面高度的百分比，取值范围为 (0, 0.5]。

• 当 Relative 取值为 top 时，表示上边距。
• 当 Relative 取值为 bottom 时，表示下边距。

Enable

Boolean

否

false

是否开启声影同传模式。默认值为 false。取值如下：

• true：开启声影同传模式。支持生成字幕、生成同传声音替换原声，以及驱动数字人口型与同传声音同步，提供沉浸式体验。
• false：关闭声影同传模式，开启纯字幕模式。关闭后，SIConfig 中的其他参数均不生效。

Pipe

String

否

mix

声影同传类型。取值如下：

• si：字幕、同传音频与画面完全同步，支持数字人口型功能。适用于对同步性和沉浸感要求较高的会议直播等场景。
• mix：仅字幕。
• realtime：实时流式原文 ASR 字幕。

SpeakerRecognition

Integer

否

1

是否开启同传声音功能。默认为空。取值如下：

• 大于 0：开启。开启后，将使用带有音色复刻效果的翻译语音替换直播原声。
• 等于 0：关闭。

DigitalHumanMouthShape

Boolean

否

false

是否开启数字人口型功能。默认值为 false。取值如下：

• true：开启。开启后，说话人口型将与同传声音同步，提升直播的沉浸感。
• false：关闭。

PipeExtra

String

否

{"Separator":{"HandleType":1},"Amix":{"AudioEnhance":false}}

额外配置，为 JSON 格式的字符串，包含音量均衡、降噪、原声音量等信息。详见 CreateSpeechTask 接口的 Extra 参数。

Display

Boolean

是

true

是否展示原文字幕，取值如下：

• true：展示，此时将展示原文和译文双语字幕。
• false：不展示，此时将仅展示译文字幕。

Language

String

否

zh

原文字幕语言。

• 当 Enable 取值为 true 使用声影同传模式时，可通过 GetSubtitleTranscodePresetConfig 的 OriginalLang 获取当前账号字幕翻译和同传声音可使用的原文字幕语言，或通过该接口的AsrLang 获取当前账号可使用的原文 ASR 字幕语言，并传入 Key 值。
• 当 Enable 取值为 false 使用纯字幕模式时，取值如下：
  • zh：中英混合。
  • en：英语。
  • ko：韩语。
  • ja：日语。

ShowPriority

Integer

否

2

原文字幕的展示优先级。默认原文字幕在上，译文字幕在下。
取值越大，优先级越高。例如原文字幕的 ShowPriority 为 1，译文字幕的 ShowPriority 为 2，则译文字幕在上，原文字幕在下。

MaxCharNumber

Integer

否

60

原文每行字幕的最大字符数。默认值为 60。建议取值 60。

Font

String

是

siyuanheiti

原文字幕字体。

• 当 Enable 取值为 true 使用声影同传模式时，可通过 GetSubtitleTranscodePresetConfig 的 Font 获取当前账号下可使用的字体列表，并传入 Key 值。
• 当 Enable 取值为 false 使用纯字幕模式时，具体取值如下。原文字幕语言（Language 取值）不同，原文字幕字体也随之不同。
  • 当原文字幕的语言是 zh 时，支持以下字体取值。
    • siyuanheiti：思源黑体。
    • songtixi：宋体细。
    • songticu：宋体粗。
    • heitifan：黑体繁。
    • kaiti：楷体。
  • 当原文字幕的语言是 en 时，支持以下字体取值。
    • inter：Inter。
    • roboto：Roboto。
    • opposans：OPPOSans。
    • siyuansongti：思源宋体。
    • montserrat：Montserrat。
  • 当原文字幕的语言是 ko 或 ja 时，支持 notosans（Noto Sans) 字体。

FontSize

Integer

否

18

原文字幕字号。单位为 px。

FontColor

String

否

0xFF0000@0.5

原文字幕的字体颜色。
使用以下任一方式表示颜色值：

• 以 0x 或 # 开头，后面跟十六进制 RGB 颜色值，再通过 @ 符号附加透明度，透明度支持十六进制（如 0x80）或小数（如 0.5）两种表示方式。例如，设置 RGB 值为 FF0000，透明度为 50% 的颜色时，可以传入 0xFF0000@0x80、0xFF0000@0.5、#FF0000@0x80 或 #FF0000@0.5。
• 使用 FFmpeg 规定的颜色关键字，再通过 @ 符号附加透明度，透明度支持用小数（如 0.5）表示。例如，设置 RGB 值为 0xF0F8FF，透明度为 50% 的颜色时，可以传入 AliceBlue@0.5。

Language

String

否

en

译文字幕语言。

• 当 Enable 取值为 true 使用声影同传模式时，可通过 GetSubtitleTranscodePresetConfig 的 Lang 获取当前账号下可使用的译文字幕语言，并传入 Key 值。
• 当 Enable 取值为 false 使用纯字幕模式时，取值如下：
  • zh：中英混合。
  • en：英语。
  • ko：韩语。
  • ja：日语。

ShowPriority

Integer

否

1

译文字幕的展示优先级。默认原文字幕在上，译文字幕在下。
取值越大，优先级越高。例如原文字幕的 ShowPriority 为 1，译文字幕的 ShowPriority 为 2，则译文字幕在上，原文字幕在下。

MaxCharNumber

Integer

否

60

译文每行字幕的最大字符数。默认值为 60。建议取值 60。

Hidden

Boolean

否

false

是否隐藏译文字幕。默认值为 false。取值如下：

• true：隐藏。
• false：显示。

Font

String

是

inter

译文字幕的字体。

• 当 Enable 取值为 true 使用声影同传模式时，可通过 GetSubtitleTranscodePresetConfig 的 Font 获取当前账号下可使用的字体列表，并传入 Key 值。
• 当 Enable 取值为 false 使用纯字幕模式时，具体取值如下。译文字幕语言（Language 取值）不同，译文字幕字体也随之不同。
  • 当译文字幕的语言是 zh 时，支持以下字体取值。
    • siyuanheiti：思源黑体。
    • songtixi：宋体细。
    • songticu：宋体粗。
    • heitifan：黑体繁。
    • kaiti：楷体。
  • 当译文字幕的语言是 en 时，支持以下字体取值。
    • inter：Inter。
    • roboto：Roboto。
    • opposans：OPPOSans。
    • siyuansongti：思源宋体。
    • montserrat：Montserrat。
  • 当译文字幕的语言是 ko 或 ja 时，支持 notosans（Noto Sans) 字体。

FontSize

Integer

否

18

译文字幕字号。单位为 px。

FontColor

String

是

0xFF0000@0.5

译文字幕的字体颜色。
使用以下任一方式表示颜色值：

• 以 0x 或 # 开头，后面跟十六进制 RGB 颜色值，再通过 @ 符号附加透明度，透明度支持十六进制（如 0x80）或小数（如 0.5）两种表示方式。例如，设置 RGB 值为 FF0000，透明度为 50% 的颜色时，可以传入 0xFF0000@0x80、0xFF0000@0.5、#FF0000@0x80 或 #FF0000@0.5。
• 使用 FFmpeg 规定的颜色关键字，再通过 @ 符号附加透明度，透明度支持用小数（如 0.5）表示。例如，设置 RGB 值为 0xF0F8FF，透明度为 50% 的颜色时，可以传入 AliceBlue@0.5。

Color

String

是

0xFF0000@0.5

颜色。
使用以下任一方式表示颜色值：

• 以 0x 或 # 开头，后面跟十六进制 RGB 颜色值，再通过 @ 符号附加透明度，透明度支持十六进制（如 0x80）或小数（如 0.5）两种表示方式。例如，设置 RGB 值为 FF0000，透明度为 50% 的颜色时，可以传入 0xFF0000@0x80、0xFF0000@0.5、#FF0000@0x80 或 #FF0000@0.5。
• 使用 FFmpeg 规定的颜色关键字，再通过 @ 符号附加透明度，透明度支持用小数（如 0.5）表示。例如，设置 RGB 值为 0xF0F8FF，透明度为 50% 的颜色时，可以传入 AliceBlue@0.5。

Color

String

是

0xFF0000@0.5

颜色。
使用以下任一方式表示颜色值：

• 以 0x 或 # 开头，后面跟十六进制 RGB 颜色值，再通过 @ 符号附加透明度，透明度支持十六进制（如 0x80）或小数（如 0.5）两种表示方式。例如，设置 RGB 值为 FF0000，透明度为 50% 的颜色时，可以传入 0xFF0000@0x80、0xFF0000@0.5、#FF0000@0x80 或 #FF0000@0.5。
• 使用 FFmpeg 规定的颜色关键字，再通过 @ 符号附加透明度，透明度支持用小数（如 0.5）表示。例如，设置 RGB 值为 0xF0F8FF，透明度为 50% 的颜色时，可以传入 AliceBlue@0.5。