产品简介--豆包语音-火山引擎

文档中心

导航

产品简介

最近更新时间：2025.11.04 18:09:33首次发布时间：2024.10.15 10:59:11

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（≤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60%，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

		大模型流式语音识别	大模型录音文件识别
适用场景		双向流式模式：豆包打电话模式，实时语音通话流式输入模式：iM消息（输入法）	剪映：字幕创作飞书：会议纪要
基础能力	语音识别	✅	✅
	智能分句	✅	✅
	字/词时间戳	✅	✅
可选能力	自动标点	✅	✅
	语义顺滑	✅	✅
	说话人识别		✅
	数字规整ITN	✅	✅
热词纠错	平台级别	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
热词纠错	请求级别	✅	✅
返回时效		双向流式模式：实时，即边说话边出文字流式输入模式：流式输入，分句返回	承诺 3 小时内返回识别文本 submit后，需要在7天内query结果
并发限制		正式版默认10并发支持购买并发扩容	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、OPUS格式；	支持OPUS、WAV、MP3、SPX、OGG、AMR、AAC、M4A格式；
采样率		单声道，采样率 16000	单声道/双声道，采样率无要求音频时长<5小时，且文件大小<512M
接入方式		Websocket API / 在线SDK	HTTP
支持语种		双向流式模式：中英文流式输入模式：中英文、上海话、闽南语，四川、陕西、粤语多语种：日语、韩语、印尼语、菲律宾语、马来语、泰语、法语、德语、西班牙语、葡萄牙语、沙特阿拉伯语	中英文、上海话、闽南语，四川、陕西、粤语多语种：日语、韩语、印尼语、菲律宾语、马来语、泰语、法语、德语、西班牙语、葡萄牙语、沙特阿拉伯语

应用场景

应用场景	场景描述及价值
语音交互	为人机交互提供语音输入渠道，通过实时将语音转成文字作为输入，达到和设备/硬件/应用快速&便捷交互的目的
内容审核质检	将录音识别为文字，通过质检规则对文本进行分析，及时发现违规内容并干预处理；或对内容进行监控分析，发掘潜在商机
会议访谈转写	将会议、访谈音频实时或异步识别为文字，自动切分有语音部分识别，降本增效；同时自动分段，有效提升会议内容记录效率
游戏语音输入	针对游戏语音输入、手机输入法场景，支持用户“边说边出文字”的效果，极大降低用户文字沟通的精力、提升沟通效率
课堂内容分析	将课堂录音文件进行识别，通过文字还原课堂场景，分析教学内容，提升教学质量
音视频字幕	支持自动将音/视频中的语音、歌词识别转换为文本，一键生成与音视频对应的字幕内容。适用于视频剪辑、视频观看、视频会议等多个场景。