返回时效

实时，即边说话边出文字

流式输入，分句返回

一般接到任务立即识别；
标准版：3 小时内；
闲时版：24小时内；
极速版：30分钟音频一般10秒左右返回（不含音频传输时间）

语义顺滑（目前支持中文、英文）

✅

✅

✅

上下文（文本、图片）

✅
2.0支持图片

✅
2.0支持图片

✅
2.0支持图片

输出语音停顿、分句、分词信息

✅

✅

✅

热词纠错-平台级别

✅

✅

✅

是否启动首字返回加速

✅

不支持

不涉及

音频大小

/

音频时长<5小时，且文件大小<512M

支持语种

• 中英文

（双向流式只支持中英文、二遍支持中英文及方言）

• 中英文

• 方言：

  • 方言文本输出：粤语、四川、陕西、冀鲁、兰银、江淮；

  • 普通话文本输出：上海话、闽南语，山西话、客家话；

  • 国内口音普通话（东北话、北京话等）

• 外语：中英+23种

  日语、印尼语、西班牙语、葡萄牙语、德语、法语、韩语、菲律宾语、马来语、泰语、阿拉伯语、意大利语、孟加拉语 、希腊语、荷兰语、俄语 、土耳其语 、越南语 、波兰语、罗马尼亚语 、尼泊尔语 、乌克兰语、粤语

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。