语音识别ASR

腾讯云语音识别（Automatic Speech Recognition，ASR） 为提供语音转文字服务的佳体验。语音识别服务经、腾讯视频、荣耀等大量内部业务验证，同时也在线上线下大量外部客户业务场景下成功落地，具备识别准确率高、接入便捷、性能稳定等特点。腾讯云语音识别服务开放实时语音识别、一句话识别和录音文件识别三种服务形式，满足不同类型需求。 

功能

语音识别开放实时语音识别、一句话识别和录音文件识别三种服务形式，满足不同类型需求。

实时语音识别

• 对实时音频流进行识别，实时识别为文字。

• 适用于有一定实时性要求的场景，例如语音输入、语音机器人、会议现场记录、直播内容审核、视频实时添加字幕等场景。

• 语言和方言：目前支持中文普通话、英语、粤语和带有一定方言口音的中文普通话，后续将会支持维语。

• 音频属性：支持 wav、pcm、speex、silk 的音频格式，支持8k、16k采样率的单声道音频流，支持16bit的数据采样精度。

• 音频数据长度：建议每个数据包的音频分片大不能超过200KB。

一句话识别

• 对60秒之内的短音频文件进行识别。

• 适用于语音消息转写场景，例如语音短信、语音搜索等。

• 语言和方言：目前支持中文普通话、英语、粤语和带有一定方言口音的中文普通话，后续将会支持维语。

• 音频属性：支持 wav、mp3 的音频格式，支持8k、16k采样率的单声道音频，支持16bit的数据采样精度。

• 音频数据长度：若采用直接上传音频数据方式，建议整个数据包不能大于600KB；若采用上传音频url方式，建议音频时长不能大于60s。

录音文件识别

• 对不超过一小时的录音文件进行识别。

• 适用于语音时间较长、对实时性要求低的场景，例如客服质检、视频字幕生成、音频节目字幕生成等。

• 语言和方言：目前支持中文普通话和带有一定方言口音的中文普通话，后续将会支持英语、粤语。

• 音频属性：支持 wav、pcm、mp3、silk、speex、amr、m4a 等主流的音频格式，支持8k、16k采样率的单声道或双声道音频识别，支持16bit的数据采样精度。

• 音频数据长度支持：若采用直接上传音频数据方式，建议音频数据不能大于5MB；若采用上传音频 url 方式，建议音频时长不能大于1小时。

• 产品优势

• 海量数据积累
  立足于腾讯庞大的社交数据平台，积累了数十万小时的语音标注数据，拥有丰富多样的语料库，为高识别率奠定数据基础。

• 算法业界
  基于多种序列神经网络结构(LSTM、Attention Model、DeepCNN)，采用 Multitask 训练方法，结合T/S方式，在通用以及垂直领域有业内的识别精度。

• 支持多平台设备
  提供 REST API 和 SDK，支持智能硬件、移动应用、网站、桌面客户端和物联网等多种设备终端。

• 支持语种丰富
  现阶段支持中文语音识别和英文语音识别，后续将陆续开放其他语种或方言的识别能力，包括粤语、维语、藏语、韩语等。

• 噪声环境识别佳
  语音识别模型鲁棒性佳，识别精度高，抗噪声的干扰能力强，能够识别来自嘈杂环境的音频信息，不需要客户进行降噪处理。

• 海量内外部业务验证
  经过、腾讯视频、荣耀等内部业务充分验证，也在大量互联网、金融、教育等领域的外部客户业务场景成功落地，日服务亿级用户，性能稳定。

应用场景

语音输入法
智能语音输入，由实时语音识别实现，为用户节省输入时间、提升输入体验。

语音消息转写
将用户的语音信息转成文字信息，由一句话识别服务实现，提升用户阅读效率。

字幕生成
将直播和录播视频中的语音转换为文字，由录音文件识别服务实现，轻松便捷地生成字幕文件。

会议纪要
将会议、庭审、采访等场景的音频信息转换为文字，由实时语音识别服务实现，降低人工记录成本、提升效率。

电话质检
将坐席通话转成文字，由实语音识别服务或录音文件识别服务实现，全面覆盖质检内容、提升质检效率