服务使用问题

以下是相关的功能的视频介绍：

• 音频基础知识+智能语音控制台介绍

• ASR产品使用介绍

• 自学习平台

• 语音合成

公共云token在不同项目间、不同进程间、不同线程间都可以共用，同时一定要注意在token过期前提前重新获取token；出于安全考虑，建议您在服务端集成token SDK，客户端在服务端获取token。详情请参见获取Token。

专有云token目前默认都是default，暂时无需修改。

一般支持8000Hz、16000Hz的采样率。 电话客服场景往往是8000采样率，如果是手机APP、PC端工具、网页H5类场景，往往是16000Hz采样率（可能会有32、44.1k采样率，但开发时需要调用方将采样率调整为16k）。其他采样率的录音数据需要预先自行转码。

录音文件转写可以支持其他采样率，例如32k、44k等等。

语音识别目前支持的方言模型和语种如下：

16k: 中文、英文、四川方言、湖北方言、日语、西班牙语、粤语等。

8k：中文普通话、中文粤语、中文地方口音、英语、四川方言等。

最新的模型支持情况可以登录智能语音交互控制台，在项目配置中查看。

并发数指同一个账号（阿里云UID）同时在处理的请求数。

一般语音请求的处理都会延续一段时间，例如用户新建一个语音识别请求，持续发送语音数据给服务端，这 时并发数就是1；在这个请求处理的同时，同一用户又新建了另一个请求，开始发送语音数据，这时服务端同时在处理这个账号的两个请求，并发数就变成2。

尾点延迟的定义是调用端发送音频结束到完成识别的时间。

目前语音实时识别，如一句话识别、实时转写接口的延迟在100～200ms左右，视模型、音频差异而略有不同。

一句话识别RESTful接口因为批量接收音频，识别时长和音频时长相关。不考虑网络开销，一句话识别RESTful接口处理时长和音频时长近似线性关系，简单计算可以认为：接口处理时长=音频时长*0.2。例如，1分钟音频处理时长约为12秒。实际线上性能会随模型的不同和服务器负载略有差异。

可以通过设定参数speech_noise_threshold的值来修改VAD噪声阈值。

speech_noise_threshold参数区间是[-1，1]，取值越小越灵敏，可能会有更多噪音被当成语音被误识别；取值越大，可能更多语音段会被当成噪音而没有被识别。例如设为0.6，如果仍觉得太灵敏，可以继续尝试设置为0.7。如果发现有丢字、漏识别，需要将该值调小，例如0.5、0.2甚至是-0.2等。

代码示例：

• Java

  transcriber.addCustomedParam("speech_noise_threshold", -0.1);

• C++

  request->setPayloadParam("speech_noise_threshold",-0.1);

一般来说，ASR模型识别率均有一定的保证。如果在所有情况下语音识别都不准确，或者识别率很低，往往需要整体考虑是否有什么地方配置错误，例如实际语音的采样率（在线识别场景ASR只支持8k 16bit或者16k 16bit)、调用时设置的采样率参数（8000或者16000）、ASR服务端模型（8k或者16k），这三者需要保持一致。

在某些情况下，确实存在某些词汇识别不准的情况，如特定名词。针对此现象（下面以词汇“银税e贷”为例），我们建议有：

• 通过自学习平台的定制语言模型训练优化，例如把“银税e贷是什么”、“如何办理银税e贷”等等相关话术加入到文本语料中进行训练。

• 通过自学习平台的热词优化，例如把“银税e贷”作为热词进行训练，设置相应权重。

• 专有云可通过ASR的白名单优化，例如“银税e贷”更容易为误识别为“银税一袋”，则可以在service/resource/asr/default/models/nn_itn/correct.list中按预定格式进行设置，第一列是误识别的文本，第二列是正确文本，注意该操作要求重启ASR生效。

默认VAD断句，可以添加参数enable_semantic_sentence_detection使用语义断句。如果是实时识别，请确认中间结果（参数enable_intermediate_result）也是开启的。

此类现象大部分是由于用户提交的语音文件是双声道，且两个声道语音内容相同造成的。如果是这种情况，属正常现象，可以用ffmpeg把双声道转成单声道即可解决。

为了更好的提供服务端排查支持，请您登录阿里云工单系统提交排查工单，并推荐提供以下信息：

• 全部的log信息 ，包含报错部分。

• 相关taskid、appkey等信息（不含账号密码信息），处理工单的工程师会发送授权同意请求给您，以便您勾选同意。