本文汇总了您在使用语音识别服务时的常见问题。
语音识别类常见问题主要分为以下几类：
功能类
性能类
效果类
SDK使用类
计费类
功能类
实时转写说话有停顿，但是语音识别不断句怎么办？
如果是vad断句情况下，实时转写的vad断句依赖对音频中静音数据的判断，如果上游不发送静音音频，服务端则无法识别用户说话是否有停顿。如果确认是上游没有发送静音音频，则系统通过对实时转写服务的时间戳和实际音频的时间戳对比。如果发现服务端的判断音频时长比实际音频时长短，说明静音时服务端没有收到用户发的静音数据。
在开启语义断句情况下，有可能是后处理模型的效果问题。
解决方案：在用户停顿时持续地向服务端发送静音数据。
语音识别能自动断开多句话吗？
实时语音识别服务可以断开多句话。一句话识别服务的每个请求只对应一句话，无法断开。
语音识别服务支持离线功能吗？
目前不支持本地离线的语音识别，必须把音频数据发送到服务端做识别。
语音识别支持哪些模型？
可以在智能语音交互控制台中项目功能配置里查看具体的模型种类，目前有8k和16k两种采样率的模型，每个采样率下面又有多个领域模型，可以按需选择。
语音识别是否可以混合识别极少量英文单词和字母？
可以的，中文普通话模型支持对中英文混杂的音频进行识别。
开启ITN（逆文本规整）后，中文数字混合时为什么并不是全部转为阿拉伯数字？
是否要转成阿拉伯数字，系统是用模型来判断的，并不是所有数字都需要转成阿拉伯数字，模型的判断主要准则是一般书面文本中常用的形态。
录音文件识别的enable_sample_rate_adaptive和极速版本里的sample_rate，这两个接口是一样的吗？
不是。极速版的sample_rate就是采样率，enable_sample_rate_adaptive是个开关，极速版默认采样率16k，不需要这个开关。
录音转文本能区分坐席和客户吗？
语音识别引擎只能区分出说话的不同角色，角色对应的身份引擎是无法识别的，需要用户从业务的角度自行判断。建议您在存储录音时按照角色分类存储。
智能语音交互的一句话识别，标点符号是根据什么来判断逗号和句号的？
结合音频的声学特征和对识别结果文本做语音分析后做标点处理。
离线文件转写如何区分左右声道？
语音识别引擎无法区分左右声道，当多声道音频送入语音识别服务进行识别时，返回结果会用channel_id字段来标记多个音轨。如果采集顺序固定，可以根据channel_id区分对应声道。具体可参见接口说明。
语音识别可以支持多个词表吗？
一次可使用一个词表，每次只能传一个vocabulary_id，如果觉得不够可以使用定制模型。具体可参见使用POP API创建业务专属热词。
设置录音文件识别服务的版本，"4.0"和"2.0"两个版本有什么区别？
由于历史原因，早期发布的录音文件识别服务（默认为2.0版本）的回调方式和轮询方式的识别结果在JSON字符串的风格和字段上均有不同。录音文件识别服务在4.0版本对回调方式做了优化，使得回调方式的识别结果与轮询方式的识别结果保持一致，均为驼峰风格的JSON格式字符串。具体可参见接口说明。
在电话端支持哪些国家的语音识别？
电话8k语音目前支持的外语语种为英语，非电话16k语音支持更多外语语种。语种模型支持列表详见功能特性。
在语音识别的服务中，有没有请求参数是音频文件地址，返回参数是转写文本？
可使用录音文件识别功能，具体请参见接口说明。
实时语音转写能和录音文件识别一样加入音轨ID吗？
不能，音轨ID是录音文件专用的。实时转写只有单通道语音，不需要channel区分。
录音文件识别可以生成SRT字幕文件吗？
目前没有。需要根据返回结果中的时间信息自己进行拼接。
语音识别服务支持哪些编码格式的音频？
每种服务支持的格式不尽相同，请参见各服务中的说明。您可以使用常见音频编辑软件如Audacity，查看音频文件的编码格式。
语音识别服务支持哪些采样率？
一般支持8000 Hz、16000 Hz的采样率。 电话客服场景通常是8000采样率，如果是手机App、PC端工具、网页H5类场景，通常是16000 Hz采样率（可能会有32、44k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。
怎么查看音频文件的采样率？
可以使用常见音频编辑软件如Audacity查看音频文件的采样率，也可以使用开源命令行工具FFmpeg查看。
语音识别能否自动断开多句话？
实时语音识别服务可以断开多句话；一句话识别服务的每个请求只对应一句话，无法断开。
实时识别和录音文件转写分别支持哪些语音格式？
性能类
语音识别的识别准确率怎么计算？
行业通常使用错误率来统计识别效果，中文常用CER（字错误率），英文常用WER（词错误率）。计算方式：（插入错误字数ins+删除错误字数del+替换错误字数sub）/总字数。以下图为例：
这批数据的准确率=（14365-74-385-1706）/14365=84.93%。快速计算方式为：100-15.07=84.93。
语音识别模型的字准率能达到多少？
关于达摩院智能语音交互语音识别准确度的数字，我们通过了CNAS（国家软件测试中心）的评测，国家软件中心对语音识别算法准确度测试中，在60分贝以下的降噪环境中，用普通话在距离耳麦1厘米的位置，以240字/小时的匀速朗读样本量1207字的测试下，我们经过5轮测试的结果，识别准确率均大于98%。该准确度经过国家软件测试中心的标准认证。
而在现实的使用过程当中，可能会受到耳麦质量、背景杂音、口音差异等原因导致准确度有一定的偏差，对于数据格式为8k、16bit、双通道分轨（用户或客服双轨）的pcm或者wav格式，信噪比在20dB以上的语音，绝大部分商用场景下我们能保障85%的准确度，确保您有效使用。
录音文件识别极速版延迟是多少？
录音文件识别极速版服务承诺10秒内完成30分钟的音频识别，指的是从收到全部音频到完成识别的时间，音频上传的速度和客户端带宽等因素相关，时长可能会有不同。在服务端返回的识别结果中包含latency字段，记录了服务端处理时长。
8k模型可以识别16k的音频吗？
不可以。8K模型和16K模型只支持识别对应采样率的音频。
录音文件识别极速版调用频率有限制吗？
没有。但对并发有限制，并发数在控制台上查看。
粤语的识别准确率是多少？
粤语8k、16k识别准确率在80~95%之间，实际结果受语料数据与发音标准程度影响。使用不同服务准确率会有略微区别（相对5%），准确率排名整体为：录音文件识别＞一句话识别＞实时语音识别。
15秒左右的录音文件识别大概需要多久能转换成文本呢？
录音文件识别是离线API。对于免费用户的识别任务在24小时内完成并返回识别文本；付费用户的识别任务在3小时内完成并返回识别文本。60秒以内的短音频建议客户使用一句话识别，时效更好。
语音转文本有没有优先级？比如现在正在转写任务，突然有紧急的转写任务，能调整处理优先级吗？
暂不支持这个操作，文件转写目前的时效性还是比较快的。
针对两个用户打电话场景，哪个模型效果比较好？
目前建议都使用新一代端到端“识音石”识别模型，综合效果性能比较好。
服务请求时长限制？
一句话识别支持60秒以内的实时语音。
实时语音识别不限制时长。
“流式”模式和“非流式”模式识别的区别？
“非流式”模式也称为普通模式，普通模式下，服务判断用户整句话说完后才返回一次识别结果；而“流式”模式下用户一边说话一边返回识别结果，在句子结束的识别结果前会有很多中间结果。
什么是ASR尾点延迟？
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300毫秒左右，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。
效果类
对于识别不准的词该如何进行优化？
首先考虑无标注优化：
使用业务相关语料进行定制语言模型优化。业务语料包括业务关键词、业务相关的句子和篇章等。训练语料中要尽可能的对词进行泛化。（比如把“银税e贷是什么”、“如何办理银税e贷”等等相关话术加入到训练语料中）
针对依然识别不好的业务关键词，再以复制多行或者提高模型权重的方式进行定制语言模型加强。
个别解决不好的业务关键词，使用泛热词进行优化。
其次考虑有标注优化：
如果主要是因为口音等问题导致的整体识别效果不好，并且无标注优化方式无法解决到满意程度，可以开始声学模型优化。
声学模型优化需要标注数据，标注本身也可以加入业务相关语料中进行语言模型优化。
单字识别不出来是什么原因？
因为单字发音单元短，且没有上下文语义，所以单字的识别是难点，添加热词效果不一定好，建议采用定制化模型优化。
热词效果如果不佳是否可以自主调节权重？
人名和地名类热词不支持设置权重，业务专属热词支持权重。目前在控制台上创建业务专属热词时不支持设置权重，如果需要调整权重您可以通过API进行维护。
录音文件识别时间戳不准，如何解决？
可通过设置时间戳校准功能参数enable_timestamp_alignment为true来调准。详情请参见接口说明。
语音识别太灵敏、无效声音（噪音等）被识别出了文字怎么办？
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);
远场识别为什么会经常丢字？如何提高远场识别效果？
这是因为远、近场的VAD阈值不一样，建议调节参数speech_noise_threshold。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-0.2，如果丢字现象仍然比较严重，可以继续调小至如-0.3、-0.4；如果发现较多噪声被误识别了，也可以适当调大，例如-0.1、0等。
ASR识别很离谱，不准确怎么办？
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。
如果是公共云ASR调用，需要确认阿里云控制台上该appkey所选择的模型采样率；如果是专有云ASR环境，则需要确认service/resource/asr/default/models/readme.txt 文件中所定义的采样率。
有些词汇总是识别不准怎么办？
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。
如何提高标点断句的效果？
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。
实时场景中，已经开启了标点断句，为什么效果还是不理想？
可以确认下是否开启中间结果，实时场景的语义断句需要配合中间结果使用。
录音文件识别存在一次请求后返回两次相同的结果的情况吗？
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，设置参数first_channel_only为true，只识别首个声道即可解决。
实时语音识别遇到识别慢、超时问题，如何排查？
排查方式：
运行阿里云提供的示例，和您的服务对比运行状态，记录并提供日志信息。
记录请求对应的taskid，方便排查问题。
客户端使用TCPDump（Linux）/Wireshark（Windows）等抓包工具，确定网络状况。
为什么语音识别准确率很低，有时只识别出几个字？
请检查音频数据的采样率与管控台应用的模型是否一致，以及音频是否是单通道录音。
只有录音文件识别支持双通道的录音。
SDK使用类
一句话识别录入的demo是使用Websocket进行识别展示的吗？
是Websocket。SDK就是采用的Websocket协议，RESTful API接口是HTTP协议。SDK接口详情请参见接口说明。
实时语音识别服务有Python SDK吗？
暂不支持。
语音识别的返回结果JSON中endtime=-1是什么意思？
表示当前句子未结束。当语音识别模式为“流式”时，才会存在中间结果。
计费类
录音文件识别极速版不支持试用吗？
对，录音文件极速版暂不支持试用，需要付费才可以。
- 本页导读 （1）