智能语音交互功能特性-智能语音交互(ISI)-阿里云帮助中心

语音识别

语音识别将音频中的语音转换为文本。可根据音频来源、时长和结果时效要求选择服务。

录音文件识别和闲时版的上述处理时效不适用于半小时内提交超过500小时录音的大规模任务；此类需求需联系售前专家。极速版和闲时版仅提供商用版。一句话识别、实时语音识别和录音文件识别提供试用版，具体试用条件见下文“相关文档”中的计费方式。

说明

完整的语种、方言和模型支持情况，请参见各识别服务接口说明中的语种列表。选择模型时，需同时核对音频采样率：例如电话录音通常使用8 kHz，查看对应采样率下的语种和方言支持范围。

音频格式、采样率和声道要求也因服务而异，请参见上表中对应的接口说明。

语音合成将文本转换为语音。控制台提供语音合成、长文本语音合成和流式文本语音合成（CosyVoice大模型）三类服务，可根据文本长度、输入方式和音频返回方式选择。

服务	调用方式	文本输入方式	文本长度	音频返回方式	适用场景
语音合成	实时合成	一次提交	≤300个字符	流式返回，可边接收边播放	短文本播报、提示语
长文本语音合成	实时合成	一次提交	≤1万个字符	流式返回，可边接收边播放	需尽快开始播放的文章、小说朗读
长文本语音合成	异步合成	一次提交	≤10万个字符	异步获取；3小时内完成	提前生成长篇文章、小说音频
流式文本语音合成（CosyVoice大模型）	流式合成	同一会话分批发送	分批文本限制见接口说明	流式返回，无需等待完整文本生成	大语言模型流式文本的语音输出

使用CosyVoice音色朗读已准备好的长文本时，还可调用CosyVoice长文本语音合成接口。该接口每个会话仅接收一次文本，最多10000个字符，流式返回音频，不支持流式输入文本。

语音合成提供试用版和商用版。长文本语音合成及上述两种CosyVoice合成接口仅支持商用版，不支持试用。语音合成、实时长文本和异步长文本语音合成的字符数按1个汉字、英文字母、标点或句子中间空格各计1个字符；不同服务的文本长度限制和计费字符数口径需分别查看，不应混用。

说明

各服务支持的音色、语种和音频格式，请参见对应文档的音色列表及参数说明。

离线语音合成通过设备本地模型将文本转换为语音，合成时无需联网，适用于无网络环境的播报、有声阅读和无障碍播报。使用前需完成SDK激活，按设备激活数量收费。

语音分析用于检测音频中的声音事件，或分析说话人的声音特征和语种。