语音识别/翻译Gummy

产品简介

通义实验室Gummy语音翻译大模型支持实时语音识别和翻译。相比传统的级联“语音识别+翻译”技术，Gummy采用了业界领先的自研语音识别技术，翻译速度更快，延时更短，准确率更高，表现接近自然对话，提供优质的交互体验。

产品优势

识别翻译准确率更高：基于新一代自研语音大模型和海量语音数据，能够进行更接近真人的上下文思考，从而在识别和翻译的准确率上显著优于传统的级联系统，并更好地贴合语境。

实时翻译同传：采用创新的端到端语音大模型技术，支持无限上下文的实时同传。翻译速度更快，延时大幅低于人类专家，体验显著优于传统的级联系统。

丰富的多语种识别翻译功能：支持多种语言的双向互译，并且在无源语言信息的情况下可以直接翻译为目标语言。

丰富的功能：支持端到端的多语言翻译干预、语音识别热词定制、ITN规范和标点符号预测等功能。

广泛的领域/场景覆盖：适用于智能问答、语音指令、音视频字幕、教育、科技、会议、同传等各类场景和领域。

功能特性

Gummy提供了实时语音识别、翻译和一句话识别、翻译的功能。请根据实际使用场景进行选择。

• 一句话识别、翻译：对停顿更加敏感，支持对一分钟内的短语音进行精准识别，适用于对话聊天、指令控制、语音输入法、语音搜索等短时语音交互场景。

• 实时语音识别、翻译：适用于会议演讲、视频直播等长时间不间断识别的场景。

应用场景

一、实时语音翻译

• 国际会议与商务交流

  在多语言环境中，实时语音翻译助力与会者即时理解不同语言的发言，促进跨国沟通与合作。

• 旅游与出行

  在旅行或海外出差时，实时语音翻译帮助用户与当地人无障碍交流，解决问路、点餐、购物等场景中的语言障碍。

二、语音控制与交互

• 语音搜索

  在地图导航、浏览器搜索等场景下，对语音进行识别，完成搜索功能，解放用户双手，提升操作便捷性。

• 语音指令

  通过语音命令控制智能家居设备，实现空调开关、电视换台等操作，打造智能化生活体验。

• 语音短消息

  利用音频转文字技术，快速预览语音短消息内容，提升信息处理效率。

三、实时语音识别

• 视频实时直播字幕

  在现场演讲、实时直播等场景中，将音频实时转写为字幕，便于观众理解和内容管理。

• 实时会议记录

  将会议、法庭庭审等场景中的音频实时转写为文字，辅助会议记录工作，适用于远程视频会议等场景。

• 实时客服记录

  通过语音识别技术，将呼叫中心的语音对话实时转写为文字，支持实时质检和后续分析。

• 医院病历录入

  在手术场景中，通过语音识别记录医生的操作指令，生成文本病历，提高录入效率。

四、语音文件处理

• 呼叫中心语音质检

  上传呼叫中心录音文件，通过语音识别生成文本，进行违规话术、敏感词检测，确保服务质量。

• 庭审数据库录入

  上传庭审录音文件，识别生成文本后录入数据库，便于后续查询和管理。

除上述应用场景外，Gummy 还支持更多需要语音识别和翻译的场景，为用户提供高效、准确的服务。

相关文档

• 实时语音识别、翻译API详情：介绍Gummy实时语音识别、翻译API的使用方法、参数说明及相关示例。

• 一句话识别、翻译API详情：介绍Gummy一句话识别、翻译API的使用方法、参数说明及相关示例。

• 定制热词：介绍定制热词的概念及API的使用。

• 语音识别/翻译：介绍语音识别/翻译技术的基本概念、应用场景和解决方案。

• 模型列表：提供模型的基本信息与计费说明。

• 限流：概述模型限流规则。