formatstring(必选)
音频格式。
取值范围:
pcm
wav
mp3
opus
speex
aac
amr
重要opus/speex:必须使用Ogg封装;
wav:必须为PCM编码;
amr:仅支持AMR-NB类型。
sample_rateinteger(必选)
采样率(Hz)。
取值范围:8k模型仅支持 8000 Hz,其他模型支持任意采样率。
vocabulary_idstring(可选)
预编译热词列表 ID。
需预先调用创建热词列表接口生成,识别时传入该 ID 即可使用列表中的热词。
适用于词汇已知且相对稳定、需要跨请求复用同一词表的场景。
使用方法请参见预编译热词。
language_hintsarray[string](可选)
待识别音频语种。无默认值,不设置时模型自动识别。
仅支持设置 1 个值,设置多个时仅第一个生效。
max_sentence_silenceinteger(可选)
VAD 断句静音阈值(ms)。当一段语音后的静音时长超过该阈值时,系统会判定该句子已结束。
默认值:1300。
取值范围:[200, 6000]。
multi_threshold_mode_enabledboolean(可选)
是否启用多阈值模式。启用后可防止 VAD 断句切割过长。
默认值:false。
heartbeatboolean(可选)
是否启用心跳包。
默认值:false。
- true:在持续发送静音音频的情况下,可保持与服务端的连接不中断。
- false(默认):即使持续发送静音音频,连接也将在一定时间后因超时而断开。
静音音频指的是在音频文件或数据流中没有声音信号的内容。静音音频可以通过多种方法生成,例如使用音频编辑软件如Audacity或Adobe Audition,或者通过命令行工具如FFmpeg。
speech_noise_thresholdfloat(可选)
语音与噪音的判定阈值,用于调整语音活动检测(VAD)的灵敏度。
取值范围:[-1.0, 1.0]。
取值说明:
- 取值越接近 -1:降低噪音判定阈值,噪音被识别为语音的概率增大,可能导致更多噪音被转写
- 取值越接近 +1:提高噪音判定阈值,语音被误判为噪音的概率增大,可能导致部分语音被过滤
此参数为高级配置参数,调整可能显著影响识别效果,建议:
- 调整前充分测试验证效果
- 根据实际音频环境小幅度调整(建议步长 0.1)
special_word_filter string(可选)
敏感词过滤规则,用于将识别结果中的指定词汇替换为等长的星号,或从结果中移除。值为规则对象序列化后的 JSON 字符串。最多可设置 32 个敏感词;未传入该参数时不进行过滤。
filter_with_signed.word_list:字符串数组。匹配的词替换为等长的星号。
filter_with_empty.word_list:字符串数组。匹配的词从结果中移除。
system_reserved_filter:布尔值,默认 false。控制是否使用系统预置词表;自定义的替换、移除规则分别由上述两个列表配置。
{
"special_word_filter": "{\"filter_with_signed\":{\"word_list\":[\"项目\"]},\"filter_with_empty\":{\"word_list\":[\"报告\"]},\"system_reserved_filter\":false}"
}