本文为您介绍通义听悟API服务中，各项功能及其对应场景、使用限制与和调用方式。
音视频文件服务参数表
服务 | 实时记录 | 音视频文件转写 | |||
模式 | 实时 | 离线 | |||
文件类型 | 音频流 | 音频流 | 音频文件 | 音频文件 | 视频文件 |
音频采样率 | 8k | 16k | 8k | 16k/24k/48k | 16k/24k/48k |
文件格式 | PCM、OPUS、WAV | PCM、OPUS、WAV | MP3、WAV、M4A、WMA、AAC、OGG、AMR、FLAC、AIFF | MP3、WAV、M4A、WMA、AAC、OGG、AMR、FLAC、AIFF | MP4、WMV、M4V、FLV、RMVB、DAT、MOV、MKV、WEBM、AVI、MPEG、3GP、OGG |
大小限制 | 24小时 | 24小时 | 6G&6小时 | 6G&6小时 | 6G&6小时 |
声道/路 | 三路 | 三路 | 双声道 | 首声道 | 首声道 |
语种 | 中 | 中、英、粤、日、韩、中英日韩粤德法俄自由说 | 中、英 | 中、英、粤、日、韩、中英日韩粤德法俄自由说 | 中、英、粤、日、韩、中英日韩粤德法俄自由说 |
支持热词语种 | 中文 | 中文 | 中文 | 中文 | 中文 |
离线说话人区分 | 不分离 | 不分离、2人、多人 | 不分离、2人 | 不分离、2人、多人 | 不分离、2人、多人 |
识别结果返回方式 | 按状态区分：句中按词返回；句结束整体更新 | 按状态区分：句中按词返回；句结束整体更新 | 整体返回转写结果及时间戳 | 整体返回转写结果及时间戳 | 整体返回转写结果及时间戳 |
调用SDK | Java、Python、GO | Java、Python、GO | Java、Python、GO | Java、Python、GO | Java、Python、GO |
源文件传输方案 | WebSocket建联，实时推流 | WebSocket建联，实时推流 | OSS地址 | OSS地址 | OSS地址 |
大模型相关能力（前置功能：语音转写）
功能 | 最小字数 限制 | 对应最小 音频时长 | 最佳效果的音频时长 | 返回内容 限制 | 支持语种 |
全文摘要 | 全文250字 以上 | 完整音频约70秒以上 | 4小时以内 | 1000字以内 | 中、英、 中英自由说 |
章节速览 | 章节250字 以上 | 完整音频约70秒以上 | 4小时以内 | 每段摘要 1000字以内 | 中、英、 中英自由说 |
发言总结 | 发言内容 250字以上 | 完整音频约70秒以上 | 4小时以内 | 每位发言人1000字以内 | 中、英、 中英自由说 |
问答回顾 | 全文300字 以上 | 完整音频约90秒以上 | 4小时以内 | 1小时音频约30-50问答对 单个问答对平均长度90字 | 中、英、 中英自由说 |
待办事项 | 无限制 | 无限制 | 90秒以上 4小时以内 | 最多6个待办 5-30字之间 | 中、英 |
关键词 | 全文200字 以上 | 完整音频约60秒以上 | 70分钟以内 | 20个词以内 | 中、英、粤、 中英自由说 |
口语书面化 | 无限制 | 无限制 | 4小时以内 | 无 | 中、英、 中英自由说 |
思维导图 | 无限制 | 无限制 | 90分钟以内 | 4级深度 | 中 |
自定义Prompt | 无限制 | 无限制 | 4小时以内 | 1000字以内 | 中、英 |
服务质检 | 无限制 | 无限制 | 4小时以内 | 根据质检需求 | 中 |
内容提取 | 无限制 | 无限制 | 4小时以内 | 根据提取需求 | 中 |
PPT提取及摘要（前置功能：音视频文件转写；文件类型：视频）
功能 | 可抽取图形 | 功能说明 | 摘要支持语种 |
视频PPT提取 | 全PPT或讲课模式 | 上传完成后，每小时视频约2～5分钟；最多提取200张PPT | 不限 |
PPT讲解总结 | 全PPT或讲课模式 | 转写完成后，约1分钟 | 中、英 |
注：仅支持PPT在主要界面（投屏或周边有人物视频），不支持人物在PPT前走动或演讲。
可通过通义听悟网站测试效果。点此测试
通义听悟翻译（前置功能：语音转写）
服务 | 文件类型 | 音频采样率 | 翻译 | 支持翻译 |
实时语音翻译 | 音频流 | 8k | 实时 | 中、英、日、韩、德、法、俄语间的双向互译； 中英自由说翻译成中、英或中&英 |
音频流 | 16K | 实时 | ||
音视频文件翻译 | 音频文件 | 8k | 离线 | |
音频文件 | 16k/24k/48k | 离线 | ||
视频文件 | 16k/24k/48k | 离线 |