Alibaba Cloud Model Studio：提升識別準確率

阿里雲百鍊語音辨識提供先行編譯熱詞、即時熱詞和上下文增強三種方式，提升專業術語、產品名稱等特定詞彙的識別準確率。本文介紹三種方式的適用範圍與使用方法。

概述

部分業務詞彙（如產品名、專有名詞、行業術語）不在模型通用詞表中，識別準確率較低。阿里雲百鍊語音辨識提供先行編譯熱詞、即時熱詞和上下文增強三種方式，提升這類詞彙的識別效果。

先行編譯熱詞、即時熱詞與上下文增強區別

自訂熱詞分為先行編譯熱詞和即時熱詞兩種。下表對比三種方式的差異，適用模型和介面不同：

前提條件

• 已擷取與配置 API Key並將其配置到環境變數。
• 如果通過 DashScope SDK 調用，需要安裝最新版SDK。

先行編譯熱詞

預先建立熱詞列表並獲得列表 ID，識別時傳入該 ID。適用於詞彙已知且相對穩定、需要跨請求複用同一詞表的情境（如產品名、醫學術語）。

支援的模型與地區

快速開始

工作流程

先建立熱詞列表，再在語音辨識時引用其 ID：

1. 建立熱詞列表。

   調用建立熱詞列表介面，必須指定 target_model（Java 中為 targetModel），表明該列表所屬的語音辨識模型。

   如已有熱詞列表（可通過查詢所有熱詞列表介面查看），跳過此步。

2. 調用語音辨識介面並傳入熱詞列表 ID。

   語音辨識使用的模型必須與建立時指定的 target_model（Java 中為 targetModel）一致，否則熱詞不生效。

範例程式碼

完整流程樣本：建立熱詞列表 → 調用語音辨識 → 刪除列表。

import dashscope
from dashscope.audio.asr import *
import os

# 北京與新加坡地區的 API Key 不同。擷取 API Key：https://www.alibabacloud.com/help/zh/model-studio/get-api-key
# 未配置環境變數時，將下行替換為：dashscope.api_key = "sk-xxx"
dashscope.api_key = os.environ.get('DASHSCOPE_API_KEY')

# 以下為新加坡地區的配置，調用時請將"{WorkspaceId}"替換為真實的業務空間ID，各地區的配置不同。
dashscope.base_http_api_url = 'https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1'

# 以下為新加坡地區的配置，調用時請將"{WorkspaceId}"替換為真實的業務空間ID，各地區的配置不同。
dashscope.base_websocket_api_url = 'wss://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api-ws/v1/inference'
prefix = 'testpfx'
target_model = "qwen-audio-3.0-asr-flash-streaming"

my_vocabulary = [
    {"text": "語音實驗室", "weight": 4}
]

service = VocabularyService()
vocabulary_id = service.create_vocabulary(
      prefix=prefix,
      target_model=target_model,
      vocabulary=my_vocabulary)

try:
    if service.query_vocabulary(vocabulary_id)['status'] == 'OK':
        recognition = Recognition(model=target_model,
                              format='wav',
                              sample_rate=16000,
                              callback=None)
        result = recognition.call('{YOUR_AUDIO_FILE}', vocabulary_id=vocabulary_id)
        print(result.output)
finally:
    # 無論識別成功與否都刪除熱詞列表，避免佔用配額
    service.delete_vocabulary(vocabulary_id)

import com.alibaba.dashscope.audio.asr.recognition.Recognition;
import com.alibaba.dashscope.audio.asr.recognition.RecognitionParam;
import com.alibaba.dashscope.audio.asr.vocabulary.Vocabulary;
import com.alibaba.dashscope.audio.asr.vocabulary.VocabularyService;
import com.alibaba.dashscope.exception.InputRequiredException;
import com.alibaba.dashscope.exception.NoApiKeyException;
import com.alibaba.dashscope.utils.Constants;
import com.google.gson.JsonArray;
import com.google.gson.JsonObject;

import java.io.File;
import java.util.ArrayList;
import java.util.List;

public class Main {
    // 北京與新加坡地區的 API Key 不同。擷取 API Key：https://www.alibabacloud.com/help/zh/model-studio/get-api-key
    // 未配置環境變數時，將下行替換為：public static String apiKey = "sk-xxx"
    public static String apiKey = System.getenv("DASHSCOPE_API_KEY");

    public static void main(String[] args) throws NoApiKeyException, InputRequiredException {
        // 以下為新加坡地區的配置，調用時請將"{WorkspaceId}"替換為真實的業務空間ID，各地區的配置不同。
        Constants.baseHttpApiUrl = "https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1";
        // 以下為新加坡地區的配置，調用時請將"{WorkspaceId}"替換為真實的業務空間ID，各地區的配置不同。
        Constants.baseWebsocketApiUrl = "wss://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api-ws/v1/inference";

        String targetModel = "qwen-audio-3.0-asr-flash-streaming";

        JsonArray vocabularyJson = new JsonArray();
        List<Hotword> wordList = new ArrayList<>();
        wordList.add(new Hotword("語音實驗室", 4));

        for (Hotword word : wordList) {
            JsonObject jsonObject = new JsonObject();
            jsonObject.addProperty("text", word.text);
            jsonObject.addProperty("weight", word.weight);
            vocabularyJson.add(jsonObject);
        }

        VocabularyService service = new VocabularyService(apiKey);
        Vocabulary vocabulary = service.createVocabulary(targetModel, "testpfx", vocabularyJson);

        try {
            if ("OK".equals(service.queryVocabulary(vocabulary.getVocabularyId()).getStatus())) {
                Recognition recognizer = new Recognition();
                RecognitionParam param =
                        RecognitionParam.builder()
                                .model(targetModel)
                                .apiKey(apiKey)
                                .format("wav")
                                .sampleRate(16000)
                                .vocabularyId(vocabulary.getVocabularyId())
                                .build();

                try {
                    System.out.println("識別結果：" + recognizer.call(param, new File("{YOUR_AUDIO_FILE}")));
                } catch (Exception e) {
                    e.printStackTrace();
                } finally {
                    // 關閉 WebSocket 串連
                    recognizer.getDuplexApi().close(1000, "bye");
                }
            }
        } finally {
            // 無論識別成功與否都刪除熱詞列表，避免佔用配額
            service.deleteVocabulary(vocabulary.getVocabularyId());
        }
        System.exit(0);
    }
}

class Hotword {
    String text;
    int weight;

    public Hotword(String text, int weight) {
        this.text = text;
        this.weight = weight;
    }
}

熱詞格式

熱詞以 JSON 數組提交，數組元素定義單個熱詞及其屬性。

樣本：提升電影名稱的識別率。

[
    {"text": "賽德克巴萊", "weight": 4, "lang": "zh"},
    {"text": "Seediq Bale", "weight": 4, "lang": "en"},
    {"text": "夏洛特煩惱", "weight": 4, "lang": "zh"},
    {"text": "Goodbye Mr. Loser", "weight": 4, "lang": "en"},
    {"text": "闕裡人家", "weight": 4, "lang": "zh"},
    {"text": "Confucius' Family", "weight": 4, "lang": "en"}
]

欄位說明：

即時熱詞

即時熱詞在識別請求中直接傳入 vocabulary 索引值對，本質上也是一組帶權重的熱詞（與先行編譯熱詞的詞表內容對應），區別僅在於隨請求內聯傳入、無需預先建立熱詞列表。適用於臨時性、會話層級的熱詞最佳化。

支援的模型與地區

快速開始

在語音辨識請求的 parameters 中傳入 vocabulary，無需建立熱詞列表。各介面的詳細用法參見語音辨識下的 API 參考。

樣本（非即時語音辨識）：

curl --location --request POST 'https://dashscope.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation' \
     --header "Authorization: Bearer $DASHSCOPE_API_KEY" \
     --header "Content-Type: application/json" \
     --header "X-DashScope-SSE: disable" \
     --data '{
    "model": "qwen-audio-3.0-asr-flash",
    "input": {
        "messages": [
            {
                "role": "user",
                "content": [
                    {
                        "type": "input_audio",
                        "input_audio": {
                            "data": "https://dashscope.oss-cn-beijing.aliyuncs.com/samples/audio/paraformer/hello_world_female2.wav"
                        }
                    }
                ]
            }
        ]
    },
    "parameters": {
        "format": "wav",
        "sample_rate": 16000,
        "vocabulary": {"張三": 5, "李四": 5}
    }
}'

樣本使用華北2（北京）地區的 DashScope 網域名稱；也可替換為業務空間專屬網域名稱（形如 https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com，與先行編譯熱詞樣本一致），無需修改其他請求內容。

熱詞格式

即時熱詞以 JSON 對象（索引值對）傳入：鍵為熱詞文本（string），值為熱詞權重（integer）。熱詞文本規範參見熱詞文本規範。

樣本：

{"張三": 5, "李四": 5, "語音實驗室": 50}

權重取值範圍為 [1, 5] 或 50：取 [1, 5] 為普通熱詞，值越大偏好越強；取 50 為超級熱詞，召回率大幅提升，但超級熱詞數量最多不超過 50 個。權重調優參見調整熱詞權重。

熱詞調優與規範

以下熱詞文本規範與調優建議對先行編譯熱詞和即時熱詞均適用。

熱詞文本規範

熱詞文本必須為實際詞語，長度限制如下：

• 含非 ASCII 字元時：總字元數（漢字、日文假名、韓文諺文、西裡爾字母等非 ASCII 字元與 ASCII 字元合計）不超過 15 個。

  樣本：

  • ✅ "厄洛替尼鹽酸鹽"（7 字元）
  • ✅ "EGFR抑製劑"（7 字元，其中 EGFR 占 4 個 ASCII 字元）
  • ✅ "こんにちは"（5 字元）
  • ✅ "Фенибут Белфарм"（15 字元，含中間空格）
  • ❌ "Клофелин Белмедпрепараты"（24 字元）

• 純 ASCII 字元時：按空格切分後的片段數不超過 7 個。

  樣本：

  • ✅ "Exothermic reaction" → 2 個片段
  • ✅ "Human immunodeficiency virus type 1" → 5 個片段
  • ❌ "The effect of temperature variations on enzyme activity in biochemical reactions" → 11 個片段

調整熱詞權重

權重控制模型對熱詞的偏好程度，合理設定可在提升目標詞識別率的同時避免誤識別。

建議從 weight=4 起測，根據識別效果逐步調整。

超級熱詞（weight=50）：先行編譯熱詞和即時熱詞均支援超級熱詞，但僅 Qwen-Audio-3.0-ASR-Flash-Streaming、Qwen-Audio-3.0-ASR-Flash-Filetrans、Qwen-Audio-3.0-ASR-Flash 系列模型支援。設為 50 時召回率大幅提升，但超級熱詞數量最多不超過 50 個。

設計建議

• 按情境分組：為不同業務情境分別組織熱詞（如醫學術語、產品名稱各成一組），便於維護與複用。先行編譯熱詞可為每個情境建立獨立的熱詞列表。
• 多語種混合（先行編譯熱詞）：同一熱詞列表可混入不同語種的熱詞，通過 lang 欄位區分。語音辨識時指定 language_hints 後，僅匹配該語種的熱詞生效。
• 定期清理（先行編譯熱詞）：刪除不再使用的熱詞列表以釋放額度（每帳號上限 10 個）。

熱詞限制與計費

上下文增強

支援的模型與地區

快速開始

上下文增強無需預先建立資源，在語音辨識請求中直接傳入上下文參數即可生效：

• 非即時語音辨識：在 HTTP 要求的 input.messages 中傳入上下文訊息，置於音頻訊息之前。
• 即時語音辨識：在 WebSocket run-task 事件的 input.context 中傳入上下文訊息；任務執行中如需更新，發送 continue-task 事件。DashScope SDK 已封裝該協議，通過參數直接傳入即可。

使用情境：通過傳入對話歷史或領域術語作為上下文，可顯著提升專有詞彙（人名、地名、產品術語等）的轉寫準確率。上下文既可以是多輪對話歷史（前幾輪的識別結果與大模型回複），也可以只是一組領域術語或詞表。

{
    "model": "qwen-audio-3.0-asr-flash",
    "input": {
        "messages": [
            {
                "role": "user",
                "content": [
                    {
                        "type": "input_text",
                        "text": "前輪使用者語音的識別結果"
                    }
                ]
            },
            {
                "role": "assistant",
                "content": [
                    {
                        "type": "text",
                        "text": "前輪大模型的回複內容"
                    }
                ]
            },
            {
                "role": "user",
                "content": [
                    {
                        "type": "input_audio",
                        "input_audio": {
                            "data": "當前待識別的音頻URL或Base64"
                        }
                    }
                ]
            }
        ]
    },
    "parameters": {}
}

{
    "header": {
        "action": "run-task",
        "task_id": "2bf83b9a-xxxx-xxxx-xxxx-xxxxxxxxxxxx",
        "streaming": "duplex"
    },
    "payload": {
        "task_group": "audio",
        "task": "asr",
        "function": "recognition",
        "model": "qwen-audio-3.0-asr-flash-streaming",
        "parameters": {
            "format": "pcm",
            "sample_rate": 16000
        },
        "input": {
            "context": [
                {
                    "role": "user",
                    "content": [
                        {
                            "type": "input_text",
                            "text": "前輪使用者語音的識別結果"
                        }
                    ]
                },
                {
                    "role": "assistant",
                    "content": [
                        {
                            "type": "text",
                            "text": "前輪大模型的回複內容"
                        }
                    ]
                }
            ]
        }
    }
}

from dashscope.audio.asr import Recognition

recognition = Recognition(
    model='qwen-audio-3.0-asr-flash-streaming',
    format='wav',
    sample_rate=16000,
    callback=None)

context = {
    "context": [
        {
            "role": "user",
            "content": [
                {
                    "type": "input_text",
                    "text": "前輪使用者語音的識別結果"
                }
            ]
        },
        {
            "role": "assistant",
            "content": [
                {
                    "type": "text",
                    "text": "前輪大模型的回複內容"
                }
            ]
        }
    ]
}

result = recognition.call('audio.wav', raw_input=context)
print(result.output)

Map<String, Object> userContent = new HashMap<>();
userContent.put("type", "input_text");
userContent.put("text", "前輪使用者語音的識別結果");

Map<String, Object> assistantContent = new HashMap<>();
assistantContent.put("type", "text");
assistantContent.put("text", "前輪大模型的回複內容");

Map<String, Object> userMessage = new HashMap<>();
userMessage.put("role", "user");
userMessage.put("content", Arrays.asList(userContent));

Map<String, Object> assistantMessage = new HashMap<>();
assistantMessage.put("role", "assistant");
assistantMessage.put("content", Arrays.asList(assistantContent));

Map<String, Object> input = new HashMap<>();
input.put("context", Arrays.asList(userMessage, assistantMessage));

RecognitionParam param = RecognitionParam.builder()
        .model("qwen-audio-3.0-asr-flash-streaming")
        .format("wav")
        .sampleRate(16000)
        .input(input)
        .build();

Recognition recognizer = new Recognition();
System.out.println(recognizer.call(param, new File("audio.wav")));
recognizer.getDuplexApi().close(1000, "bye");

效果樣本

內容相關的 text 欄位內容格式靈活，可以是詞表、自然語言段落或兩者的混合，對無關文本的容錯性極高。

某段音頻正確識別結果應該為“投行圈內部的那些黑話，你瞭解哪些？首先，外資九大投行，Bulge Bracket，BB ...”。

上述樣本中，在內容相關的 text 欄位中加入包含“Bulge Bracket”等專業術語的詞表或自然語言段落即可實現增強效果。

API參考

• 先行編譯熱詞 API 參考
• 即時語音辨識-Qwen-Audio-ASR-Streaming API參考
• 即時語音辨識-Fun-ASR-Realtime API參考
• 即時語音辨識-Qwen-ASR API參考
• 即時語音辨識-Paraformer API參考
• 非即時語音辨識-Qwen-Audio-ASR-Filetrans/Fun-ASR API參考
• 非即時語音辨識-Qwen-Audio-ASR/Fun-ASR-Flash API參考
• 非即時語音辨識-Qwen-ASR API參考
• 非即時語音辨識-Paraformer API參考

常見問題

Q：設定熱詞後識別效果沒有改善？

依次排查：

1. 模型是否匹配（先行編譯熱詞）：建立熱詞列表時指定的 target_model 必須與語音辨識介面使用的模型一致。兩者不一致時介面不會報錯，識別仍能返回結果，但熱詞不生效；識別結果未命中預期熱詞時應優先排查此項。
2. 模型是否支援
3. 權重是否合適：將權重從 4 提到 5 觀察效果。如果出現發音相近的其他詞被誤識別為熱詞，回調到 4。
4. 熱詞列表狀態（先行編譯熱詞）：通過查詢介面確認 status 為 OK。

Q：先行編譯熱詞在即時和非即時語音辨識中的使用方式是否相同？

建立方式相同，調用時存在差異：

• 即時語音辨識：在 Recognition 或 WebSocket 串連參數中傳入 vocabulary_id。
• 錄音檔案識別：在 Transcription 請求參數中傳入 vocabulary_id。

兩種情境的 target_model 都必須與實際調用的語音辨識模型一致。即時熱詞無需建立列表和指定 target_model，直接在請求參數中傳入 vocabulary 索引值對即可。對於支援即時熱詞的 Qwen-Audio-3.0-ASR-Flash-Streaming、Qwen-Audio-3.0-ASR-Flash-Filetrans 和 Qwen-Audio-3.0-ASR-Flash 系列模型，同時配置先行編譯熱詞和即時熱詞時，系統會合并兩類熱詞；合并後超過 2,000 個時，隨機播放 2,000 個使用。

Q：除了熱詞和上下文增強，還有哪些方式可以提升識別準確率？

還可從以下方向最佳化：

• 音頻品質：採樣率匹配模型要求（16 kHz 或 8 kHz），降低背景雜訊。
• 選擇合適的模型：不同情境適用模型不同，詳見語音辨識選型指南。
• 指定語種：通過 language_hints 聲明音頻語種，可提升單語種情境的準確率。