提升識別準確率

更新時間:
Copy as MD

阿里雲百鍊語音辨識提供自訂熱詞和上下文增強兩種方式,提升專業術語、產品名稱等特定詞彙的識別準確率。本文介紹兩種方式的適用範圍與使用方法。

重要

僅主業務空間支援熱詞功能,子業務空間暫不支援。

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自訂熱詞和上下文增強兩種方式,提升這類詞彙的識別效果。

自訂熱詞與上下文增強區別

阿里雲百鍊語音辨識提供兩種處理專業術語的方式,適用模型和介面不同:

維度

自訂熱詞

上下文增強

原理

提供帶權重的詞彙表,模型在解碼時提升匹配機率

傳入對話歷史或領域語料,模型利用上下文修正識別結果

適用模型

Fun-ASR、Paraformer 系列(即時 + 非即時)

fun-asr-flash-2026-06-15(僅非即時)

適用情境

詞彙已知且相對穩定,需要跨請求複用同一詞表(如產品名、醫學術語)

詞彙隨對話動態變化,或需要通過上下文協助模型理解專有名詞(如會議紀要中的參會人、客服對話中的業務術語)

配置方式

預先建立熱詞列表,調用時傳入列表 ID

每次請求時通過 input.messages 傳入對話歷史或領域文本

前提條件

自訂熱詞

支援的模型與地區

新加坡

調用以下模型時,請選擇新加坡地區的API Key

Fun-ASR:

  • 即時語音辨識:fun-asr-realtime、fun-asr-realtime-2025-11-07

  • 非即時語音辨識:fun-asr、fun-asr-2025-11-07、fun-asr-2025-08-25、fun-asr-mtl、fun-asr-mtl-2025-08-25

華北2(北京)

調用以下模型時,請選擇北京地區的API Key

  • Fun-ASR:

    • 即時語音辨識:fun-asr-realtime、fun-asr-realtime-2025-11-07、fun-asr-realtime-2025-09-15、fun-asr-flash-8k-realtime、fun-asr-flash-8k-realtime-2026-01-28

    • 非即時語音辨識:fun-asr、fun-asr-2025-11-07、fun-asr-2025-08-25、fun-asr-mtl、fun-asr-mtl-2025-08-25

  • Paraformer:

    • 即時語音辨識:paraformer-realtime-v2、paraformer-realtime-8k-v2

    • 非即時語音辨識:paraformer-v2、paraformer-8k-v2

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。樣本音頻:asr_example.wav

說明

熱詞管理 API 與語音辨識 API 必須使用同一帳號,否則識別介面無法訪問對應的熱詞列表。

Python

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URL,調用時請將WorkspaceId替換為真實的業務空間ID,各地區的URL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WebSocket URL,調用時請將WorkspaceId替換為真實的業務空間ID,各地區的URL不同。
dashscope.base_websocket_api_url = 'wss://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api-ws/v1/inference'
prefix = 'testpfx'
target_model = "fun-asr-realtime"

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,
                              vocabulary_id=vocabulary_id)
        result = recognition.call('asr_example.wav')
        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)

Java

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URL,調用時請將WorkspaceId替換為真實的業務空間ID,各地區的URL不同。
        Constants.baseHttpApiUrl = "https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1";
        // 以下為新加坡地區WebSocket URL,調用時請將WorkspaceId替換為真實的業務空間ID,各地區的URL不同。
        Constants.baseWebsocketApiUrl = "wss://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api-ws/v1/inference";

        String targetModel = "fun-asr-realtime";

        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("asr_example.wav")));
                } 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

欄位

類型

是否必填

說明

text

string

熱詞文本,需為實際詞語而非任一字元組合,且語言必須在所選模型的支援範圍內。長度限制參見熱詞文本規範

weight

int

熱詞權重。取值範圍 [1, 5],推薦 4。權重越高,模型越傾向於輸出該詞。調優參見調整熱詞權重

lang

string

語言代碼,限定該熱詞作用的語種。語種未知時可省略。

注意:language_hints 是語音辨識介面的參數(非熱詞介面),用於聲明音頻語種。一旦設定,僅匹配 language_hints 所指定語種的熱詞生效,其他語種的熱詞將被忽略。

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

調優熱詞效果

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。

權重

效果

適用情境

1~2

輕微偏好

熱詞與常用詞發音相似,需避免過度糾偏

3~4

明顯偏好(推薦)

大多數情境的最佳起始值

5

強制偏好

該詞在音頻中頻繁出現且幾乎不會與其他詞混淆。權重過高可能導致發音相近的其他詞被錯誤識別為熱詞。

建議從 weight=4 起測,根據識別效果逐步調整。

設計熱詞表

  • 按情境分組:為不同業務情境建立獨立的熱詞列表(如醫學術語、產品名稱各建一個),便於維護與複用。

  • 多語種混合: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:刪除不再使用的熱詞列表以釋放額度(每帳號上限 10 個)。

限制與計費

限制項

說明

熱詞列表數量

每帳號 10 個,所有模型共用。

單個列表熱詞數

每個熱詞列表最多 500 個熱詞。

計費

免費。

API 參考:定製熱詞 API 參考

上下文增強

支援的模型與地區

新加坡

調用以下模型時,請選擇新加坡地區的API Key

Fun-ASR:

  • 非即時語音辨識:fun-asr-flash-2026-06-15

華北2(北京)

調用以下模型時,請選擇北京地區的API Key

Fun-ASR:

  • 非即時語音辨識:fun-asr-flash-2026-06-15

快速開始

使用情境:通過 input.messages 傳入上下文資訊,可顯著提升專有詞彙(人名、地名、產品術語等)的轉寫準確率。適用於以下情境:

  • 詞表增強:識別單條音頻時,通過 userinput_text)傳入領域相關的詞表或術語,協助模型準確識別專業詞彙。

  • 多輪對話上下文:在 ASR 與大語言模型結合的語音互動情境中,將前幾輪的識別結果(user / input_text)和大模型回複(assistant / text)傳入,利用對話歷史提升當前輪次的識別準確率。

用法

通過 input.messages 傳入上下文。其中 user 角色 + input_text 類型用於傳入前幾輪的識別結果或領域相關的詞表,assistant 角色用於傳入前幾輪大模型的回複內容(可選)。上下文訊息置於音頻訊息之前,詳見DashScope同步調用(Fun-ASR-Flash)

重要
  • 訊息條數限制:引擎最多保留最近 5 輪的上下文內容。詞表增強通常只需 1 條訊息,不受此限制影響。超出時,早期訊息會被自動忽略,不會報錯。

  • 文本長度限制:每輪內容相關的文本總長度(同一輪中所有 userassistant 訊息的 text 欄位長度之和)不超過 400 個字元(按字元數計算,每個字元計為 1,包括字母、漢字、數字、空格和標點等)。超出部分會從末尾截斷,不會返回錯誤。多輪上下文中,每輪獨立計算,互不影響。

  • 上下文機制:上下文通過詞表匹配方式生效,text 欄位中需包含音頻裡待識別的原詞(如"Kubernetes"、"Bulge Bracket")。僅傳入語義相關但不包含原詞的描述不會生效。

詞表增強

通過 userinput_text)傳入領域術語詞表,無需 assistant 訊息。

{
    "model": "fun-asr-flash-2026-06-15",
    "input": {
        "messages": [
            {
                "role": "user",
                "content": [
                    {
                        "type": "input_text",
                        "text": "Kubernetes Istio Envoy service mesh sidecar proxy"
                    }
                ]
            },
            {
                "role": "user",
                "content": [
                    {
                        "type": "input_audio",
                        "input_audio": {
                            "data": "當前待識別的音頻URL或Base64"
                        }
                    }
                ]
            }
        ]
    },
    "parameters": {}
}

多輪對話上下文

傳入前幾輪的識別結果(user / input_text)和大模型回複(assistant / text)。

{
    "model": "fun-asr-flash-2026-06-15",
    "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": {}
}

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 ...”。

不使用上下文增強

未使用上下文增強時,部分投行公司名稱識別有誤,例如 “Bird Rock” 正確應為 “Bulge Bracket”。

識別結果:“投行圈內部的那些黑話,你瞭解哪些?首先,外資九大投行,Bird Rock,BB ...”

使用上下文增強

使用上下文增強,對投行公司名稱識別正確。

識別結果:“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。

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:建立時指定的 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:模型必須為 Fun-ASR 或 Paraformer 系列,其他系列不支援熱詞。在不支援的系列上調用時介面同樣不會報錯,但識別結果可能為空白或不含熱詞增強;使用 SenseVoice 等系列時應優先排查此項。

  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:通過查詢介面確認 statusOK

Q: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。

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。