模型介绍
豆包语音识别大模型 2.0 基于大模型语音识别能力全新升级，依托业界领先的自研语音识别技术和海量的语音行业大数据优势，拥有更加灵敏的耳朵与更加聪明的大脑，识别准确率进一步提升。支持将长音频实时识别成文字，达到"边说话边出文字"的效果，适用于实时语音识别的场景，如实时会议字幕、直播字幕、智能外呼等。
产品优势
- 超高的准确率：相比传统模型识别错误率降低 30%，在音乐、科技、教育、医疗等垂直领域识别错误率降低 50% 以上。
- 复杂场景识别效果提升：支持多语种多方言语音识别，口音错误率降低 60%，噪声和背景人声下降 30%–50%。
- 更类真人的交互体验：大模型能根据上下文、用户输入、背景信息输入等，让"耳朵"能思考，给出更贴合语境的识别效果。
功能特性
| 功能项 | 豆包流式语音识别模型 |
|---|---|
| 敏感词过滤 | ✅ |
| 智能分句 | ✅ |
| 字/词时间戳 | ✅ |
| 标点符号预测 | ✅ |
| 语义顺滑（中文、英文） | ✅ |
| 数字规整 ITN | ✅ |
| 使用 VAD 分句 | ✅ |
| 自动说话人分离（中英文） | ✅ |
| 上下文（文本、图片） | ✅（2.0 支持图片） |
| 强制判停时间 | ✅ |
| 输出语音停顿、分句、分词信息 | ✅ |
| 性别检测 | ✅ |
| 分句信息携带语速 | ✅ |
| 分句信息携带音量 | ✅ |
| 语种检测 | ✅ |
| 情绪检测 | ✅ |
| 热词纠错-平台级别 | ✅ |
| 热词纠错-请求级别 | ✅ |
| 正则替换词 | ✅ |
| 首字返回加速 | ✅ |
| 首字返回加速率 | ✅ |
| 输入音频格式 | 支持 pcm、opus、mp3 格式 |
| 采样率 | 无要求 |
| 开启音乐 function call | 双向流式优化版-开启二遍支持 |
| 开启 POI function call | 双向流式优化版-开启二遍支持 |
| 支持语种 | 中英文（二遍支持中英文及方言） |
计费
- 计费方式：按时长计费
- 计费单位：小时
- 预冻结依据：调用前按请求音频时长预冻结额度
- 结算依据：按上游返回的实际音频时长结算
说明
- 仅对成功识别的请求计费。
应用场景
- 语音交互：为人机交互提供语音输入渠道，通过实时将语音转成文字作为输入，达到和设备/硬件/应用快速&便捷交互的目的。
- 内容审核质检：将录音识别为文字，通过质检规则对文本进行分析，及时发现违规内容并干预处理；或对内容进行监控分析，发掘潜在商机。
- 会议访谈转写：将会议、访谈音频实时或异步识别为文字，自动切分有语音部分识别，降本增效；同时自动分段，有效提升会议内容记录效率。
- 游戏语音输入：针对游戏语音输入、手机输入法场景，支持用户"边说边出文字"的效果，极大降低用户文字沟通的精力、提升沟通效率。
- 课堂内容分析：将课堂录音文件进行识别，通过文字还原课堂场景，分析教学内容，提升教学质量。
- 音视频字幕：支持自动将音/视频中的语音、歌词识别转换为文本，一键生成与音视频对应的字幕内容。适用于视频剪辑、视频观看、视频会议等多个场景。