Skip to main content

Improve recognition accuracy

Melhore o reconhecimento de nomes de pessoas, produtos e termos especializados com palavras-chave (instantâneas ou pré-compiladas) e aprimoramento de contexto.

Escolher um método de otimização

Nomes de pessoas, produtos e termos especializados podem ter pronúncia semelhante à de palavras comuns, resultando em homófonos ou grafias incorretas na transcrição. Palavras-chave e aprimoramento de contexto fornecem grafias corretas ou informações relevantes para ajudar o modelo a melhorar o reconhecimento. Escolha conforme as informações que o aplicativo já possui: use palavras-chave para uma lista de termos definida, ou contexto para conversas ou descrições de negócios existentes. Para palavras-chave, escolha o modo instantâneo ou pré-compilado conforme a necessidade de reutilizar a lista em várias solicitações. Confira os Modelos e regiões compatíveis antes de usar.
MétodoQuando usarComo usar
Palavras-chave instantâneasOs nomes e termos mudam a cada solicitação, ou há poucos termos temporários, sem necessidade de armazenar e gerenciar uma lista.Envie um objeto “termo: peso” em cada solicitação de reconhecimento. O aplicativo fornece as grafias corretas e pode ajustar a preferência do modelo por cada termo por meio de seu peso.
Palavras-chave pré-compiladasJá existe um glossário de negócios, ou o mesmo conjunto de termos é usado repetidamente e precisa de manutenção centralizada.Crie uma lista com termos, pesos e idiomas opcionais e referencie seu ID durante o reconhecimento. Atualize a lista quando o glossário mudar, sem reenviar todas as entradas a cada solicitação.
Aprimoramento de contextoO aplicativo já armazena conversas recentes, descrições de negócios ou textos especializados que podem ajudar no reconhecimento.Envie o texto relevante como mensagens de contexto junto com o áudio. Não é necessário extrair termos nem atribuir pesos individuais. Inclua a grafia correta dos termos desejados. Uma lista de termos definida também pode ser usada como palavras-chave para corrigir o mesmo tipo de erro.

Usar palavras-chave

Antes de executar os exemplos, baixe o áudio de exemplo e prepare uma chave de API no console do Model Studio. Texto do áudio: “Please send the quarterly project report to Kelyra before Friday.”

Palavras-chave instantâneas

Palavras-chave instantâneas são adequadas para termos que mudam a cada solicitação. Defina parameters.vocabulary como um objeto JSON cujas chaves são os textos das palavras-chave (string) e cujos valores são os pesos (integer). Não é necessário criar uma lista antes.
  1. Reconhecer o áudio sem palavras-chave Sem palavras-chave, o nome deste exemplo não é reconhecido com precisão. A solicitação a seguir retorna o resultado sem configuração.
    cURL
    curl --request POST 'https://{WorkspaceId}.cn-beijing.maas.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-3.1-asr-flash",
      "input": {
        "messages": [
          {
            "role": "user",
            "content": [
              {
                "type": "input_audio",
                "input_audio": {
                  "data": "https://g-adoc.alcasset.com/media/maas_docs/sfm-cn/en/audios/6a4b3c2d1e0f9092.wav"
                }
              }
            ]
          }
        ]
      },
      "parameters": {
        "format": "wav",
        "sample_rate": 16000
      }
    }
    '
    
  2. Adicionar palavras-chave instantâneas à solicitação Adicione “Kelyra” à mesma solicitação com peso 4. Mantenha as demais entradas inalteradas. Para intervalos e ajustes de peso, consulte Ajustar os pesos das palavras-chave.
    cURL
    curl --request POST 'https://{WorkspaceId}.cn-beijing.maas.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-3.1-asr-flash",
      "input": {
        "messages": [
          {
            "role": "user",
            "content": [
              {
                "type": "input_audio",
                "input_audio": {
                  "data": "https://g-adoc.alcasset.com/media/maas_docs/sfm-cn/en/audios/6a4b3c2d1e0f9092.wav"
                }
              }
            ]
          }
        ]
      },
      "parameters": {
        "format": "wav",
        "sample_rate": 16000,
        "vocabulary": {
          "Kelyra": 4
        }
      }
    }
    '
    
Compare as transcrições de exemplo antes e depois da configuração:
ConfiguraçãoExemplo de transcrição
Sem configuraçãoPlease send the quarterly project report to Kellira before Friday.
Com configuraçãoPlease send the quarterly project report to Kelyra before Friday.

Palavras-chave pré-compiladas

As palavras-chave pré-compiladas são adequadas para vocabulários de negócios reutilizados em várias solicitações. Crie uma lista antecipadamente e passe vocabulary_id durante o reconhecimento, sem reenviar todas as entradas. Ao criar a lista, envie as entradas como um array JSON. Cada elemento contém os seguintes campos:
CampoTipoObrigatórioDescrição
textstringSimUma palavra real em um idioma compatível com o modelo. Para os limites de tamanho, consulte Regras do texto das palavras-chave.
weightintegerSimUse 1 a 5 para palavras-chave comuns, começando em 4. Alguns modelos também aceitam o peso 50 para super palavras-chave. Consulte Ajustar os pesos das palavras-chave.
langstringNãoCódigo que determina o idioma de aplicação da entrada. Pode ser omitido se o idioma for desconhecido. Para a relação com language_hints, consulte Organizar e manter vocabulários.
O modelo de destino especificado na criação da lista deve corresponder ao modelo de reconhecimento.
O gerenciamento de palavras-chave e o reconhecimento de fala devem usar a mesma conta. Caso contrário, o reconhecimento não pode acessar o vocabulário.
  • HTTP / cURL
  • SDK
  1. Criar uma lista de palavras-chave Este exemplo usa qwen-audio-3.1-asr-flash e especifica o modelo de destino por target_model. Salve output.vocabulary_id da resposta.
    cURL
    curl --request POST 'https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api/v1/services/audio/asr/customization' \
      --header "Authorization: Bearer $DASHSCOPE_API_KEY" \
      --header "Content-Type: application/json" \
      --data @- <<EOF
    {
      "model": "speech-biasing",
      "input": {
        "action": "create_vocabulary",
        "target_model": "qwen-audio-3.1-asr-flash",
        "prefix": "testpfx",
        "vocabulary": [
          {
            "text": "Kelyra",
            "weight": 4,
            "lang": "en"
          }
        ]
      }
    }
    EOF
    
  2. Verificar se a lista está pronta Substitua <vocabulary_id> pelo ID retornado na criação e consulte a lista. Prossiga com o reconhecimento quando output.status for OK.
    cURL
    export VOCABULARY_ID="<vocabulary_id>"
    
    curl --request POST 'https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api/v1/services/audio/asr/customization' \
      --header "Authorization: Bearer $DASHSCOPE_API_KEY" \
      --header "Content-Type: application/json" \
      --data @- <<EOF
    {
      "model": "speech-biasing",
      "input": {
        "action": "query_vocabulary",
        "vocabulary_id": "$VOCABULARY_ID"
      }
    }
    EOF
    
  3. Referenciar a lista no reconhecimento Referencie a lista por parameters.vocabulary_id na solicitação de reconhecimento, sem reenviar as entradas.
    cURL
    curl --request POST 'https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation' \
      --header "Authorization: Bearer $DASHSCOPE_API_KEY" \
      --header "Content-Type: application/json" \
      --header "X-DashScope-SSE: disable" \
      --data @- <<EOF
    {
      "model": "qwen-audio-3.1-asr-flash",
      "input": {
        "messages": [
          {
            "role": "user",
            "content": [
              {
                "type": "input_audio",
                "input_audio": {
                  "data": "https://g-adoc.alcasset.com/media/maas_docs/sfm-cn/en/audios/6a4b3c2d1e0f9092.wav"
                }
              }
            ]
          }
        ]
      },
      "parameters": {
        "format": "wav",
        "sample_rate": 16000,
        "vocabulary_id": "$VOCABULARY_ID"
      }
    }
    EOF
    
  4. Reutilizar ou excluir a lista As solicitações seguintes podem continuar usando o mesmo ID. Execute a solicitação de exclusão abaixo somente quando a lista não for mais necessária, para liberar sua cota.
    cURL
    curl --request POST 'https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api/v1/services/audio/asr/customization' \
      --header "Authorization: Bearer $DASHSCOPE_API_KEY" \
      --header "Content-Type: application/json" \
      --data @- <<EOF
    {
      "model": "speech-biasing",
      "input": {
        "action": "delete_vocabulary",
        "vocabulary_id": "$VOCABULARY_ID"
      }
    }
    EOF
    

Usar o aprimoramento de contexto

O aprimoramento de contexto pode usar diretamente o histórico de conversas ou textos especializados existentes. As palavras-chave exigem termos e pesos, enquanto o contexto é enviado como mensagens de texto, sem dividir os materiais de negócios em entradas individuais. Os dois métodos podem melhorar o reconhecimento de nomes próprios. Escolha conforme as informações disponíveis no aplicativo.

Preparar o contexto

Para o áudio de exemplo, mensagens existentes que contenham o nome do destinatário “Kelyra” podem fornecer sua grafia correta. Duas fontes comuns de contexto são apresentadas a seguir.
  • Contexto de negócios ou texto especializado
  • Histórico de conversas
Use o texto relevante de uma descrição de projeto ou material especializado existente em uma mensagem com role=user e type=input_text. Não é necessário inventar uma conversa nem adicionar uma resposta. Envie o seguinte array como contexto:
[
  {
    "role": "user",
    "content": [
      {
        "type": "input_text",
        "text": "My colleague is Kelyra. We are preparing the quarterly project report."
      }
    ]
  }
]
A mensagem assistant é opcional. Organize o histórico por turno, com cada mensagem user antes da mensagem assistant correspondente. Para os limites de tamanho do texto e de turnos retidos, consulte Limites de uso.

Configurar e chamar o serviço

Reconheça o mesmo áudio com o contexto preparado. Escolha um exemplo de chamada conforme a família de modelos.
  • Qwen-Audio-ASR
  • Qwen-Audio-ASR-Message / Qwen-Audio-ASR-Streaming
  • Qwen-Audio-ASR-Filetrans
Este exemplo usa qwen-audio-3.1-asr-flash. Coloque as mensagens de contexto em ordem em input.messages, seguidas da mensagem de áudio atual contendo input_audio.
cURL
curl --request POST 'https://{WorkspaceId}.cn-beijing.maas.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-3.1-asr-flash",
  "input": {
    "messages": [
      {
        "role": "user",
        "content": [
          {
            "type": "input_text",
            "text": "My colleague is Kelyra. We are preparing the quarterly project report."
          }
        ]
      },
      {
        "role": "assistant",
        "content": [
          {
            "type": "text",
            "text": "Understood. We will send the quarterly project report to Kelyra."
          }
        ]
      },
      {
        "role": "user",
        "content": [
          {
            "type": "input_audio",
            "input_audio": {
              "data": "https://g-adoc.alcasset.com/media/maas_docs/sfm-cn/en/audios/6a4b3c2d1e0f9092.wav"
            }
          }
        ]
      }
    ]
  },
  "parameters": {
    "format": "wav",
    "sample_rate": 16000
  }
}
'
Remova a configuração de contexto do exemplo e reconheça o mesmo áudio para comparar os resultados antes e depois da configuração. As transcrições de exemplo são mostradas abaixo:
ConfiguraçãoExemplo de transcrição
Sem configuraçãoPlease send the quarterly project report to Kellira before Friday.
Com configuraçãoPlease send the quarterly project report to Kelyra before Friday.

Ajustar e solucionar problemas de reconhecimento

Compare o mesmo áudio antes e depois da configuração e ajuste entradas, pesos ou contexto. A orientação de palavras-chave vale para ambos os métodos.

Ajustar os pesos das palavras-chave

Os pesos de palavras-chave comuns variam de 1 a 5. Comece com weight=4. Pesos maiores favorecem a palavra, mas valores excessivos podem substituir incorretamente palavras de som semelhante.
PesoPreferênciaQuando usar
1–2LeveTermo com som parecido com uma palavra comum, para evitar correção excessiva
3–4ModeradaConfiguração inicial recomendada para a maioria dos cenários
5ForteTermos frequentes no áudio e raramente confundidos com outras palavras
Super palavras-chave: as séries Qwen-Audio-ASR-Message, Qwen-Audio-ASR-Streaming, Qwen-Audio-ASR-Filetrans e Qwen-Audio-ASR também aceitam weight=50 nos dois métodos para melhorar a recuperação dos termos-alvo. Cada vocabulário ou solicitação pode conter no máximo 50 super palavras-chave.

Organizar e manter vocabulários

  • Agrupar por cenário: Crie listas pré-compiladas separadas para diferentes cenários de negócios, como terminologia médica e nomes de produtos, para reduzir entradas não relacionadas.
  • Distinguir o idioma da entrada do idioma do áudio: um vocabulário pré-compilado pode misturar idiomas, identificados por lang. O parâmetro de reconhecimento language_hints declara o idioma do áudio. Quando definido, apenas palavras-chave no idioma correspondente têm efeito; os demais idiomas são ignorados.
  • Manter regularmente: Atualize as entradas conforme as necessidades de negócios e exclua listas não utilizadas para liberar a cota.
Aguarde pelo menos 5 minutos entre atualizações de uma lista de palavras-chave; caso contrário, as palavras-chave atualizadas podem não entrar em vigor.

Investigar a qualidade do reconhecimento

Primeiro, identifique se o problema é uma configuração sem efeito, uma preferência excessiva por palavras-chave ou um áudio difícil de reconhecer. Depois, verifique os itens correspondentes.
SintomaVerificações e ações
As palavras-chave não são reconhecidas como esperadoConfira primeiro os Modelos e regiões compatíveis. As palavras-chave instantâneas devem estar em parameters.vocabulary. Para as pré-compiladas, confira a conta, vocabulary_id, status=OK e se o target_model da lista corresponde ao modelo de reconhecimento.Aumente o peso da palavra-chave dentro do intervalo compatível e compare os resultados do mesmo áudio para verificar se o peso era muito baixo.
Outras palavras são substituídas incorretamente por palavras-chaveReduza o peso dentro do intervalo compatível e remova termos não relacionados ao cenário. Confira se lang corresponde ao language_hints da API de reconhecimento e se as entradas pertencem ao idioma desejado.
O contexto não melhora os termos desejadosConfira as grafias corretas, as funções, os tipos e a ordem das mensagens, além do campo de entrada exigido pela API. O texto além dos limites de tamanho ou de turnos pode ser truncado ou descartado. Consulte Limites de uso.
Muitas palavras comuns também estão incorretasConfira se o formato e a taxa de amostragem do áudio atendem aos requisitos do modelo e reduza o ruído de fundo. Para áudio em um único idioma, declare o idioma por language_hints na API de reconhecimento. Para seleção de modelos e requisitos de áudio, consulte Visão geral do reconhecimento de fala.

Modelos e regiões compatíveis

  • Palavras-chave pré-compiladas
  • Palavras-chave instantâneas
  • Aprimoramento de contexto
  • Singapura
  • China (Pequim)
As palavras-chave são aceitas somente no workspace principal, não em sub-workspaces.
  • Qwen-Audio-ASR: qwen-audio-3.1-asr-flash, qwen-audio-3.0-asr-flash
  • Qwen-Audio-ASR-Streaming: qwen-audio-3.1-asr-flash-streaming, qwen-audio-3.0-asr-flash-streaming
  • Qwen-Audio-ASR-Filetrans: qwen-audio-3.1-asr-flash-filetrans, qwen-audio-3.0-asr-flash-filetrans
  • Qwen-Audio-ASR-Message: qwen-audio-3.1-asr-flash-message
  • Fun-ASR-Realtime: fun-asr-realtime
  • Fun-ASR-Flash: fun-asr-flash-2026-06-15
  • Fun-ASR: fun-asr

Limites de uso

  • Limites de palavras-chave
  • Regras do texto das palavras-chave
  • Limites de contexto
LimiteDescrição
Número de listas de palavras-chaveAté 50 vocabulários pré-compilados por conta, compartilhados entre todos os modelos. Cada um possui um vocabulary_id.
Palavras-chaveSéries Qwen-Audio-ASR-Message, Qwen-Audio-ASR-Streaming, Qwen-Audio-ASR-Filetrans e Qwen-Audio-ASR: até 2000.Modelos de versão principal das séries Fun-ASR-Realtime, Fun-ASR-Flash e Fun-ASR: até 2000. Outros modelos dessas séries e a série Paraformer: até 500.A contagem é por vocabulário para palavras-chave pré-compiladas e por solicitação para as instantâneas.
Super palavras-chaveNo máximo 50 entradas podem ter peso 50.
Nas séries Qwen-Audio-ASR-Message, Qwen-Audio-ASR-Streaming, Qwen-Audio-ASR-Filetrans e Qwen-Audio-ASR, o serviço mescla as palavras-chave pré-compiladas e instantâneas quando ambas são configuradas. Se o conjunto mesclado ultrapassar 2000 palavras-chave, o serviço seleciona 2000 aleatoriamente.

Cobrança dos recursos

Os recursos de palavras-chave instantâneas e pré-compiladas são gratuitos. Para os custos de chamada de modelos com palavras-chave ou aprimoramento de contexto, consulte as regras de cobrança.

APIs relacionadas