提升識別準確率

​

概述

​

先行編譯熱詞、即時熱詞與上下文增強區別

​

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

​

支援的模型與地區

​

快速開始

​

工作流程

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

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)

​

熱詞格式

[
    {"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"}
]

​

即時熱詞

​

支援的模型與地區

​

快速開始

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}
    }
}'

​

熱詞格式

{"張三": 5, "李四": 5, "語音實驗室": 50}

​

熱詞調優與規範

​

熱詞文本規範

• 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

​

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

• 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。

{
    "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"
                        }
                    ]
                }
            ]
        }
    }
}

​

效果樣本

​

API參考

• 先行編譯熱詞 API 參考
• 即時語音辨識-Qwen-Audio-ASR-Streaming/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？

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？

• 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。

​

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？

• 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。