
讯飞智作
科大讯飞输入文字即可合成超拟人语音并生成数字人视频的一站式配音平台

面向开发者的实时语音转写 API,输入音频流,输出识别文本、翻译与大模型会议纪要。
通义听悟是阿里云提供的实时语音转写与大模型纪要服务,通过 OpenAPI 接入。开发者创建实时记录任务后,按返回的 MeetingJoinUrl 建立 WebSocket 链接推送音频流,实时接收识别与翻译结果;结束后可获取摘要、章节速览、要点提炼等后处理结果。支持多种音频格式与多语种识别、双向翻译、说话人分离等参数,适合将会议转写能力集成到自建应用。接入前需创建 AccessKey、创建项目并安装 SDK,使用时注意 QPS 与计费限制。
本文为阿里云帮助中心的接口与实现文档,介绍实时记录的接入流程与参数。输入格式支持 PCM/WAV、OPUS、SPEEX、MP3、AAC,16 bit 采样位数、单声道;采样率 16000 Hz 或 8000 Hz;单次记录时长支持 24 小时。识别支持中文、英文、粤语、日语、韩语及中英自由说,多语种可传 multilingual 并配合 LanguageHints 限定语种范围。翻译支持中、英、日、韩、德、法、俄语间双向互译。语音识别可开启说话人分离(最多不超过 100 人)。可选大模型能力包括章节速览、全文摘要、发言总结、问答回顾、思维导图、关键词与待办事项提炼、服务质检、口语书面化、自定义 prompt;转码仅支持比特率 128kb/s 的 mp3 写入指定 OSS。QPS 限制:创建任务用户级别 20,查询状态与结果用户级别 100。文档提供 Java、Go、C++、Python 四种语言的示例代码。
需要在自建应用中集成实时语音转写、翻译与大模型会议纪要能力的开发者,需具备阿里云账号并可使用 SDK 编程接入。
创建 AccessKey 并设置环境变量 ALIBABA_CLOUD_ACCESS_KEY_ID 与 ALIBABA_CLOUD_ACCESS_KEY_SECRET
在听悟管控台创建项目,获得 AppKey
安装阿里云 SDK,调用 CreateTask 接口创建实时记录任务
使用返回的 MeetingJoinUrl 建立 WebSocket 链接,发送 StartTranscription 指令后实时推送音频帧,接收识别与翻译结果
发送 StopTranscription 结束识别并关闭链接,调用接口(operation=stop)结束实时记录
调用 GetTaskInfo 接口查询实时记录状态并获取会后摘要等大模型处理结果
使用需在听悟管控台创建 AppKey,并配置 AccessKey;接口区域为 cn-beijing。输入音频要求 16 bit、单声道,采样率 16000 或 8000 Hz;中文支持 8K 和 16K,英、日、粤、韩仅支持 16K,多语种仅支持 16K。单次记录时长最长 24 小时。创建任务用户级 QPS 上限 20,查询任务状态和结果用户级 QPS 上限 100。实时记录场景无视频信息,不支持 PPT 提取功能。
费用与套餐:来源提及后处理相关 AI 模型能力会产生计费,且重复结束会触发多次会后大模型能力计费;具体价格未在本文档给出,需以官网为准。