Tham số kỹ thuật
Đầu vào giọng nói
- Thời lượng tối đa mỗi dòng
- 60 秒 · Vượt quá sẽ bị cắt bớt, nên tách nhỏ gọi theo lô hoặc dùng sản phẩm nhận dạng giọng nói dài
- Định dạng được hỗ trợ
- wav、mp3、m4a、aac、opus · Tham số format phải hoàn toàn khớp với định dạng âm thanh thực tế
- Tần số mẫu
- 最低 8kHz,推荐 16kHz,支持 24kHz/48kHz · Tần số mẫu càng cao độ chính xác càng cao, nhưng 24kHz/48kHz không còn tăng thêm mà còn làm tăng dung lượng truyền
- Giới hạn kích thước âm thanh
- 10 MB · Nếu vượt quá cần nén hoặc tách nhỏ rồi tải lên lại
Môi trường tích hợp
- Môi trường phát triển
- Python 3.8+ / Node.js 16+ / Java 1.8+ · Theo yêu cầu chuẩn bị trước của nguồn
- Phiên bản SDK
- 火山引擎方舟 SDK v1.2.0 及以上 · Python: volcengine-python-sdk==1.2.0; Node.js: @volcengine/ark-sdk@1.2.0
So sánh sản phẩm tương tự
| Thông số kỹ thuật | 本品 · Doubao-Seed-2.1-pro | kimi-k3.1-pro | 火山方舟模型 API | qwen-audio-3.1-asr-flash | doubao-seed-2.1-turbo |
|---|---|---|---|---|---|
| Bộ điều khiển chính | — | — | — | — | — |
| NPU | — | — | — | — | — |
| Bộ nhớ / VRAM | — | — | — | — | — |
| Đơn giá tham khảo | Hỏi giá | Hỏi giá | Hỏi giá | Hỏi giá | Hỏi giá |
| Tồn kho | — | — | — | — | — |
Giới thiệu sản phẩm
【Định vị và năng lực】Doubao-Seed-2.1-pro định vị cho tương tác đa phương thức, đầu vào giọng nói là một trong những năng lực đó: sau khi người dùng tải lên giọng nói, API trả về văn bản nhận dạng và kết hợp sinh phản hồi đa phương thức. Nguồn mô tả mô hình phù hợp với chăm sóc khách hàng thông minh có mỗi dòng giọng nói không quá 60 giây, lượng gọi hằng ngày 1–100 vạn lần, phần cứng đối thoại đa phương thức trên thiết bị biên với tần số mẫu 16kHz trở lên, và sáng tạo nội dung tải lên nhận dạng tệp âm thanh hàng loạt rồi kết hợp sinh đa phương thức.
【Thông số đầu vào giọng nói】Hỗ trợ tổng cộng 5 định dạng wav, mp3, m4a, aac, opus; trường format trong tham số yêu cầu phải hoàn toàn khớp với định dạng âm thanh thực tế, nếu không giải mã sẽ thất bại. Tần số mẫu hỗ trợ tối thiểu 8kHz, khuyến nghị 16kHz; 24kHz và 48kHz cũng được hỗ trợ nhưng không tăng độ chính xác, ngược lại còn làm tăng dung lượng truyền; theo báo cáo kiểm thử nội bộ mà nguồn trích dẫn, độ chính xác nhận dạng của wav 16kHz 16bit mono cao hơn 2.3 điểm phần trăm so với mp3 cùng chất lượng âm. Âm thanh vượt quá 10MB sẽ bị từ chối.
【Điều kiện tiên quyết tích hợp】Cần kích hoạt dịch vụ mô hình lớn Ark và lấy API Key/Secret Key; tài khoản con cần được phân quyền gọi (nếu không sẽ trả về 403 AccessDenied); phụ thuộc SDK Ark v1.2.0 trở lên, lệnh cài đặt Python là pip install volcengine-python-sdk==1.2.0, Node.js là npm install @volcengine/ark-sdk@1.2.0. Âm thanh cục bộ cần chuyển sang base64 hoặc tải lên TOS tạo URL công khai.
【Khuyến nghị thực hành kỹ thuật】Cấu hình retry cho lỗi timeout và lỗi 5xx (ví dụ tenacity tối đa 3 lần, khoảng cách 1 giây) có thể tăng tỷ lệ gọi thành công; âm thanh vượt 60 giây cần tách nhỏ rồi gọi theo lô.
【Cân nhắc lựa chọn】Với tình huống nhận dạng giọng nói thuần túy không cần kết hợp sinh đa phương thức, nguồn khuyến nghị dùng trực tiếp sản phẩm nhận dạng giọng nói ASR của Volcano Engine, chi phí thấp hơn khoảng 60%; bản ghi âm dài chọn Long ASR; dịch thời gian thực tích hợp chọn sản phẩm dịch đồng thời API; môi trường ngoại tuyến không có mạng phương án này không hỗ trợ, cần SDK nhận dạng giọng nói ngoại tuyến trên thiết bị biên.