
讯飞智作
科大讯飞輸入文字即可合成超擬人語音並生成數位人影片的一站式配音平台

面向開發者的即時語音轉寫 API,輸入音訊串流,輸出辨識文字、翻譯與大模型會議紀要。
通義聽悟是阿里雲提供的即時語音轉寫與大模型紀要服務,透過 OpenAPI 接入。開發者建立即時記錄任務後,按返回的 MeetingJoinUrl 建立 WebSocket 連結推送音訊串流,即時接收辨識與翻譯結果;結束後可取得摘要、章節速覽、要點提煉等後處理結果。支援多種音訊格式與多語種辨識、雙向翻譯、說話人分離等參數,適合將會議轉寫能力整合到自建應用。接入前需建立 AccessKey、建立專案並安裝 SDK,使用時注意 QPS 與計費限制。
本文為阿里雲說明中心的介面與實作文件,介紹即時記錄的接入流程與參數。輸入格式支援 PCM/WAV、OPUS、SPEEX、MP3、AAC,16 bit 取樣位元數、單聲道;取樣率 16000 Hz 或 8000 Hz;單次記錄時長支援 24 小時。辨識支援中文、英文、粵語、日語、韓語及中英自由說,多語種可傳 multilingual 並配合 LanguageHints 限定語種範圍。翻譯支援中、英、日、韓、德、法、俄語間雙向互譯。語音辨識可開啟說話人分離(最多不超過 100 人)。可選大模型能力包括章節速覽、全文摘要、發言總結、問答回顧、心智圖、關鍵詞與待辦事項提煉、服務品檢、口語書面化、自訂 prompt;轉碼僅支援位元率 128kb/s 的 mp3 寫入指定 OSS。QPS 限制:建立任務使用者層級 20,查詢狀態與結果使用者層級 100。文件提供 Java、Go、C++、Python 四種語言的範例程式碼。
需要在自建應用中整合即時語音轉寫、翻譯與大模型會議紀要能力的開發者,需具備阿里雲帳號並可使用 SDK 編程接入。
建立 AccessKey 並設定環境變數 ALIBABA_CLOUD_ACCESS_KEY_ID 與 ALIBABA_CLOUD_ACCESS_KEY_SECRET
在聽悟管控台建立專案,取得 AppKey
安裝阿里雲 SDK,呼叫 CreateTask 介面建立即時記錄任務
使用返回的 MeetingJoinUrl 建立 WebSocket 連結,傳送 StartTranscription 指令後即時推送音訊幀,接收辨識與翻譯結果
傳送 StopTranscription 結束辨識並關閉連結,呼叫介面(operation=stop)結束即時記錄
呼叫 GetTaskInfo 介面查詢即時記錄狀態並取得會後摘要等大模型處理結果
使用需在聽悟管控台建立 AppKey,並設定 AccessKey;介面區域為 cn-beijing。輸入音訊要求 16 bit、單聲道,取樣率 16000 或 8000 Hz;中文支援 8K 和 16K,英、日、粵、韓僅支援 16K,多語種僅支援 16K。單次記錄時長最長 24 小時。建立任務使用者級 QPS 上限 20,查詢任務狀態和結果使用者級 QPS 上限 100。即時記錄場景無視訊資訊,不支援 PPT 擷取功能。
费用与套餐:來源提及後處理相關 AI 模型能力會產生計費,且重複結束會觸發多次會後大模型能力計費;具體價格未在此文件中提供,需以官網為準。