提升识别准确率

​

概述

​

预编译热词、即时热词与上下文增强的区别

​

前提条件

• 已获取与配置 API Key并将其配置到环境变量。
• 如果通过 DashScope SDK 调用，需要安装最新版SDK。

​

预编译热词

​

支持的模型与地域

​

快速开始

​

工作流程

1. 创建热词列表。 调用创建热词列表接口，必须指定 target_model（Java 中为 targetModel），表明该列表所属的语音识别模型。 如已有热词列表（可通过查询所有热词列表接口查看），跳过此步。
2. 调用语音识别接口并传入热词列表 ID。 语音识别使用的模型必须与创建时指定的 target_model（Java 中为 targetModel）一致，否则热词不生效。

​

示例代码

import dashscope
from dashscope.audio.asr import *
import os

# 北京与新加坡地域的 API Key 不同。获取 API Key：https://help.aliyun.com/zh/model-studio/get-api-key
# 未配置环境变量时，将下行替换为：dashscope.api_key = "sk-xxx"
dashscope.api_key = os.environ.get('DASHSCOPE_API_KEY')

# 以下为华北2（北京）地域的配置，调用时请将"{WorkspaceId}"替换为真实的业务空间ID，各地域的配置不同。
dashscope.base_http_api_url = 'https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api/v1'

# 以下为华北2（北京）地域的配置，调用时请将"{WorkspaceId}"替换为真实的业务空间ID，各地域的配置不同。
dashscope.base_websocket_api_url = 'wss://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api-ws/v1/inference'

prefix = 'testpfx'
target_model = "qwen-audio-3.0-asr-flash-streaming"

my_vocabulary = [
    {"text": "语音实验室", "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:
    # 无论识别成功与否都删除热词列表，避免占用配额
    service.delete_vocabulary(vocabulary_id)

​

热词格式

[
    {"text": "赛德克巴莱", "weight": 4, "lang": "zh"},
    {"text": "Seediq Bale", "weight": 4, "lang": "en"},
    {"text": "夏洛特烦恼", "weight": 4, "lang": "zh"},
    {"text": "Goodbye Mr. Loser", "weight": 4, "lang": "en"},
    {"text": "阙里人家", "weight": 4, "lang": "zh"},
    {"text": "Confucius' Family", "weight": 4, "lang": "en"}
]

​

即时热词

​

支持的模型与地域

​

快速开始

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": {"张三": 5, "李四": 5}
    }
}'

​

热词格式

{"张三": 5, "李四": 5, "语音实验室": 50}

​

热词调优与规范

​

热词文本规范

• 含非 ASCII 字符时：总字符数（汉字、日文假名、韩文谚文、西里尔字母等非 ASCII 字符与 ASCII 字符合计）不超过 15 个。 示例：
  • ✅ "厄洛替尼盐酸盐"（7 字符）
  • ✅ "EGFR抑制剂"（7 字符，其中 EGFR 占 4 个 ASCII 字符）
  • ✅ "こんにちは"（5 字符）
  • ✅ "Фенибут Белфарм"（15 字符，含中间空格）
  • ❌ "Клофелин Белмедпрепараты"（24 字符）
• 纯 ASCII 字符时：按空格切分后的片段数不超过 7 个。 示例：
  • ✅ "Exothermic reaction" → 2 个片段
  • ✅ "Human immunodeficiency virus type 1" → 5 个片段
  • ❌ "The effect of temperature variations on enzyme activity in biochemical reactions" → 11 个片段

​

调整热词权重

​

设计建议

• 按场景分组：为不同业务场景分别组织热词（如医疗术语、产品名称各成一组），便于维护与复用。预编译热词可为每个场景建立独立的热词列表。
• 多语种混合（预编译热词）：同一热词列表可混入不同语种的热词，通过 lang 字段区分。语音识别时指定 language_hints 后，仅匹配该语种的热词生效。
• 定期清理（预编译热词）：删除不再使用的热词列表以释放额度（每账号上限 10 个）。

​

热词限制与计费

​

上下文增强

​

支持的模型与地域

​

快速开始

• 非实时语音识别：在 HTTP 请求的 input.messages 中传入上下文消息，置于音频消息之前。
• 实时语音识别：在 WebSocket run-task 事件的 input.context 中传入上下文消息；任务执行中如需更新，发送 continue-task 事件。DashScope SDK 已封装该协议，通过参数直接传入即可。

{
    "model": "qwen-audio-3.0-asr-flash",
    "input": {
        "messages": [
            {
                "role": "user",
                "content": [
                    {
                        "type": "input_text",
                        "text": "前轮用户语音的识别结果"
                    }
                ]
            },
            {
                "role": "assistant",
                "content": [
                    {
                        "type": "text",
                        "text": "前轮大模型的回复内容"
                    }
                ]
            },
            {
                "role": "user",
                "content": [
                    {
                        "type": "input_audio",
                        "input_audio": {
                            "data": "当前待识别的音频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": "前轮用户语音的识别结果"
                        }
                    ]
                },
                {
                    "role": "assistant",
                    "content": [
                        {
                            "type": "text",
                            "text": "前轮大模型的回复内容"
                        }
                    ]
                }
            ]
        }
    }
}

​

效果示例

​

API参考

• 预编译热词 API 参考
• 实时语音识别-Qwen-Audio-ASR-Streaming/Fun-ASR-Realtime API参考
• 实时语音识别-Qwen-ASR API参考
• 实时语音识别-Paraformer API参考
• 非实时语音识别-Qwen-Audio-ASR-Filetrans/Fun-ASR API参考
• 非实时语音识别-Qwen-Audio-ASR/Fun-ASR-Flash API参考
• 非实时语音识别-Qwen-ASR API参考
• 非实时语音识别-Paraformer API参考

​

常见问题

​

Q：设置热词后识别效果没有改善？

1. 模型是否匹配（预编译热词）：创建热词列表时指定的 target_model 必须与语音识别接口使用的模型一致。两者不一致时接口不会报错，识别仍能返回结果，但热词不生效；识别结果未命中预期热词时应优先排查此项。
2. 模型是否支持
3. 权重是否合适：将权重从 4 提到 5 观察效果。如果出现发音相近的其他词被误识别为热词，回调到 4。
4. 热词列表状态（预编译热词）：通过查询接口确认 status 为 OK。

​

Q：预编译热词在实时和非实时语音识别中的使用方式是否相同？

• 实时语音识别：在 Recognition 或 WebSocket 连接参数中传入 vocabulary_id。
• 录音文件识别：在 Transcription 请求参数中传入 vocabulary_id。

​

Q：除了热词和上下文增强，还有哪些方式可以提升识别准确率？

• 音频质量：采样率匹配模型要求（16 kHz 或 8 kHz），降低背景噪声。
• 选择合适的模型：不同场景适用模型不同，详见语音识别选型指南。
• 指定语种：通过 language_hints 声明音频语种，可提升单语种场景的准确率。