Skip to main content
阿里云百炼 home page阿里云百炼
实时语音识别（Paraformer）

Paraformer实时语音识别Java SDK

本文介绍Paraformer实时语音识别Java SDK的参数和接口细节。

阿里云百炼为华北2（北京）地域推出了业务空间专属域名，能够为推理请求提供卓越的性能和更高的稳定性，建议从 dashscope.aliyuncs.com 迁移至 {WorkspaceId}.cn-beijing.maas.aliyuncs.com。{WorkspaceId}需要替换为真实的Workspace ID。现有域名仍可正常使用。
用户指南：关于模型介绍和选型建议请参见实时语音识别-Fun-ASR/Paraformer。 在线体验：仅paraformer-realtime-v2、paraformer-realtime-8k-v2和paraformer-realtime-v1支持在线体验。

前提条件

已开通服务并获取与配置 API Key。请配置API Key到环境变量，而非硬编码在代码中，防范因代码泄露导致的安全风险。
当您需要为第三方应用或用户提供临时访问权限，或者希望严格控制敏感数据访问、删除等高风险操作时，建议使用临时鉴权Token。与长期有效的 API Key 相比，临时鉴权 Token 具备时效性短（60秒）、安全性高的特点，适用于临时调用场景，能有效降低API Key泄露的风险。使用方式：在代码中，将原本用于鉴权的 API Key 替换为获取到的临时鉴权 Token 即可。

模型列表

paraformer-realtime-v2（推荐）paraformer-realtime-8k-v2（推荐）paraformer-realtime-v1paraformer-realtime-8k-v1
适用场景直播、会议等场景电话客服、语音信箱等 8kHz 音频的识别场景直播、会议等场景电话客服、语音信箱等 8kHz 音频的识别场景
采样率任意8kHz16kHz8kHz
语种中文（包含中文普通话和各种方言）、英文、日语、韩语、德语、法语、俄语支持的中文方言：上海话、吴语、闽南语、东北话、甘肃话、贵州话、河南话、湖北话、湖南话、江西话、宁夏话、山西话、陕西话、山东话、四川话、天津话、云南话、粤语中文中文中文
标点符号预测✅ 默认支持，无需配置✅ 默认支持，无需配置✅ 默认支持，无需配置✅ 默认支持，无需配置
逆文本正则化（ITN）✅ 默认支持，无需配置✅ 默认支持，无需配置✅ 默认支持，无需配置✅ 默认支持，无需配置
定制热词✅ 参见定制热词✅ 参见定制热词✅ 参见Paraformer语音识别热词定制与管理✅ 参见Paraformer语音识别热词定制与管理
指定待识别语种✅ 通过language_hints参数指定❌❌❌
情感识别❌
情感识别遵循如下约束：
  • 仅限paraformer-realtime-8k-v2模型。
  • 必须关闭语义断句（可通过请求参数semantic_punctuation_enabled控制）。语义断句默认为关闭状态。
  • 只有在实时识别结果（RecognitionResult）的isSentenceEnd方法返回结果为true时才显示情感识别结果。
情感识别结果获取方式：调用单句信息（Sentence）的getEmoTag和getEmoConfidence方法分别获取当前句子的情感和情感置信度。
❌❌

快速开始

Recognition类提供了非流式调用和双向流式调用接口。请根据实际需求选择合适的调用方式：
  • 非流式调用：针对本地文件进行识别，并一次性返回完整的处理结果。适合处理录制好的音频。
  • 双向流式调用：可直接对音频流进行识别，并实时输出结果。音频流可以来自外部设备（如麦克风）或从本地文件读取。适合需要即时反馈的场景。

非流式调用

提交单个语音实时转写任务，通过传入本地文件的方式同步阻塞地拿到转写结果。
image
实例化Recognition类，调用call方法绑定请求参数和待识别文件，进行识别并最终获取识别结果。 
import com.alibaba.dashscope.audio.asr.recognition.Recognition;
import com.alibaba.dashscope.audio.asr.recognition.RecognitionParam;
import com.alibaba.dashscope.utils.Constants;

import java.io.File;

public class Main {
    public static void main(String[] args) {
        // 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。
        Constants.baseWebsocketApiUrl = "wss://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api-ws/v1/inference";
        // 创建Recognition实例
        Recognition recognizer = new Recognition();
        // 创建RecognitionParam
        RecognitionParam param =
                RecognitionParam.builder()
                        // 若没有将API Key配置到环境变量中，需将下面这行代码注释放开，并将apiKey替换为自己的API Key
                        // .apiKey("yourApikey")
                        .model("paraformer-realtime-v2")
                        .format("wav")
                        .sampleRate(16000)
                        // “language_hints”只支持paraformer-realtime-v2模型
                        .parameter("language_hints", new String[]{"zh", "en"})
                        .build();

        try {
            System.out.println("识别结果：" + recognizer.call(param, new File("{YOUR_AUDIO_FILE}")));
        } catch (Exception e) {
            e.printStackTrace();
        } finally {
            // 任务结束后关闭 WebSocket 连接
            recognizer.getDuplexApi().close(1000, "bye");
        }
        System.out.println(
                "[Metric] requestId: "
                        + recognizer.getLastRequestId()
                        + ", first package delay ms: "
                        + recognizer.getFirstPackageDelay()
                        + ", last package delay ms: "
                        + recognizer.getLastPackageDelay());
        System.exit(0);
    }
}

双向流式调用：基于回调

提交单个语音实时转写任务，通过实现回调接口的方式流式输出实时识别结果。
image
  1. 启动流式语音识别 实例化Recognition类，调用call方法绑定请求参数和回调接口（ResultCallback）并启动流式语音识别。
  2. 流式传输 循环调用Recognition类的sendAudioFrame方法，将从本地文件或设备（如麦克风）读取的二进制音频流分段发送至服务端。 在发送音频数据的过程中，服务端会通过回调接口（ResultCallback）的onEvent方法，将识别结果实时返回给客户端。 建议每次发送的音频时长约为100毫秒，数据大小保持在1KB至16KB之间。
  3. 结束处理 调用Recognition类的stop方法结束语音识别。 该方法会阻塞当前线程，直到回调接口（ResultCallback）的onComplete或者onError回调触发后才会释放线程阻塞。 
import com.alibaba.dashscope.audio.asr.recognition.Recognition;
import com.alibaba.dashscope.audio.asr.recognition.RecognitionParam;
import com.alibaba.dashscope.audio.asr.recognition.RecognitionResult;
import com.alibaba.dashscope.common.ResultCallback;
import com.alibaba.dashscope.utils.Constants;

import javax.sound.sampled.AudioFormat;
import javax.sound.sampled.AudioSystem;
import javax.sound.sampled.TargetDataLine;

import java.nio.ByteBuffer;
import java.util.concurrent.ExecutorService;
import java.util.concurrent.Executors;
import java.util.concurrent.TimeUnit;

public class Main {
    public static void main(String[] args) throws InterruptedException {
        // 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。
        Constants.baseWebsocketApiUrl = "wss://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api-ws/v1/inference";
        ExecutorService executorService = Executors.newSingleThreadExecutor();
        executorService.submit(new RealtimeRecognitionTask());
        executorService.shutdown();
        executorService.awaitTermination(1, TimeUnit.MINUTES);
        System.exit(0);
    }
}

class RealtimeRecognitionTask implements Runnable {
    @Override
    public void run() {
        RecognitionParam param = RecognitionParam.builder()
                // 若没有将API Key配置到环境变量中，需将apiKey替换为自己的API Key
                // .apiKey("yourApikey")
                .model("paraformer-realtime-v2")
                .format("wav")
                .sampleRate(16000)
                // “language_hints”只支持paraformer-realtime-v2模型
                .parameter("language_hints", new String[]{"zh", "en"})
                .build();
        Recognition recognizer = new Recognition();

        ResultCallback<RecognitionResult> callback = new ResultCallback<RecognitionResult>() {
            @Override
            public void onEvent(RecognitionResult result) {
                if (result.isSentenceEnd()) {
                    System.out.println("Final Result: " + result.getSentence().getText());
                } else {
                    System.out.println("Intermediate Result: " + result.getSentence().getText());
                }
            }

            @Override
            public void onComplete() {
                System.out.println("Recognition complete");
            }

            @Override
            public void onError(Exception e) {
                System.out.println("RecognitionCallback error: " + e.getMessage());
            }
        };
        try {
            recognizer.call(param, callback);
            // 创建音频格式
            AudioFormat audioFormat = new AudioFormat(16000, 16, 1, true, false);
            // 根据格式匹配默认录音设备
            TargetDataLine targetDataLine =
                    AudioSystem.getTargetDataLine(audioFormat);
            targetDataLine.open(audioFormat);
            // 开始录音
            targetDataLine.start();
            ByteBuffer buffer = ByteBuffer.allocate(1024);
            long start = System.currentTimeMillis();
            // 录音50s并进行实时转写
            while (System.currentTimeMillis() - start < 50000) {
                int read = targetDataLine.read(buffer.array(), 0, buffer.capacity());
                if (read > 0) {
                    buffer.limit(read);
                    // 将录音音频数据发送给流式识别服务
                    recognizer.sendAudioFrame(buffer);
                    buffer = ByteBuffer.allocate(1024);
                    // 录音速率有限，防止cpu占用过高，休眠一小会儿
                    Thread.sleep(20);
                }
            }
            recognizer.stop();
        } catch (Exception e) {
            e.printStackTrace();
        } finally {
            // 任务结束后关闭 Websocket 连接
            recognizer.getDuplexApi().close(1000, "bye");
        }

        System.out.println(
                "[Metric] requestId: "
                        + recognizer.getLastRequestId()
                        + ", first package delay ms: "
                        + recognizer.getFirstPackageDelay()
                        + ", last package delay ms: "
                        + recognizer.getLastPackageDelay());
    }
}

双向流式调用：基于Flowable

提交单个语音实时转写任务，通过实现工作流（Flowable）的方式流式输出实时识别结果。 Flowable 是一个用于工作流和业务流程管理的开源框架，它基于 Apache 2.0 许可证发布。关于Flowable的使用，请参见Flowable API详情。
直接调用Recognition类的streamCall方法开始识别。streamCall方法返回一个Flowable<RecognitionResult>实例，您可以调用Flowable实例的blockingForEach、subscribe等方法处理识别结果。识别结果封装在RecognitionResult中。streamCall方法需要传入两个参数：
  • RecognitionParam实例（请求参数）：通过它可以设置语音识别所需的模型、采样率、音频格式等参数。
  • Flowable<ByteBuffer>实例：您需要创建一个Flowable<ByteBuffer>类型的实例，并在其中实现解析音频流的方法。
import com.alibaba.dashscope.audio.asr.recognition.Recognition;
import com.alibaba.dashscope.audio.asr.recognition.RecognitionParam;
import com.alibaba.dashscope.exception.NoApiKeyException;
import com.alibaba.dashscope.utils.Constants;
import io.reactivex.BackpressureStrategy;
import io.reactivex.Flowable;

import javax.sound.sampled.AudioFormat;
import javax.sound.sampled.AudioSystem;
import javax.sound.sampled.TargetDataLine;
import java.nio.ByteBuffer;

public class Main {
    public static void main(String[] args) throws NoApiKeyException {
        // 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。
        Constants.baseWebsocketApiUrl = "wss://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api-ws/v1/inference";
        // 创建一个Flowable<ByteBuffer>
        Flowable<ByteBuffer> audioSource =
                Flowable.create(
                        emitter -> {
                            new Thread(
                                    () -> {
                                        try {
                                            // 创建音频格式
                                            AudioFormat audioFormat = new AudioFormat(16000, 16, 1, true, false);
                                            // 根据格式匹配默认录音设备
                                            TargetDataLine targetDataLine =
                                                    AudioSystem.getTargetDataLine(audioFormat);
                                            targetDataLine.open(audioFormat);
                                            // 开始录音
                                            targetDataLine.start();
                                            ByteBuffer buffer = ByteBuffer.allocate(1024);
                                            long start = System.currentTimeMillis();
                                            // 录音50s并进行实时转写
                                            while (System.currentTimeMillis() - start < 50000) {
                                                int read = targetDataLine.read(buffer.array(), 0, buffer.capacity());
                                                if (read > 0) {
                                                    buffer.limit(read);
                                                    // 将录音音频数据发送给流式识别服务
                                                    emitter.onNext(buffer);
                                                    buffer = ByteBuffer.allocate(1024);
                                                    // 录音速率有限，防止cpu占用过高，休眠一小会儿
                                                    Thread.sleep(20);
                                                }
                                            }
                                            // 通知结束转写
                                            emitter.onComplete();
                                        } catch (Exception e) {
                                            emitter.onError(e);
                                        }
                                    })
                                    .start();
                        },
                        BackpressureStrategy.BUFFER);

        // 创建Recognizer
        Recognition recognizer = new Recognition();
        // 创建RecognitionParam，audioFrames参数中传入上面创建的Flowable<ByteBuffer>
        RecognitionParam param = RecognitionParam.builder()
                // 若没有将API Key配置到环境变量中，需将apiKey替换为自己的API Key
                // .apiKey("yourApikey")
                .model("paraformer-realtime-v2")
                .format("pcm")
                .sampleRate(16000)
                // “language_hints”只支持paraformer-realtime-v2模型
                .parameter("language_hints", new String[]{"zh", "en"})
                .build();

        // 流式调用接口
        recognizer
                .streamCall(param, audioSource)
                .blockingForEach(
                        result -> {
                            // Subscribe to the output result
                            if (result.isSentenceEnd()) {
                                System.out.println("Final Result: " + result.getSentence().getText());
                            } else {
                                System.out.println("Intermediate Result: " + result.getSentence().getText());
                            }
                        });
        // 任务结束后关闭 Websocket 连接
        recognizer.getDuplexApi().close(1000, "bye");
        System.out.println(
                "[Metric] requestId: "
                        + recognizer.getLastRequestId()
                        + ", first package delay ms: "
                        + recognizer.getFirstPackageDelay()
                        + ", last package delay ms: "
                        + recognizer.getLastPackageDelay());
        System.exit(0);
    }
}

高并发调用

在DashScope Java SDK中，采用了OkHttp3的连接池技术，以减少重复建立连接的开销。详情请参见实时语音识别高并发场景。

请求参数

通过RecognitionParam的链式方法配置模型、采样率、音频格式等参数。配置完成的参数对象传入Recognition类的call/streamCall方法中使用。 
RecognitionParam param = RecognitionParam.builder()
  .model("paraformer-realtime-v2")
  .format("pcm")
  .sampleRate(16000)
  // “language_hints”只支持paraformer-realtime-v2模型
  .parameter("language_hints", new String[]{"zh", "en"})
  .build();
参数类型默认值是否必须说明
modelString
是用于实时语音识别的模型。详情请参见模型列表。
sampleRateInteger
是设置待识别音频采样率（单位Hz）。因模型而异：
  • paraformer-realtime-v2支持任意采样率。
  • paraformer-realtime-v1仅支持16000Hz采样。
  • paraformer-realtime-8k-v2仅支持8000Hz采样率。
  • paraformer-realtime-8k-v1仅支持8000Hz采样率。
formatString
是设置待识别音频格式。支持的音频格式：pcm、wav、mp3、opus、speex、aac、amr。
opus/speex：必须使用Ogg封装；wav：必须为PCM编码；amr：仅支持AMR-NB类型。
vocabularyIdString
否设置热词ID，若未设置则不生效。v2及更高版本模型设置热词ID时使用该字段。在本次语音识别中，将应用与该热词ID对应的热词信息。具体使用方法请参见定制热词。
phraseIdString
否设置热词ID，若未设置则不生效。v1系列模型设置热词ID时使用该字段。在本次语音识别中，将应用与该热词ID对应的热词信息。具体使用方法请参见Paraformer语音识别热词定制与管理。
disfluencyRemovalEnabledbooleanfalse否设置是否过滤语气词：
  • true：过滤语气词
  • false（默认）：不过滤语气词
language_hintsString[]["zh", "en"]否设置待识别语言代码。如果无法提前确定语种，可不设置，模型会自动识别语种。目前支持的语言代码：
  • zh: 中文
  • en: 英文
  • ja: 日语
  • yue: 粤语
  • ko: 韩语
  • de：德语
  • fr：法语
  • ru：俄语
该参数仅对支持多语言的模型生效（参见模型列表）。
language_hints需要通过RecognitionParam实例的parameter方法或者parameters方法进行设置：
RecognitionParam param = RecognitionParam.builder()
 .model("paraformer-realtime-v2")
 .format("pcm")
 .sampleRate(16000)
 .parameter("language_hints", new String[]{"zh", "en"})
 .build();
semantic_punctuation_enabledbooleanfalse否设置是否开启语义断句，默认关闭。
  • true：开启语义断句，关闭VAD（Voice Activity Detection，语音活动检测）断句。
  • false（默认）：开启VAD（Voice Activity Detection，语音活动检测）断句，关闭语义断句。
语义断句准确性更高，适合会议转写场景；VAD（Voice Activity Detection，语音活动检测）断句延迟较低，适合交互场景。通过调整semantic_punctuation_enabled参数，可以灵活切换语音识别的断句方式以适应不同场景需求。该参数仅在模型为v2及更高版本时生效。
semantic_punctuation_enabled需要通过RecognitionParam实例的parameter方法或者parameters方法进行设置：
RecognitionParam param = RecognitionParam.builder()
 .model("paraformer-realtime-v2")
 .format("pcm")
 .sampleRate(16000)
 .parameter("semantic_punctuation_enabled", true)
 .build();
max_sentence_silenceInteger800否设置VAD（Voice Activity Detection，语音活动检测）断句的静音时长阈值（单位为ms）。当一段语音后的静音时长超过该阈值时，系统会判定该句子已结束。参数范围为200ms至6000ms，默认值为800ms。该参数仅在semantic_punctuation_enabled参数为false（VAD断句）且模型为v2及更高版本时生效。
max_sentence_silence需要通过RecognitionParam实例的parameter方法或者parameters方法进行设置：
RecognitionParam param = RecognitionParam.builder()
 .model("paraformer-realtime-v2")
 .format("pcm")
 .sampleRate(16000)
 .parameter("max_sentence_silence", 800)
 .build();
multi_threshold_mode_enabledbooleanfalse否该开关打开时（true）可以防止VAD断句切割过长。默认关闭。该参数仅在semantic_punctuation_enabled参数为false（VAD断句）且模型为v2及更高版本时生效。
multi_threshold_mode_enabled需要通过RecognitionParam实例的parameter方法或者parameters方法进行设置：
RecognitionParam param = RecognitionParam.builder()
 .model("paraformer-realtime-v2")
 .format("pcm")
 .sampleRate(16000)
 .parameter("multi_threshold_mode_enabled", true)
 .build();
punctuation_prediction_enabledbooleantrue否设置是否在识别结果中自动添加标点：
  • true（默认）：是
  • false：否
该参数仅在模型为v2及更高版本时生效。
punctuation_prediction_enabled需要通过RecognitionParam实例的parameter方法或者parameters方法进行设置：
RecognitionParam param = RecognitionParam.builder()
 .model("paraformer-realtime-v2")
 .format("pcm")
 .sampleRate(16000)
 .parameter("punctuation_prediction_enabled", false)
 .build();
heartbeatbooleanfalse否当需要与服务端保持长连接时，可通过该开关进行控制：
  • true：在持续发送静音音频的情况下，可保持与服务端的连接不中断。
  • false（默认）：即使持续发送静音音频，连接也将在一定时间后因超时而断开。 静音音频指的是在音频文件或数据流中没有声音信号的内容。静音音频可以通过多种方法生成，例如使用音频编辑软件如Audacity或Adobe Audition，或者通过命令行工具如FFmpeg。
该参数仅在模型为v2及更高版本时生效。
使用该字段时，SDK版本不能低于2.19.1。heartbeat需要通过RecognitionParam实例的parameter方法或者parameters方法进行设置：
RecognitionParam param = RecognitionParam.builder()
 .model("paraformer-realtime-v2")
 .format("pcm")
 .sampleRate(16000)
 .parameter("heartbeat", true)
 .build();
inverse_text_normalization_enabledbooleantrue否设置是否开启ITN（Inverse Text Normalization，逆文本正则化）。默认开启（true）。开启后，中文数字将转换为阿拉伯数字。该参数仅在模型为v2及更高版本时生效。
inverse_text_normalization_enabled需要通过RecognitionParam实例的parameter方法或者parameters方法进行设置：
RecognitionParam param = RecognitionParam.builder()
 .model("paraformer-realtime-v2")
 .format("pcm")
 .sampleRate(16000)
 .parameter("inverse_text_normalization_enabled", false)
 .build();
apiKeyString
否用户API Key。

关键接口

Recognition类

Recognition通过“import com.alibaba.dashscope.audio.asr.recognition.Recognition;”方式引入。它的关键接口如下：
接口/方法参数返回值描述
public void call(RecognitionParam param, final ResultCallback<RecognitionResult> callback)
无基于回调形式的流式实时识别，该方法不会阻塞当前线程。
public String call(RecognitionParam param, File file)
识别结果基于本地文件的非流式调用，该方法会阻塞当前线程直到全部音频读完，该方法要求所识别文件具有可读权限。
public Flowable<RecognitionResult> streamCall(RecognitionParam param, Flowable<ByteBuffer> audioFrame)
  • param：请求参数
  • audioFrame：Flowable<ByteBuffer>实例
Flowable<RecognitionResult>基于Flowable的流式实时识别。
public void sendAudioFrame(ByteBuffer audioFrame)
  • audioFrame：二进制音频流，为ByteBuffer类型
无推送音频，每次推送的音频流不宜过大或过小，建议每包音频时长为100ms左右，大小在1KB~16KB之间。识别结果通过回调接口（ResultCallback）的onEvent方法获取。
public void stop()
无无停止实时识别。该方法会阻塞当前线程，直到回调实例ResultCallback的onComplete或者onError被调用之后才会解除对当前线程的阻塞。
recognizer.getDuplexApi().close(int code, String reason)
code: WebSocket关闭码（Close Code）reason：关闭原因这两个参数可参考The WebSocket Protocol文档进行配置true在任务结束后，无论是否出现异常都需要关闭WebSocket连接，避免造成连接泄漏。关于如何复用连接提升效率请参考实时语音识别高并发场景。
public String getLastRequestId()
无requestId获取当前任务的requestId，在调用call、streamingCall开始新任务之后可以使用。
该方法自2.18.0版本及以后的SDK中才开始提供。
public long getFirstPackageDelay()
无首包延迟获取首包延迟，从发送第一包音频到收到首包识别结果延迟，在任务完成后使用。
该方法自2.18.0版本及以后的SDK中才开始提供。
public long getLastPackageDelay()
无尾包延迟获得尾包延迟，发送stop指令到最后一包识别结果下发耗时，在任务完成后使用。
该方法自2.18.0版本及以后的SDK中才开始提供。

回调接口（ResultCallback）

双向流式调用时，服务端会通过回调的方式，将关键流程信息和数据返回给客户端。您需要实现回调方法，处理服务端返回的信息或者数据。 回调方法的实现，通过继承抽象类ResultCallback完成，继承该抽象类时，您可以指定泛型为RecognitionResult。RecognitionResult封装了服务器返回的数据结构。 由于Java支持连接复用，因此没有onClose和onOpen。

示例

ResultCallback<RecognitionResult> callback = new ResultCallback<RecognitionResult>() {
    @Override
    public void onEvent(RecognitionResult result) {
        System.out.println("RequestId为：" + result.getRequestId());
        // 在此实现处理语音识别结果的逻辑
    }

    @Override
    public void onComplete() {
        System.out.println("任务完成");
    }

    @Override
    public void onError(Exception e) {
        System.out.println("任务失败：" + e.getMessage());
    }
};
接口/方法参数返回值描述
public void onEvent(RecognitionResult result)
result：实时识别结果（RecognitionResult）无当服务有回复时会被回调。
public void onComplete()
无无任务完成后该接口被回调。
public void onError(Exception e)
e：异常信息无发生异常时该接口被回调。

响应结果

实时识别结果（RecognitionResult）

RecognitionResult代表一次实时识别的结果。
接口/方法参数返回值描述
public String getRequestId()
无requestId获取requestId。
public boolean isSentenceEnd()
无是否是完整句子，即产生断句判断给定句子是否已经结束。
public Sentence getSentence()
无单句信息（Sentence）获取单句信息，包括时间戳和文本信息等。

单句信息（Sentence）

接口/方法参数返回值描述
public Long getBeginTime()
无句子开始时间，单位为ms返回句子开始时间。
public Long getEndTime()
无句子结束时间，单位为ms返回句子结束时间。
public String getText()
无识别文本返回识别文本。
public List<Word> getWords()
无字时间戳信息（Word）的List集合返回字时间戳信息。
public String getEmoTag()
无当前句子的情感返回当前句子的情感：
  • positive：正面情感，如开心、满意
  • negative：负面情感，如愤怒、沉闷
  • neutral：无明显情感
情感识别遵循如下约束：
  • 仅限paraformer-realtime-8k-v2模型。
  • 必须关闭语义断句（可通过请求参数semantic_punctuation_enabled控制）。语义断句默认为关闭状态。
  • 只有在实时识别结果（RecognitionResult）的isSentenceEnd方法返回结果为true时才显示情感识别结果。
public Double getEmoConfidence()
无当前句子识别情感的置信度返回当前句子识别情感的置信度，取值范围：[0.0,1.0]，值越大表示置信度越高。情感识别遵循如下约束：
  • 仅限paraformer-realtime-8k-v2模型。
  • 必须关闭语义断句（可通过请求参数semantic_punctuation_enabled控制）。语义断句默认为关闭状态。
  • 只有在实时识别结果（RecognitionResult）的isSentenceEnd方法返回结果为true时才显示情感识别结果。

字时间戳信息（Word）

接口/方法参数返回值描述
public long getBeginTime()
无字开始时间，单位为ms返回字开始时间。
public long getEndTime()
无字结束时间，单位为ms返回字结束时间。
public String getText()
无字返回识别的字。
public String getPunctuation()
无标点返回标点。

错误码

如遇报错问题，请参见错误码进行排查。 若问题仍未解决，请加入开发者群反馈遇到的问题，并提供Request ID，以便进一步排查问题。

更多示例

更多示例，请参见GitHub。

常见问题

功能特性

Q：在长时间静默的情况下，如何保持与服务端长连接？

将请求参数heartbeat设置为true，并持续向服务端发送静音音频。 静音音频指的是在音频文件或数据流中没有声音信号的内容。静音音频可以通过多种方法生成，例如使用音频编辑软件如Audacity或Adobe Audition，或者通过命令行工具如FFmpeg。

Q：如何将音频格式转换为满足要求的格式？

可使用FFmpeg工具，更多用法请参见FFmpeg官网。 
# 基础转换命令（万能模板）
# -i，作用：输入文件路径，常用值示例：audio.wav
# -c:a，作用：音频编码器，常用值示例：aac, libmp3lame, pcm_s16le
# -b:a，作用：比特率（音质控制），常用值示例：192k, 320k
# -ar，作用：采样率，常用值示例：44100 (CD), 48000, 16000
# -ac，作用：声道数，常用值示例：1(单声道), 2(立体声)
# -y，作用：覆盖已存在文件(无需值)
ffmpeg -i input_audio.ext -c:a 编码器名 -b:a 比特率 -ar 采样率 -ac 声道数 output.ext

# 例如：WAV → MP3（保持原始质量）
ffmpeg -i input.wav -c:a libmp3lame -q:a 0 output.mp3
# 例如：MP3 → WAV（16bit PCM标准格式）
ffmpeg -i input.mp3 -c:a pcm_s16le -ar 44100 -ac 2 output.wav
# 例如：M4A → AAC（提取/转换苹果音频）
ffmpeg -i input.m4a -c:a copy output.aac  # 直接提取不重编码
ffmpeg -i input.m4a -c:a aac -b:a 256k output.aac  # 重编码提高质量
# 例如：FLAC无损 → Opus（高压缩）
ffmpeg -i input.flac -c:a libopus -b:a 128k -vbr on output.opus

Q：是否支持查看每句话对应的时间范围？

支持。语音识别结果中会包含每句话的开始时间戳和结束时间戳，可通过它们确定每句话的时间范围。

Q：如何识别本地文件（录音文件）？

识别本地文件有两种方式：
  • 直接传入本地文件路径：此种方式在最终识别结束后获取完整识别结果，不适合即时反馈的场景。 参见非流式调用，在Recognition类的call方法中传入文件路径对录音文件直接进行识别。
  • 将本地文件转成二进制流进行识别：此种方式一边识别文件一边流式获取识别结果，适合即时反馈的场景。

故障排查

Q：无法识别语音（无识别结果）是什么原因？

  1. 请检查请求参数中的音频格式（format）和采样率（sampleRate/sample_rate）设置是否正确且符合参数约束。以下为常见错误示例：
    • 音频文件扩展名为 .wav，但实际为 MP3 格式，而请求参数 format 设置为 mp3（参数设置错误）。
    • 音频采样率为 3600Hz，但请求参数 sampleRate/sample_rate 设置为 48000（参数设置错误）。
    可以使用ffprobe工具获取音频的容器、编码、采样率、声道等信息： 
ffprobe -v error -show_entries format=format_name -show_entries stream=codec_name,sample_rate,channels -of default=noprint_wrappers=1 input.xxx
  1. 使用paraformer-realtime-v2模型时，请检查language_hints设置的语言是否与音频实际语言一致。 例如：音频实际为中文，但language_hints设置为en（英文）。
  2. 若以上检查均无问题，可通过定制热词提升对特定词语的识别效果。
阿里云百炼 home page阿里云百炼
使用 API
文本生成
图像生成
视频生成
3D模型生成
音频
实时多模态
Realtime API
  • 概述
向量与排序
更多模型
工具包/框架
模型生产
文件管理
更多