跳转到主要内容
千问云 home page
开放平台文档
语音识别

提升识别准确率

通过自定义热词和上下文增强提升语音识别准确率。

部分业务词汇（如产品名、专有名词、行业术语）不在模型通用词表中，识别准确率较低。千问云语音识别提供自定义热词和上下文增强两种方式，提升这类词汇的识别效果。

自定义热词与上下文增强的区别

千问云语音识别提供两种处理专业术语的方式，适用模型和接口不同：
维度自定义热词上下文增强
原理提供带权重的词汇表，模型在解码时提升匹配概率传入对话历史或领域语料，模型利用上下文修正识别结果
适用模型Fun-ASR、Paraformer 系列（实时 + 非实时）fun-asr-flash-2026-06-15（仅非实时）
适用场景词汇已知且相对稳定，需要跨请求复用同一词表（如产品名、医学术语）词汇随对话动态变化，或需要通过上下文帮助模型理解专有名词（如会议纪要中的参会人、客服对话中的业务术语）
配置方式预先创建热词列表，调用时传入列表 ID每次请求时通过 input.messages 传入对话历史或领域文本

前提条件

  1. 已获取 API Key 并将其配置到环境变量。
  2. 如果通过 SDK 调用，需安装 DashScope SDK。

自定义热词

适用范围

热词功能由 Fun-ASR 和 Paraformer 系列模型支持。可用模型如下： Fun-ASR：
  • 实时语音识别：fun-asr-realtime、fun-asr-realtime-2026-02-28、fun-asr-realtime-2025-11-07、fun-asr-realtime-2025-09-15、fun-asr-flash-8k-realtime、fun-asr-flash-8k-realtime-2026-01-28
  • 非实时语音识别：fun-asr、fun-asr-2025-11-07、fun-asr-2025-08-25、fun-asr-mtl、fun-asr-mtl-2025-08-25
Paraformer：
  • 实时语音识别：paraformer-realtime-v2、paraformer-realtime-8k-v2
  • 非实时语音识别：paraformer-v2、paraformer-8k-v2
完整模型列表请参见语音识别模型。

快速开始

工作流程：
  1. 创建热词列表：调用创建 API 定义热词列表，并将 target_model 设置为您计划使用的语音识别模型。
  2. 使用热词列表：在语音识别请求参数中传入热词列表 ID（vocabulary_id）。确保 target_model 与调用的模型一致。
完整流程示例：创建热词列表 → 调用语音识别 → 删除列表。示例音频：asr_example.wav。
热词管理 API 与语音识别 API 必须使用同一账号，否则识别接口无法访问对应的热词列表。
  • Python
  • Java
import dashscope
from dashscope.audio.asr import *
import os

# 如果未配置环境变量，请将下一行替换为：dashscope.api_key = "sk-xxx"
dashscope.api_key = os.environ.get('DASHSCOPE_API_KEY')

dashscope.base_http_api_url = 'https://dashscope.aliyuncs.com/api/v1'
dashscope.base_websocket_api_url = 'wss://dashscope.aliyuncs.com/api-ws/v1/inference'
prefix = 'testpfx'
target_model = "fun-asr-realtime"

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,
                            vocabulary_id=vocabulary_id)
    result = recognition.call('asr_example.wav')
    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

热词以 JSON 数组提交，数组元素定义单个热词及其属性。 示例：提升电影名称的识别率（Fun-ASR 及 Paraformer 系列模型） 
[
  {"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"}
]
字段说明：
字段类型是否必填说明
textstring是热词文本，需为实际词语而非任意字符组合，且语言必须在所选模型的支持范围内。长度限制参见下文。
weightint是热词权重，取值范围 [1, 5]，推荐 4。权重越高，模型越倾向于输出该词。过高的权重可能影响其他词的识别。
langstring否语言代码，限定该热词作用的语种。语种未知时可省略。注意：language_hints 是语音识别接口的参数（非热词接口），用于声明音频语种。一旦设置，仅匹配 language_hints 所指定语种的热词生效，其他语种的热词将被忽略。
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 个字符）
    • "EGFR抑制剂"（7 个字符，其中 EGFR 占 4 个 ASCII 字符）
    • "こんにちは"（5 个字符）
    • "Фенибут Белфарм"（15 个字符，含空格）
    • "Клофелин Белмедпрепараты"（24 个字符）-- 超出限制
  • 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，超出限制

调优热词效果

调整热词权重

权重控制模型对热词的偏好程度，合理设置可在提升目标词识别率的同时避免误识别。
权重效果适用场景
1-2轻微偏好热词与常用词发音相似，需避免过度纠偏
3-4明显偏好（推荐）大多数场景的最佳起始值
5强制偏好该词在音频中频繁出现且几乎不会与其他词混淆。权重过高可能导致发音相近的其他词被误识别为热词。
建议从 weight=4 起测，根据识别效果逐步调整。

设计热词表

  • 按场景分组：为不同业务场景建立独立的热词列表（如医疗术语、产品名称各建一个），便于维护与复用。
  • 多语种混合：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：删除不再使用的热词列表以释放额度（每账号上限 10 个）。

限制与计费

限制项说明
热词列表数量每账号 10 个，所有模型共享。
单个列表热词数每个热词列表最多 500 个热词。
计费免费。
API 参考：自定义热词 API 参考

上下文增强

适用范围

上下文增强支持以下模型：
  • 非实时语音识别：fun-asr-flash-2026-06-15

快速开始

**使用场景：**适用于 ASR 与大语言模型结合的场景。将前几轮对话的上下文（大模型回复内容和用户语音识别结果）传入 ASR 模型，可显著提升专有词汇（人名、地名、产品术语等）的转写准确率，比传统热词更灵活。 **用法：**通过 input.messages 传入历史对话上下文。其中 assistant 角色为前轮大模型的回复内容，user 角色 + input_text 类型为前轮的语音识别结果。上下文需成对出现在当前音频消息之前，详见 DashScope (Fun-ASR)。 请求体结构示例： 
{
  "model": "fun-asr-flash-2026-06-15",
  "input": {
    "messages": [
      {
        "role": "assistant",
        "content": [
          {
            "type": "text",
            "text": "前轮大模型的回复内容"
          }
        ]
      },
      {
        "role": "user",
        "content": [
          {
            "type": "input_text",
            "text": "前轮用户语音的识别结果"
          }
        ]
      },
      {
        "role": "user",
        "content": [
          {
            "type": "input_audio",
            "input_audio": {
              "data": "当前待识别的音频URL或Base64"
            }
          }
        ]
      }
    ]
  },
  "parameters": {}
}

效果示例

上下文的 text 字段内容格式灵活，可以是词表、自然语言段落或两者的混合，对无关文本的容错性极高。 某段音频正确识别结果应该为："投行圈内部的那些黑话，你了解哪些？首先，外资九大投行，Bulge Bracket，BB ..."
不使用上下文增强使用上下文增强
未使用上下文增强时，部分投行公司名称识别有误。例如"Bird Rock"正确应为"Bulge Bracket"。识别结果："...外资九大投行，Bird Rock，BB ..."使用上下文增强，投行公司名称识别正确。识别结果："...外资九大投行，Bulge Bracket，BB ..."
上述示例中，在上下文的 text 字段中加入包含"Bulge Bracket"等专业术语的词表或自然语言段落即可实现增强效果。

常见问题

设置热词后识别效果没有改善？

依次排查：
  1. 模型是否匹配：创建时指定的 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：模型必须为 Fun-ASR 或 Paraformer 系列，其他系列不支持热词。在不支持的系列上调用时接口不会报错，但识别结果可能为空或不含热词增强。使用 SenseVoice 等系列时应优先排查此项。
  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：通过查询接口确认 status 为 OK。

热词在实时和非实时语音识别中的使用方式是否相同？

创建方式相同，调用时存在差异：
  • 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。
两种场景的 target_model 都必须与实际调用的语音识别模型一致。

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？

还可从以下方向优化：
  • 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，详见语音识别模型选型指南。
  • 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。