提升识别准确率 - 千问AI平台

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AI平台语音识别提供预编译热词、即时热词和上下文增强三种方式，提升这类词汇的识别效果。

预编译热词、即时热词与上下文增强的区别

自定义热词分为预编译热词和即时热词两种。下表对比三种方式的差异，适用模型和接口不同：

维度	预编译热词	即时热词	上下文增强
原理	预先创建带权重的词汇表，模型在解码时提升匹配概率	请求中直接携带带权重的热词，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	参见预编译热词	参见即时热词	参见上下文增强
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）	临时性、会话级别的热词，无需跨请求复用（如单次会话中的人名、临时术语）	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	请求中直接传入 `vocabulary` 键值对，无需创建列表	每次请求时传入对话历史或领域文本。非实时通过 `input.messages`，实时通过 `input.context`

前提条件

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

预编译热词

预先创建热词列表并获得列表 ID，识别时传入该 ID。适用于词汇已知且相对稳定、需要跨请求复用同一词表的场景（如产品名、医学术语）。

即时热词仅支持 Qwen-Audio-3.0-ASR-Flash-Streaming、Qwen-Audio-3.0-ASR-Flash-Filetrans 和 Qwen-Audio-3.0-ASR-Flash 系列模型。对于这些模型，同时配置预编译热词和即时热词时，系统会合并两类热词；合并后超过 2,000 个时，随机选择 2,000 个使用。

支持的模型与地域

实时语音识别：
- Qwen-Audio-3.0-ASR-Flash-Streaming：qwen-audio-3.0-asr-flash-streaming
- Fun-ASR-Realtime：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
- Paraformer：paraformer-realtime-v2、paraformer-realtime-8k-v2
非实时语音识别：
- Qwen-Audio-3.0-ASR-Flash-Filetrans：qwen-audio-3.0-asr-flash-filetrans
- Qwen-Audio-3.0-ASR-Flash：qwen-audio-3.0-asr-flash
- Fun-ASR-Flash：fun-asr-flash-2026-06-15
- Fun-ASR：fun-asr、fun-asr-2025-11-07、fun-asr-2025-08-25、fun-asr-mtl、fun-asr-mtl-2025-08-25
- Paraformer：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：

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。
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 = "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,
                            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)

import com.alibaba.dashscope.audio.asr.recognition.Recognition;
import com.alibaba.dashscope.audio.asr.recognition.RecognitionParam;
import com.alibaba.dashscope.audio.asr.vocabulary.Vocabulary;
import com.alibaba.dashscope.audio.asr.vocabulary.VocabularyService;
import com.alibaba.dashscope.exception.InputRequiredException;
import com.alibaba.dashscope.exception.NoApiKeyException;
import com.alibaba.dashscope.utils.Constants;
import com.google.gson.JsonArray;
import com.google.gson.JsonObject;

import java.io.File;
import java.util.ArrayList;
import java.util.List;

public class Main {
  // 如果未配置环境变量，请将下一行替换为：public static String apiKey = "sk-xxx"
  public static String apiKey = System.getenv("DASHSCOPE_API_KEY");

  public static void main(String[] args) throws NoApiKeyException, InputRequiredException {
    Constants.baseHttpApiUrl = "https://dashscope.aliyuncs.com/api/v1";
    Constants.baseWebsocketApiUrl = "wss://dashscope.aliyuncs.com/api-ws/v1/inference";

    String targetModel = "qwen-audio-3.0-asr-flash-streaming";

    JsonArray vocabularyJson = new JsonArray();
    List<Hotword> wordList = new ArrayList<>();
    wordList.add(new Hotword("语音实验室", 4));

    for (Hotword word : wordList) {
      JsonObject jsonObject = new JsonObject();
      jsonObject.addProperty("text", word.text);
      jsonObject.addProperty("weight", word.weight);
      vocabularyJson.add(jsonObject);
    }

    VocabularyService service = new VocabularyService(apiKey);
    Vocabulary vocabulary = service.createVocabulary(targetModel, "testpfx", vocabularyJson);

    try {
      if ("OK".equals(service.queryVocabulary(vocabulary.getVocabularyId()).getStatus())) {
        Recognition recognizer = new Recognition();
        RecognitionParam param =
            RecognitionParam.builder()
                .model(targetModel)
                .apiKey(apiKey)
                .format("wav")
                .sampleRate(16000)
                .vocabularyId(vocabulary.getVocabularyId())
                .build();

        try {
          System.out.println("识别结果：" + recognizer.call(param, new File("asr_example.wav")));
        } catch (Exception e) {
          e.printStackTrace();
        } finally {
          // 关闭 WebSocket 连接
          recognizer.getDuplexApi().close(1000, "bye");
        }
      }
    } finally {
      // 无论识别成功与否都删除热词列表，避免占用配额
      service.deleteVocabulary(vocabulary.getVocabularyId());
    }
    System.exit(0);
  }
}

class Hotword {
  String text;
  int weight;

  public Hotword(String text, int weight) {
    this.text = text;
    this.weight = weight;
  }
}

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
text	string	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。
weight	int	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。使用 Qwen-Audio-3.0-ASR-Flash-Streaming、Qwen-Audio-3.0-ASR-Flash-Filetrans、Qwen-Audio-3.0-ASR-Flash 系列模型时，还支持 `weight=50`（超级热词），召回率大幅提升，但超级热词数量最多不超过 50 个。过高的权重可能影响其他词的识别。
lang	string	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。

即时热词

即时热词在识别请求中直接传入 vocabulary 键值对，本质上也是一组带权重的热词（与预编译热词的词表内容对应），区别仅在于随请求内联传入、无需预先创建热词列表。适用于临时性、会话级别的热词优化。

支持的模型与地域

实时语音识别：
- Qwen-Audio-3.0-ASR-Flash-Streaming：qwen-audio-3.0-asr-flash-streaming
非实时语音识别：
- Qwen-Audio-3.0-ASR-Flash-Filetrans：qwen-audio-3.0-asr-flash-filetrans
- Qwen-Audio-3.0-ASR-Flash：qwen-audio-3.0-asr-flash

快速开始

在语音识别请求的 parameters 中传入 vocabulary，无需创建热词列表。各接口的详细用法参见语音识别下的 API 参考。示例（非实时语音识别）：

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

即时热词以 JSON 对象（键值对）传入：键为热词文本（string），值为热词权重（integer）。热词文本规范参见热词文本规范。示例：

{"张三": 5, "李四": 5, "语音实验室": 50}

权重取值范围为 [1, 5] 或 50：取 [1, 5] 为普通热词，值越大偏好越强；取 50 为超级热词，召回率大幅提升，但超级热词数量最多不超过 50 个。权重调优参见调整热词权重。

热词调优与规范

以下热词文本规范与调优建议对预编译热词和即时热词均适用。

热词文本规范

热词文本必须为实际词语，长度限制如下：

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。 超级热词（weight=50）：预编译热词和即时热词均支持超级热词，但仅 Qwen-Audio-3.0-ASR-Flash-Streaming、Qwen-Audio-3.0-ASR-Flash-Filetrans、Qwen-Audio-3.0-ASR-Flash 系列模型支持。设为 50 时召回率大幅提升，但超级热词数量最多不超过 50 个。

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

限制项	说明
热词列表数量（预编译热词）	热词列表是预编译热词预先创建的持久化词表（对应一个 `vocabulary_id`）。每账号最多 10 个，所有模型共享。
热词数量上限（预编译热词 / 即时热词）	热词数量上限取决于语音识别所用的模型： - Qwen-Audio-3.0-ASR-Flash-Streaming、Qwen-Audio-3.0-ASR-Flash-Filetrans、Qwen-Audio-3.0-ASR-Flash 系列：最多 2000 个。 - Fun-ASR-Realtime、Fun-ASR-Flash、Fun-ASR 系列主版本模型：最多 2000 个。 - Fun-ASR-Realtime、Fun-ASR-Flash、Fun-ASR 系列其他模型、Paraformer 系列：最多 500 个。其中，预编译热词按单个热词列表计数；即时热词按单次请求传入的热词数计数。
超级热词数量（预编译热词 / 即时热词）	权重为 50 的超级热词最多 50 个。
计费	预编译热词与即时热词均免费。

API 参考：预编译热词 API 参考

上下文增强

支持的模型与地域

实时语音识别：
- Qwen-Audio-3.0-ASR-Flash-Streaming：qwen-audio-3.0-asr-flash-streaming
- Fun-ASR-Realtime：fun-asr-realtime、fun-asr-realtime-2025-11-07
非实时语音识别：
- Qwen-Audio-3.0-ASR-Flash-Filetrans：qwen-audio-3.0-asr-flash-filetrans
- Qwen-Audio-3.0-ASR-Flash：qwen-audio-3.0-asr-flash
- Fun-ASR-Flash：fun-asr-flash-2026-06-15

快速开始

**使用场景：**通过传入对话历史或领域术语作为上下文，可显著提升专有词汇（人名、地名、产品术语等）的转写准确率。上下文既可以是多轮对话历史（前几轮的识别结果与大模型回复），也可以只是一组领域术语或词表。 用法：

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。

传入前几轮的识别结果（user/input_text）和大模型回复（assistant/text）。若只需传入领域术语或词表，省略其中的对话历史（assistant 消息）即可。

使用上下文增强时需注意以下限制：

**消息条数限制：**引擎最多保留最近 5 轮的上下文内容。仅传入领域术语或词表时通常只需 1 条消息，不受此限制影响。超出时，早期消息会被自动忽略，不会报错。
**文本长度限制：**每轮上下文的文本总长度（同一轮中所有 user 和 assistant 消息的 text 字段长度之和）不超过 400 个字符（按字符数计算，每个字符计为 1，包括字母、汉字、数字、空格和标点等）。超出部分会从末尾截断，不会返回错误。多轮上下文中，每轮独立计算，互不影响。
**上下文机制：**上下文主要通过词表匹配方式生效，text 字段中需包含音频里待识别的原词（如"Kubernetes"、"Bulge Bracket"）。仅传入语义相关但不包含原词的描述，纠正效果有限。

请求体结构示例：

{
  "model": "qwen-audio-3.0-asr-flash",
  "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：

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。
模型是否支持：确认所用模型在上方支持列表中。
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。
热词列表状态（预编译热词）：通过查询接口确认 status 为 OK。

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？

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。即时热词无需创建列表和指定 target_model，直接在请求参数中传入 vocabulary 键值对即可。对于支持即时热词的 Qwen-Audio-3.0-ASR-Flash-Streaming、Qwen-Audio-3.0-ASR-Flash-Filetrans 和 Qwen-Audio-3.0-ASR-Flash 系列模型，同时配置预编译热词和即时热词时，系统会合并两类热词；合并后超过 2,000 个时，随机选择 2,000 个使用。

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。

​预编译热词、即时热词与上下文增强的区别

​前提条件

​预编译热词

​支持的模型与地域

​快速开始

​热词格式

​即时热词

​支持的模型与地域

​快速开始

​热词格式

​热词调优与规范

​热词文本规范

​调整热词权重

​设计建议

​热词限制与计费

​上下文增强

​支持的模型与地域

​快速开始

​效果示例

​常见问题

​设置热词后识别效果没有改善？

​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？

​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？

预编译热词、即时热词与上下文增强的区别

前提条件

预编译热词

支持的模型与地域

快速开始

热词格式

即时热词

支持的模型与地域

快速开始

热词格式

热词调优与规范

热词文本规范

调整热词权重

设计建议

热词限制与计费

上下文增强

支持的模型与地域

快速开始

效果示例

常见问题

设置热词后识别效果没有改善？

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？

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？