模型定位
非实时语音识别与文件转写模型,面向完整音频或视频文件,将语音转为文本。适用于短视频字幕、客服质检、会议记录及金融双录等场景。(docs.qwencloud.com)
能力
- 支持中文、英语、日语、韩语等多种语言,以及多种汉语方言和地区口音。
- 支持热词和上下文增强,可改善特定领域词汇的识别;支持说话人分离、标点预测和文本规范化,并针对古诗词识别进行了优化。(alibabacloud.com)
使用与限制
- 通过 HTTP 异步处理,每次提交一个可公开访问的文件 URL;单文件最长 12 小时、最大 2 GB。支持 WAV、MP3、MP4 等多种格式。
- 启用说话人分离时需使用单声道,官方建议音频不超过 2 小时,以降低识别失败或超时风险。
- 本版本不是实时流式识别模型;官方模型信息页标注不支持函数调用、联网搜索、上下文缓存、批量推理和微调。上下文窗口及输入、输出 token 上限未公布。(alibabacloud.com)
价格
以下为模型 API 原价,按输入音频时长计费,文本输出免费;不包含限时优惠。查询日期:2026-11-16。
- 阿里云国内站,人民币 CNY:北京地域输入 0.00022 CNY/秒;新加坡地域、国际部署范围输入 0.00026 CNY/秒。来源:国内站模型调用价格。(help.aliyun.com)
- 阿里云国际站,美元 USD:新加坡地域、国际部署范围输入 0.000035 USD/秒;北京地域输入 0.000032 USD/秒。来源:国际站模型调用价格。(docs.modelstudio.console.alibabacloud.com)
上述为不同站点和地域的官方报价,并非按汇率换算;实际费用及适用条件以相应平台控制台为准。
发布日期与官方来源
- 发布日期:2026-07-30,见阿里云官方模型发布与更新公告。(alibabacloud.com)
- 使用说明:非实时语音识别指南。