语音识别 API (ASR)

SenseAudio的语音识别（Automatic Speech Recognition, ASR）是专为多场景设计的全栈式语音识别解决方案。从极致的实时响应到深度的语义理解与音频质量检测，SenseASR 系列涵盖了从基础识别到智能内容生成的全链路需求，旨在帮助开发者快速构建高性能的语音应用。

1. 极致响应与超低延迟

深度优化音频处理链路，确保快速响应：

• 低延迟体验：优化流式识别链路，实现”所见即所言”，首屏反馈延迟极低。
• 高性能并发支撑：成熟的分布式架构，能够稳定承载大规模并发请求，保障业务高峰期的服务连续性。

2. 语义智能识别

突破传统的逐字识别，融入深度的语义理解：

• 意图感知：识别过程中同步理解语义，能够精准捕获说话人的核心意图。
• 语境逻辑优化：结合上下文进行语义识别，有效提升在复杂表述或特定行业语境下的识别准确度。

3. 智能内容整理与书面化

针对口语转文字的痛点，提供自动优化技术：

• 智能整理：自动识别并剔除口语中的”呃、啊、那个”等冗余词与语气词；自动识别改口、重复，直接整合最终结论。
• 逻辑条理化：支持自动分段、修正词汇偏差，将杂乱的口语转化为逻辑清晰、排版规范的书面化文档。

4. 音频质量监测

支持在识别链路中对音频进行评估，确保数据处理的可靠性：

• 多维质量报告：评估噪声分数，噪声种类等。
• 噪声分析： 对音频噪声进行专业分析，帮助开发者筛选或评估原始音频文件的质量。

办公协作与数字化会议

在日常会议、讲座培训或多方谈话场景下，实现语音内容的同步记录与归档。支持标准话语的稳定识别，确保会议纪要的准确性与时效性。

• 核心价值：提供高精度的通用识别能力，支持长音频文件的一键识别，助力企业知识资产的沉淀。

深度采编与内容生产

针对媒体访谈、演讲稿录入、自媒体创作等专业场景，提供基于大模型的文本精修服务。自动处理口语冗余，将原始素材直接转化为可阅读的专业文稿。

• 核心价值：实现口语转书面表达，自动剔除语气词并进行逻辑分段，减少人工二次整理工作。

智能指令与设备控制

为智能家居、车载系统、穿戴设备提供高效的语音反馈能力。在接收到用户的短语音输入后，系统迅速返回识别结果，驱动下游指令执行。

• 核心价值：实现低延迟的任务反馈，保障在车载交互或智能家居控制中的流畅体验。

教育培训与学术整理

构建智能教学助手，对课堂教学、在线讲座或语言学习音频进行文字化处理。支持多语种环境下的精准识别，辅助生成学习笔记与教学参考。

• 核心价值：支持专业词汇的准确识别，帮助学生或研究人员快速提取核心知识点，实现学习路径的个性化管理。

SenseAudio 提供两种接口协议，满足不同场景的语音识别需求：

HTTP 统一接口

基于标准 HTTP 协议的语音识别服务，适用于离线音频文件识别场景。

核心特性：

• 支持 4 种识别模型，灵活选择速度与精度
• 支持 wav、mp3、ogg、pcm、flac、aac、m4a 等多种音频格式
• 提供 JSON、Text、Verbose JSON、SSE 流式等多种响应格式
• 兼容 OpenAI Audio API 风格，易于迁移

WebSocket 实时接口

基于 WebSocket 协议的全双工实时语音识别，适用于实时语音交互场景。

核心特性：

• 全双工通信，音频上传与文本下发同步进行，延迟极低
• 内置 VAD（语音活动检测），自动识别语音停顿并智能断句
• 支持智能指令转译
• 支持多种语言的实时识别

接口选择指南

根据业务场景选择合适的接口：

---