1.概述

AI语音通常包含以下几点能力：语音听写、语音转写、语音合成、中英文翻译。

2.语音听写

2.1 能力描述

在人机对话场景下，把语音转换成对应的文字信息，让机器能够“听懂”人类语言。

2.2 能力特性

1. 超低时延
   实时转换，时延低于300ms；
2. 精细文字时间戳
   支持转换结果在“词语”粒度级别时间戳功能；
3. 智能文本后处理
   支持基于对话场景对标点、数字等的友好交互展示；

2.3 技术规格

1. 处理效率
   语音输入速度达180字/分；
2. 音频参数
   采样率16K、采样精度16bit、单声道；
3. 音频编解码格式
   speex-wb、raw、opus、opus-wb、opus-swb；
4. 音频时长
   单段音频时长≤60s；
5. 返回形式
   Json格式字符串。

2.4 应用场景

1. 语音输入法
   使用输入法时，将语音信息转成文字信息，提升用户的交互体验及操作效率。
2. 智能助手
   将用户语音指令转换成机器语言，用于后续的语义分析。

3. 语音转写

3.1 能力概述

在人人对话场景下，将音频流数据实时转换程文字流数据结果。

3.2 能力特性

1. 低时延
   时延低于700ms；
2. 精细文字时间戳
   支持转换结果在“词语”粒度级别时间戳功能；
3. 智能文本后处理
   支持智能文本段落划分、标点符号添加、语义规整等；

3.3 技术规格

1. 音频参数
   采样率16KHz、采样精度16bit、单声道、中文普通话；
2. 音频编解码格式
   speex-wb、raw、opus、opus-wb、opus-swb；
   3.返回形式
   Json格式字符串
3. 返回内容
   句子启止时间、整句的中间及最终结果；词语启止时间、词语识别内容。

3.4 应用场景

1.视频/电话会议
将视频以及电话会议中的发言内容实时识别为文字，防止错过重要会议内容，提高会议效率。
2.客服中心
将客户的电话语音内容实时识别为文字，作为客服答疑的参考记录。

4. 非实时语音转写

4.1 能力概述

将长段音频数据转成文本数据，为信息处理和数据挖掘提供基础。

4.2 能力特性

1. 智能文本后处理
   支持智能文本段落划分、标点符号添加、语义规整等；
2. 文字格式智能转换
   对结果中出现的数字、日期、时间等内容格式化成规整的文本。

4.3 技术规格

1. 音频参数
   采样率16K、采样精度16bit、单声道；
2. 音频编解码格式
   speex-wb、raw、opus、opus-wb、opus-swb；
3. 音频时长
   单端音频时长小于5小时；
4. 返回形式
   Json格式字符串。
5. 返回内容
   句子启止时间、整句的中间及最终结果；词语启止时间、词语识别内容。

4.4 应用场景

1.客服质检
将坐席通话转成文字，帮助电话质检和信息同步，为数据挖掘提供原始数据。
2.会议/访谈记录
将会议和访谈音频转成文字存稿，便于后期信息检索和整理。
3.语音鉴别
从转写出的文杰结果中搜索匹配的相关词汇，对指定内容进行高效鉴别。

5. 语音合成

5.1 能力概述

将文字信息转化为声音信息，无限接近人声效果，给应用配上了“嘴巴”。

5.2 能力特性

1. 接近人声的语音质量
   文本转换为流畅、清晰、自然和具有表现力的语音数据—高质量合成音频的自然度和清晰度已经超过了普通人的朗读水平；
2. 语音参数自定义调节
   支持对语速、音量、音调等多种语音参数的自定义调节。

5.3 技术规格

1. 处理时延
   20路平均响应时间2-3s；
2. 语音质量
   MOS超过4分；
3. 音频格式
   采样率8/16K、采样精度16bit、单声道，解码格式raw/speex/speex-wb；
4. 文本合成上限
   单文本最长不超过60KB，超过上限需分段合成；
   5.输入内容
   文本内容，内容格式UTF-8；
   6.发音人
   中文男女声发音人各一个，英文男女声发音人各一个。

5.4 应用场景

1.智能助手
合成语音自然顺畅，让人机交互更加友好；
2.智能外呼
将文字信息转化成清晰、流畅的合成语音，降低重复工作的同时保障服务质量。

6 中英文翻译

6.1 能力概述

中文普通话与英文文本互译

6.2 能力特性

1. 语义通畅
   翻译结果贴近真实表述习惯。

6.3 技术规格

1. 处理时延
   时延1s以内；

6.4 应用场景

1. 文档资料翻译
   辅助快速翻译说明书、专利、合同等文档资料；
2. 跨语言信息获取
   获取海量优质英文信息内容。