AI-VideoAssistant/docs/content/customization/asr.md

语音识别

语音识别（ASR）负责把用户音频实时转写成文本，供引擎继续理解和处理。

关键配置项

配置项	说明
ASR 引擎	选择语音识别服务提供商或自建服务
模型	实际使用的识别模型名称
语言	中文、英文或多语言
热词	提高业务词汇、品牌词、专有名词识别率
标点与规范化	自动补全标点、规范数字和日期等

模式

• offline：引擎本地缓冲音频后触发识别（适用于 OpenAI-compatible / SiliconFlow）。
• streaming：音频分片实时发送到服务端，服务端持续返回转写事件（适用于 DashScope Realtime ASR、Volcengine BigASR）。

配置项

配置项	说明
ASR 引擎	选择语音识别服务提供商
模型	识别模型名称
enable_interim	是否开启离线 ASR 中间结果（默认 false，仅离线模式生效）
app_id / resource_id	Volcengine 等厂商的应用标识与资源标识
request_params	厂商原生请求参数透传，例如 end_window_size、force_to_speech_time、context
语言	中文/英文/多语言
热词	提升特定词汇识别准确率
标点与规范化	是否自动补全标点、文本规范化

选择建议

• 客服、外呼等业务场景建议维护热词表，并按业务线持续更新
• 多语言入口建议显式指定语言，避免模型自动判断带来的波动
• 对延迟敏感的场景优先选择流式识别模型
• 对准确率敏感的场景，先评估专有名词、数字、地址等样本的识别表现

运行建议

• 使用与接入端一致的采样率和编码方式，减少额外转换
• 在测试阶段准备固定样本，便于对比不同模型或参数的变化
• 把“识别准确率”和“识别延迟”一起看，不要只看其中一项

相关文档

• 声音资源 - 完整语音输入输出链路中的 TTS 侧配置
• 快速开始 - 以任务路径接入第一个 ASR 资源
• 客服场景建议开启热词并维护业务词表
• 多语言场景建议按会话入口显式指定语言
• 对延迟敏感场景优先选择流式识别模型
• 当前支持提供商：openai_compatible、siliconflow、dashscope、volcengine、buffered（回退）