AI 游戏的核心竞争力在于稳定保障多人语音互动体验、实时识别违规与风险内容，持续优化语音链路质量；优质沉淀高可用音频数据、高标准判罚结果与高质量训练样本，支撑模型能力迭代与业务规则升级。然而传统音频治理与训练流程依赖大量人工抽检和规则配置，质检覆盖有限、判罚标准难统一、训练数据构建周期长。LAS 多模态算子围绕音频质检判罚、音频模型训练两大场景，助力 AI 游戏业务以更低成本实现更高精度、更高效率、更强泛化的音频理解与治理能力。

针对 AI 游戏的两类子场景，LAS 分别提供了对应的多模态算子：

• 语音转文字(豆包语音ASR)：承接音频质检判罚的语音转写环节。
• 音频格式转换（在线）、音频切分：承接音频模型预训练的数据预处理环节。

音频质检判罚：语音转文字 · 豆包语音 ASR #

基于豆包语音识别大模型，能够将输入音频/视频文件中的语音转写为文本输出。支持多种音/视频格式、多语种、音频降噪及大文件处理，适用于内容质检审核、音视频字幕生成、语音搜索等场景。算子优势包括：全格式接入（支持 raw/wav/mp3/ogg/mp4/mov/mkv/flac 等格式）、长音频无忧（无文件大小限制）、多语种覆盖（支持 99 种语种识别）。

应用流程链路 #

• 上传游戏音频：​将游戏内举报音频、直播语音、连麦录音等素材上传至 LAS 算子广场或通过 API 提交。
• 语音转文字：​算子自动将音频内容转写为结构化文本，支持多语种自动识别、长音频分段处理。
• 文本判罚：​将转写文本输入审核模型或规则引擎，自动完成辱骂、低俗、导流等违规内容的识别与分级判罚。
• 结果处置：​根据判罚结果执行禁言、扣分、封号等处置，形成自动化审核闭环。

音频模型预训练：音频格式转换 + 音频切分 #

音频格式转换算子将音频或视频文件统一转换为指定的音频格式并输出到指定存储路径，主要用于数据处理流水线中的音频格式标准化、视频抽音频、训练数据准备等场景，支持批量并发处理与可配置的音频编码参数。音频切分算子用于从音频或视频文件中提取音频并按照指定规则将音频切分为多个片段，适用于长音频结构化处理、数据切分、训练数据构建等场景。两者联合使用，可将原始音视频素材转化为模型训练所需的标准化音频片段。

应用流程链路 #

• 输入原始音视频：​将游戏内录制的对战语音、NPC 对话、直播音频等原始文件上传至 TOS 存储。
• 音频格式转换：​通过格式转换算子统一转为 MP3/WAV 等目标格式，视频文件自动提取音轨，确保下游处理流程格式一致。
• 音频切分：​按指定时长或 VAD 规则将长音频切分为有效对话片段，过滤静音和无效噪声段。
• 输出训练样本：​切分后的音频片段作为高质量训练数据，输送给 AI NPC 对话模型、语音识别模型或情绪识别模型进行训练。