文档中心

实时音视频

配置 ASR/LLM/TTS 服务

配置语音识别 ASR

语音识别服务（ASR）用于将用户的语音实时转换为文本。

注意

若通过 S2SConfig 参数启用了端到端语音模型，本文档描述的 ASRConfig 配置将无效，语音识别将由端到端模型内部处理。关于端到端模型的配置，请参见接入端到端实时语音大模型。

豆包流式语音识别模型（推荐）

流式语音识别 2.0（透传&直传）

完整参数参见接口文档 StartVoiceChat（2025-06-01）。

公共模型资源

自行开通的模型

定义

以下场景下使用的是公共语音识别大模型资源：

使用的接口为 StartVoiceChat（2025-06-01），且未在 ASRConfig.ProviderParams 中传入Credential.AppId和 Credential.AccessToken，或未传入 AppId 和 AccessToken 参数。

配置示例

参数透传：此方式支持通过 JSON 字符串传入豆包语音 ASR 服务的全部配置参数，相较于直传配置更灵活、功能更全面。

VolcanoASRParameters 字段的使用方式，参见 VolcanoASRParameters 说明。

{
"ASRConfig": {
"Provider": "volcano", // 必填：固定值
"ProviderParams": {
"Mode": "bigmodel", // 必填：固定值
"Credential": {
"ApiResourceId": "volc.seedasr.sauc.duration" // 必填：固定值
},
"StreamMode": 2, // 必填：仅支持取值 1 或 2，推荐 2
"VolcanoASRParameters": "{}" // 必填：具体使用方式，查看字段说明
}
}
}

参数直传：此方式封装了豆包语音 ASR 服务的部分配置参数，接入简单，但无法使用服务的全部功能。

{
"ASRConfig": {
"Provider": "volcano", // 必填：固定值
"ProviderParams": {
"Mode": "bigmodel",
"ApiResourceId": "volc.seedasr.sauc.duration", // 必填：选择 2.0版本，例如小时版本
"StreamMode": 2 // 必填：仅支持取值 1 或 2，推荐 2

}
}
}

定义

以下任一场景使用的都是自行开通的语音识别大模型：

使用的接口为 StartVoiceChat（2025-06-01），且在 ASRConfig.ProviderParams 中传入Credential.AppId和 Credential.AccessToken，或传入了 AppId 和 AccessToken 参数。

使用旧版接口 StartVoiceChat（2024-12-01）。旧版接口建议升级至 StartVoiceChat（2025-06-01）。如何升级，参见迁移至新接口。

配置示例

参数透传：此方式支持通过 JSON 字符串传入豆包语音 ASR 服务的全部配置参数，相较于直传配置更灵活、功能更全面。

VolcanoASRParameters 字段说明，可参见 VolcanoASRParameters 说明。

{
"ASRConfig": {
"Provider": "volcano", // 必填：固定值
"ProviderParams": {
"Mode": "bigmodel", // 必填：固定值
"Credential": {
"AppId": "93****21", // 必填：豆包语音控制台获取的 AppID
"AccessToken": "MOaOaa_VQ6...", // 必填：对应的 AccessToken
"ApiResourceId": "volc.seedasr.sauc.duration" // 必填：选择 2.0版本，例如小时版本
},
"StreamMode": 2, // 必填：仅支持取值 1 或 2，推荐 2
"VolcanoASRParameters": "{}" // 必填：具体使用方式，查看字段说明
}
}
}

参数直传：此方式封装了豆包语音 ASR 服务的部分配置参数，接入简单，但无法使用服务的全部功能。

{
"ASRConfig": {
"Provider": "volcano", // 必填：固定值
"ProviderParams": {
"Mode": "bigmodel", // 必填：固定值，表示大模型
"AppId": "93****21", // 必填：豆包语音控制台获取的 AppID
"AccessToken": "MOaOaa...", // 必填：对应的 AccessToken
"ApiResourceId": "volc.seedasr.sauc.duration", // 必填：选择 2.0版本，例如小时版本
"StreamMode": 2 // 必填：仅支持取值 1 或 2，推荐 2

}
}
}

流式语音识别 1.0（透传&直传）

完整参数参见接口文档 StartVoiceChat（2025-06-01）。

公共模型资源

自行开通的模型

定义

以下场景下使用的是公共语音识别大模型资源：

使用的接口为 StartVoiceChat（2025-06-01），且未在 ASRConfig.ProviderParams 中传入Credential.AppId和 Credential.AccessToken，或未传入 AppId 和 AccessToken 参数。

配置示例

参数透传：此方式支持通过 JSON 字符串传入豆包语音 ASR 服务的全部配置参数，相较于直传配置更灵活、功能更全面。

VolcanoASRParameters 字段的使用方式，参见 VolcanoASRParameters 说明。

{
"ASRConfig": {
"Provider": "volcano", // 必填：固定值
"ProviderParams": {
"Mode": "bigmodel", // 必填：固定值
"VolcanoASRParameters": "{}" // 必填：具体使用方式，查看字段说明
}
}
}

参数直传：此方式封装了豆包语音 ASR 服务的部分配置参数，接入简单，但无法使用服务的全部功能。

{
"ASRConfig": {
"Provider": "volcano", // 必填：固定值
"ProviderParams": {
"Mode": "bigmodel" // 必填：固定值，表示大模型
}
}
}

VolcanoASRParameters 说明

VolcanoASRParameters 是一个 JSON 字符串，用于透传豆包流式语音识别模型 ASR 服务的原生 API 参数。

如何配置：

基础用法：若您不需要进行任何自定义配置，接受平台所有默认行为，可将该字段值设为空的 JSON 对象，即 VolcanoASRParameters: "{}"。

高级用法：若您需要判停、热词等功能，则需要通过此参数传入对应的参数配置。

根据需求，参考文档大模型流式语音识别API 选取您需要的参数构建一个 JSON 对象，然后将其转为 JSON 字符串。

注意

请详细阅读文档大模型流式语音识别API ，确保您已充分了解所需透传参数的具体行为和潜在影响。

将该 JSON 对象压缩并转义为字符串后，作为 VolcanoASRParameters 的值传入。例如，要将静音判停阈值设为 500 毫秒，则为 "{\"request\":{\"end_window_size\":500}}"。

可透传的参数：

支持的参数：大模型流式语音识别API 中的请求参数（即发送 full client request 表格下的参数）。下方无需透传的参数除外。

不可透传的参数：

以下参数由平台统一管理，您的字符串中不可包含这些字段：

user

request.show_speech_rate

request.show_volume

request.enable_lid

request.enable_emotion_detection

request.enable_gender_detection

request.show_utterances

request.result_type

request.model_name

request.force_to_speech_time

audio.format

audio.codec

audio.rate

audio.bits

进阶配置

提升语音识别准确性

在使用豆包语音的语音识别服务时，可通过调整音量增益、添加热词、替换词等方式提升识别准确率。详细说明参见如何提升语音识别准确性？。

注意

如果使用的是公共豆包语音 ASR 资源，则不支持热词和替换词表。若您的业务依赖这两项能力，建议继续使用自行开通的豆包语音 ASR 模型。

打断配置优化

在使用豆包语音的语音识别服务时：

若需通过关键词触发打断（如“停止”）：建议将 InterruptSpeechDuration 设为 0，避免自动阈值覆盖关键词触发逻辑。

若背景噪音较多：可通过调整音量增益、开启 AI 降噪或声纹降噪，在嘈杂环境下提升语音交互体验。具体配置，请参见语音降噪。

长难句断句优化

如果用户输入的音频过长，可能会出现识别结果未完整返回便被截断，可通过以下方式优化：

开启 AI 智能断句：将 VADConfig.AIVAD 设置为 true、适当延长 SilenceTime（例如 1000ms 以上），并将 LLMConfig.Prefill 设置为 true，让系统更智能地判断长句中的自然停顿。

手动触发断句：参考判停与对话触发，手动控制 AI 输出的时机。

自定义 ASR

将自定义语音识别服务接入边缘大模型网关后，即可在对话式 AI 方案中使用该服务进行语音识别。具体接入方式，参见接入自定义 ASR。

最近更新时间：2026.09.28 17:31:00

这个页面对您有帮助吗？

有用

无用