跳到主要内容

语音模型应用场景

语音模型包括自动语音识别（ASR）和语音合成（TTS）两大类型，为音频内容的理解和生成提供强大能力。

工作流

自动语音识别模型​

自动语音识别模型能够将语音转换为文字，支持多种语言和方言，广泛应用于各种需要语音理解的场景。

模型节点

主要应用场景​

会议实时转录​

在远程协作情景中，实时转写跨语言线上会议内容，生成带时间戳的对话记录，支持关键词检索与重点标记。

典型用例：

  • 远程会议自动记录
  • 多语言会议同步翻译
  • 会议纪要自动生成

视频内容配字幕​

在媒体生产情景中，为短视频/长片纪录片自动生成多语言字幕，同步输出字幕文件（SRT/VTT）。

典型用例：

  • 视频自动字幕生成
  • 多语言字幕制作
  • 媒体内容本地化

语音合成模型​

语音合成模型能够将文字转换为自然流畅的语音，支持多种音色和情感表达。

模型节点

主要应用场景​

多角色有声内容创作​

生成不同性别/年龄的旁白角色音，批量输出带情感变化的配音片段。

典型用例：

  • 有声小说制作
  • 广告配音生成
  • 播客节目制作
  • 角色扮演音频

长文本语音播报​

将小说章节转换为自然流畅的朗读音频，自动插入呼吸停顿/强调重音。

典型用例：

  • 长篇小说朗读
  • 新闻播报生成
  • 学习材料朗读