语音转文字

模型说明

Echo 是我们的首款语音转文字（ASR）模型，也是目前全球最精准的转写模型。它专为应对真实世界音频的各种不可预测性而打造，能够转写 100 种语言，并具备单词级时间戳、说话人分离以及音频事件标注等功能——所有结果都以结构化的响应形式输出，方便无缝集成。我们已邀请 Soniox 对 Echo 模型在真实世界音频样本上进行多方位评测，结果表明在 60 个主要语言的跨环境测试中，Echo 在 WER 表现方面处于行业领先位置。

2026年05月21日升级说明

Realtime ASR 现已支持在 WebSocket 识别会话中传入 previous_text，用于为当前音频片段提供文本上下文，帮助模型更准确理解短句、承接语义、业务词和多轮对话中的省略表达。

该能力适用于通过 VAD 切分音频、逐段送入识别的场景。客户端可在当前识别会话的第一帧音频中传入上一轮最相关的上下文，例如上一轮 AI 话术，或“上一轮 AI 话术 + 上一轮用户最终文本”。

2026年03月18日升级说明
针对echo_v1模型新增四个新参数，可以进一步提高WER准确率

hotwords: 用于提供一组关键词或短句，让语音识别模型在转录时更倾向于识别这些词语。这些关键词是你希望模型更准确识别的单词或短语；

content_detection：用于在转录文本中检测实体，比如个人身份信息，受保护的健康信息，支付卡信息，冒犯性语言 / 不当用语等；

clean_transcript：如果设置为 true，转录结果将不会包含非人类自然语言发音；

Phare_list：用于提供一组关键词，让语音识别模型在转录时更倾向于识别这些词语。"hotwords"的简化版本，不影响返回速度

2026年01月20日升级说明

在复杂语音、长音频和多说话人场景下显著降低错误率，整体转写结果比之前版本更准确、更稳定；

通过增强的上下文理解与关键术语识别能力，升级后的模型能更准确地识别品牌名、专有名词和行业术语；

支持更精确的词级时间戳和内置实体识别，使转写结果更适合后续分析、检索和合规处理；

可在单段音频中自动识别并转写多种语言，无需人工指定语言；

2025年11月18日升级说明

极速识别：8秒音频仅需 50ms 即可完成识别

精准实时：完美适配实时语音对话与会议场景

🎙 实时语音识别测试页面

不写代码的快速体验（适合运营 / 产品）
您可以通过浏览器麦克风实时体验 ASR 识别效果，直观查看识别准确率与延迟表现。
👉 前往测试页面

💻 Realtime ASR SDK（Python & Golang）

果你希望在自己的服务中集成 Realtime ASR，可以直接使用官方 SDK
该 SDK 可帮助开发者快速集成 MyVocal 的 ASR 实时识别能力，支持 WebSocket 连接、音频流上传与文本返回。
👉 前往 GitHub 下载 SDK

模型说明#

🎙 实时语音识别测试页面#

💻 Realtime ASR SDK（Python & Golang）#

模型说明

🎙 实时语音识别测试页面

💻 Realtime ASR SDK（Python & Golang）