实时音视频功能介绍

方案概述
基于腾讯RTC全球传输网络，AI 实时转录解决方案提供实时语音转文本和翻译能力。通过语音识别引擎（ASR）可对指定房间的音频流进行实时识别并将语音转换为文本内容（STT），快速构建直播实时字幕、会议内容实时记录、视频通话与语聊内容转写等多种场景下的语音识别应用。语音识别转文本后支持开启多语言翻译能力，实现跨语言内容实时翻译转写。
基本架构
AI 实时转录解决方案核心功能为实时语音转文字能力。翻译功能为可选项，未开启时不会产生翻译用量费用。
实时语音转文本： 如下方架构图所示，音频流经过 TRTC 全球网络节点传输到服务端进行音频处理后，由语音识别引擎（ASR）将语音转写为文本。系统支持多语种、热词权重配置、VAD 检测以及实时流式识别。对于需生成字幕或实时内容记录的场景，在此流程即可直接输出最终转写结果回调。
实时翻译链路 （可选择开启）： 针对跨语言理解的场景，可在语音转写的基础上开启翻译功能。系统会将转写后的文本通过 LLM 翻译引擎进行翻译处理，并同时输出原文转写内容以及多语种翻译结果。
﻿
版本与能力支持
AI 实时转录服务包含语音转文本和实时翻译两大核心能力。其中，语音转文本能力分为基础、标准和高级三个版本引擎 ，可参考下文表格并根据使用场景需求选择适合的版本接入。
 接入流程：具体的接入方式与流程参考 快速接入。
 参数说明：下文表格中列出的“模型参数值”对应转录 API 接口 RecognizeConfig 中的 Language 字段，完整的参数定义说明请参阅 转录 API 说明。
 
版本类型
特性说明
语种与模型型号
语音转文本
基础版语言引擎
基础通用语音识别模型。在近场、非复杂噪声的声学环境下具备良好的响应速度与识别准确率。
通用场景：
"zh": 默认的8k中文（简体）模型，对电话场景支持较好。
"zh-TW": 16k繁体中文模型。
"en": 16k英语通用模型。
﻿
﻿
﻿
垂类场景：
"16k_zh_edu"：中文教育。
"16k_zh_medical"：中文医疗。
"16k_zh_court"：中文法庭。
﻿
标准版语言引擎
基于大模型引擎，语音识别性能大幅增强，在噪声回音大、人声远小等复杂音频环境的识别准确率显著提升。
常见应用场景如会议、直播、语聊、游戏等实时字幕以及实时转写记录等。高度契合 RTC 实时互动相关场景。
"8k_zh_large": 大模型引擎，针对电话音频的识别支持较好。
"16k_zh_large": 大模型引擎， 同时支持中文、英文、多种中文方言等语言的识别。
"16k_multi_lang": 多语种大模型引擎，当前模型同时支持英语、日语、韩语、阿拉伯语、菲律宾语、法语、印地语、印尼语、马来语、葡萄牙语、西班牙语、泰语、土耳其语、越南语、德语的识别，可实现15个语种的自动识别(句子/段落级别)。
"16k_zh_en": 最新大模型引擎， 模型同时支持中文、英语，对多种中文方言和中英混合场景识别更优。
﻿
高级版语言引擎
覆盖更多小语种、方言的精准识别需求，并支持配置3种语言自动识别。
越南语、日语、韩语、 印度尼西亚语、泰语、葡萄牙语、土耳其语、 阿拉伯语、西班牙语、印地语、法语、马来语、菲律宾语、德语、意大利语、俄语、瑞典语、丹麦语、挪威语、中国粤语
具体的语种配置参数枚举列表，请参考 转录 API 说明。
如果您有更多其他语言需求，请 联系我们。
实时翻译
实时翻译引擎
基于最新大语言模型技术的深度语义理解能力，系统能够自主适应目标语言表达习惯，实现自然流畅翻译效果。相较于传统翻译，翻译结果的机械感显著降低，在非正式标准的口语对话交流、泛娱互动等复杂场景下的效果提升明显。
支持15种语言翻译：中文、英语、西班牙语、葡萄牙语、法语、德语、俄语、阿拉伯语、日语、韩语、越南语、马来语、印度尼西亚语、意大利语、泰语。
支持术语干预功能，提升模型在复杂应用场景下的效果。
计费方式
AI 实时转录费用主要由两个独立部分组成：RTC 音频通话费用、AI 语音转文本费用；若需要翻译功能则在前两者基础上额外增加实时翻译费用。以上能力都需要通过购买 AI 智能识别 或 TRTC 包月套餐包解锁，超量支持后付费，具体能力解锁所需套餐版本和费用详情请参见 AI 智能识别计费说明。
应用场景
应用场景
使用方式与价值
在线教育
通过 AI 转录对讲师与学员发言实时转写，课上提供实时字幕辅助理解，同步实时沉淀课程笔记与关键发言，可用于实时总结，课后复习、回放、存档。开启翻译功能后，可支持多语课堂或跨国教学场景。
社交娱乐
在社交娱乐场景中，通过AI转录能够对在线直播、游戏语聊、互动问答等场景，对发言内容进行实时转写，为观众提供准确字幕增强理解。同时支持输出多语言翻译内容，让不同地区用户能够更自然地参与互动。
办公协作
在线会议、线上面试、商务沟通、研讨会等场景下，通过 AI 转录生成实时字幕与内容记录，会中提升理解效率，会后可用于内容纪要整理。开启翻译功能后，可同时输出多语言转写，支持跨国团队无障碍协作。
客服中心
在线客服、智能外呼、呼叫中心等场景中，通过实时转写帮助客服准确理解用户内容。通话结束后沉淀完整文本记录，用于质检、合规与服务分析。开启翻译功能后，支持客服快速处理跨语言咨询，提高响应效率。

应用场景	使用方式与价值
在线教育	通过 AI 转录对讲师与学员发言实时转写，课上提供实时字幕辅助理解，同步实时沉淀课程笔记与关键发言，可用于实时总结，课后复习、回放、存档。开启翻译功能后，可支持多语课堂或跨国教学场景。
社交娱乐	在社交娱乐场景中，通过AI转录能够对在线直播、游戏语聊、互动问答等场景，对发言内容进行实时转写，为观众提供准确字幕增强理解。同时支持输出多语言翻译内容，让不同地区用户能够更自然地参与互动。
办公协作	在线会议、线上面试、商务沟通、研讨会等场景下，通过 AI 转录生成实时字幕与内容记录，会中提升理解效率，会后可用于内容纪要整理。开启翻译功能后，可同时输出多语言转写，支持跨国团队无障碍协作。
客服中心	在线客服、智能外呼、呼叫中心等场景中，通过实时转写帮助客服准确理解用户内容。通话结束后沉淀完整文本记录，用于质检、合规与服务分析。开启翻译功能后，支持客服快速处理跨语言咨询，提高响应效率。

	版本类型	特性说明	语种与模型型号
语音转文本	基础版语言引擎	基础通用语音识别模型。在近场、非复杂噪声的声学环境下具备良好的响应速度与识别准确率。	通用场景： "zh": 默认的8k中文（简体）模型，对电话场景支持较好。 "zh-TW": 16k繁体中文模型。 "en": 16k英语通用模型。
	基础版语言引擎	基础通用语音识别模型。在近场、非复杂噪声的声学环境下具备良好的响应速度与识别准确率。			垂类场景： "16k_zh_edu"：中文教育。 "16k_zh_medical"：中文医疗。 "16k_zh_court"：中文法庭。
		标准版语言引擎	基于大模型引擎，语音识别性能大幅增强，在噪声回音大、人声远小等复杂音频环境的识别准确率显著提升。常见应用场景如会议、直播、语聊、游戏等实时字幕以及实时转写记录等。高度契合 RTC 实时互动相关场景。	"8k_zh_large": 大模型引擎，针对电话音频的识别支持较好。 "16k_zh_large": 大模型引擎，同时支持中文、英文、多种中文方言等语言的识别。 "16k_multi_lang": 多语种大模型引擎，当前模型同时支持英语、日语、韩语、阿拉伯语、菲律宾语、法语、印地语、印尼语、马来语、葡萄牙语、西班牙语、泰语、土耳其语、越南语、德语的识别，可实现15个语种的自动识别(句子/段落级别)。 "16k_zh_en": 最新大模型引擎，模型同时支持中文、英语，对多种中文方言和中英混合场景识别更优。
		高级版语言引擎	覆盖更多小语种、方言的精准识别需求，并支持配置3种语言自动识别。	越南语、日语、韩语、印度尼西亚语、泰语、葡萄牙语、土耳其语、阿拉伯语、西班牙语、印地语、法语、马来语、菲律宾语、德语、意大利语、俄语、瑞典语、丹麦语、挪威语、中国粤语具体的语种配置参数枚举列表，请参考转录 API 说明。如果您有更多其他语言需求，请联系我们。
实时翻译	实时翻译引擎	基于最新大语言模型技术的深度语义理解能力，系统能够自主适应目标语言表达习惯，实现自然流畅翻译效果。相较于传统翻译，翻译结果的机械感显著降低，在非正式标准的口语对话交流、泛娱互动等复杂场景下的效果提升明显。	支持15种语言翻译：中文、英语、西班牙语、葡萄牙语、法语、德语、俄语、阿拉伯语、日语、韩语、越南语、马来语、印度尼西亚语、意大利语、泰语。支持术语干预功能，提升模型在复杂应用场景下的效果。

功能介绍

本页目录：

方案概述

基本架构

版本与能力支持

计费方式

应用场景