阿里云语音识别 Dify 插件

作者: jerry 版本: 0.0.2 插件类型: 语音识别工具

描述

阿里云语音识别插件（Aliyun ASR Plugin）是一个基于阿里云 Paraformer 语音识别服务的 Dify 插件，可以将会议录音文件转录为文本脚本。该插件支持多语种识别（中文、英文、日语等）和说话人分离（Speaker Diarization）功能，适用于会议记录、访谈转写等场景。

功能特点

• 支持多种音频格式：mp3、wav、m4a、aac、flac等
• 支持多语种识别：中文（含多种方言）、英文、日语、韩语等
• 支持说话人分离：可识别不同说话人并在转录结果中添加标签
• 支持时间戳：为每个句子提供精确的开始和结束时间
• 高准确率：采用阿里云先进的 Paraformer 语音识别模型

配置说明

1. API Key：阿里云 Dashscope API 密钥，可在阿里云 Dashscope 控制台申请获取

参数说明

• 音频文件URL（必选）：要转录的音频文件的URL，必须是可公开访问的HTTP/HTTPS链接
• 识别模型（可选）：指定使用的ASR模型，默认为"paraformer-v2"
• 启用说话人分离（可选）：是否识别不同说话人，默认为false
• 说话人数量（可选）：预期的说话人数量，仅在启用说话人分离时使用，默认为2

支持的模型

• paraformer-v2：多语种语音识别模型（推荐使用），支持中文、英文、日语等
• paraformer-8k-v2：适用于8kHz电话场景的中文语音识别模型
• paraformer-v1：中英文语音识别模型
• paraformer-8k-v1：适用于8kHz电话场景的中文语音识别模型
• paraformer-mtl-v1：多语言语音识别模型

使用示例

请将此音频文件转录为文本：https://example.com/meeting.mp3

高级使用（带说话人分离）：

请将此会议录音转录为文本，并识别不同的发言者：https://example.com/meeting.mp3，预计有3位发言者

注意事项

• 音频文件必须可通过公网访问（支持HTTP/HTTPS协议）
• 文件大小不超过2GB，时长在12小时以内
• 识别结果包含时间戳、原始文本和格式化后的脚本