通义听悟

通义听悟是什么？

通义听悟是阿里云推出的音视频转写与内容理解服务，依托千问大模型和语音、视频AI能力，把会议、访谈、课程、培训、路演和录播内容转换为可搜索文字，并生成摘要、章节、发言总结、待办、关键词和问答结果。

产品分为面向个人的通义听悟应用和面向企业的阿里云听悟API。个人用户可通过网页、钉钉小程序和浏览器插件使用；

企业可把实时转写、文件分析与翻译接入OA、IM、CRM、教育、媒资库和客服系统。

核心功能

1. 实时录音转文字

实时记录接收麦克风或音频流，在会议进行过程中返回识别文字，并可同步生成后续AI分析。官方性能文档给出的尾点延迟约300毫秒，实际会受网络、音频质量、语种和模型影响。

实时接口最多支持三路音频输入，可用于区分不同声道。说话人分离只能识别“不同发音人”，不能自动知道谁是客户、领导或具体姓名，会后需要人工重命名。

2. 音视频文件转写

上传或提交已经录制的音频、视频后，系统离线生成逐字稿与时间戳。音频支持MP3、WAV、M4A、WMA、AAC、OGG、AMR、FLAC和AIFF；

视频支持MP4、WMV、M4V、FLV、RMVB、DAT、MOV、MKV、WEBM、AVI、MPEG、3GP和OGG。

单个文件不超过6GB且时长不超过6小时。API通过公网可访问的文件地址读取素材，不直接接收本地路径；

带有效期的签名地址建议至少保持3小时有效，以免任务排队时失效。

3. 多语种识别

文件与实时服务支持中文、英文、粤语、日语、韩语，以及中文、英文、日语、韩语、粤语、德语、法语和俄语自由说等模式。具体组合取决于采样率、实时或离线接口。

多人重叠讲话、方言、远场回声、噪声、专业名词和录音过载都会降低准确率。重要会议应使用独立麦克风、清晰声道和术语表，并在发布纪要前校对原音。

4. 实时与离线翻译

通义听悟可在中、英、日、韩、德、法、俄语之间进行实时双向翻译，也支持音视频文件离线翻译。中英自由说可翻译为中文、英文或同时输出中英文。

翻译费用与转写叠加，目标语言输出两份时也会按两份计费。人名、术语、数字和法律表述必须由母语者或专业人员审核。

5. 章节速览与全文摘要

系统根据话题变化把长录音划分章节，为每个章节生成主题和定位，并形成全文摘要。用户可点击时间点返回原音核查，适合快速浏览长会议与课程。

摘要是模型对转写文本的压缩，识别错误会传递到总结中。不能只读摘要就做财务、法律、人事或客户承诺决策。

6. 发言总结、待办与关键词

发言总结按说话人归纳观点，待办事项提取负责人、任务和时间，关键词与重点内容帮助检索。口语书面化可以去掉重复与语气词，形成更易读的纪要。

模型可能把讨论建议误判为已确认任务，也可能漏掉否定词。待办必须由会议参与者确认，并同步到正式项目管理系统。

7. 问答回顾与自定义Prompt

用户可以针对已转写内容提问，让系统定位相关段落并给出答案。企业API还支持自定义Prompt，从对话中提取特定字段或生成自定义总结。

一次提交多个Prompt会分别计费。提示词应规定输出结构、缺失值和引用时间点，并限制模型只能依据音视频内容回答，减少无依据补充。

8. 思维导图

通义听悟可把音视频主题与层级关系整理为思维导图，适合课程复习、会议结构和访谈梳理。导图是自动概括结果，复杂论证仍应结合逐字稿阅读。

9. 视频PPT提取与摘要

对于包含演示文稿的视频，系统可以抽取PPT画面并生成讲解总结。支持全PPT或讲课模式，每小时视频通常约2至5分钟处理，最多提取200张PPT。

该功能要求PPT处于视频主要区域，人物不能长期在投影画面前走动或遮挡。小字、动画和频繁切换可能影响抽取质量。

10. 服务质检与对话内容提取

企业API提供服务质检和对话内容提取，用于销售、客服、访谈和呼叫中心分析。企业应预先取得录音和自动分析授权，并对员工与客户进行明确告知。

个人版使用方式

个人用户使用手机号登录通义听悟应用，可通过麦克风记录、上传音视频、导入阿里云盘文件，并查看转写、摘要和其他AI结果。钉钉小程序和浏览器插件适合会议与网页场景。

个人应用的免费额度和会员规则可能与阿里云开发套件不同。目录中的API试用与计费不能直接等同为消费端会员价格，实际以个人应用购买页为准。

API接入

企业需在阿里云控制台开通听悟、创建项目并获得Appkey，配置RAM权限、OSS结果存储和回调方式。离线任务支持轮询或HTTP、RocketMQ回调；

创建任务默认用户级QPS为20，查询任务状态与结果QPS为100。

离线转写通常在3小时内完成，大规模短时间提交超过500小时录音除外。企业应处理签名地址过期、格式错误、限流、回调重试和结果持久化。

免费试用

新开通API服务的用户可免费试用90天。试用期内，实时记录每天48小时额度、并发2路；

音视频文件记录每天2小时、并发1路；麦克风测试不受时长限制。

当日额度用完后需等待24小时刷新。

免费试用结束或升级商用版后进入后付费按时长计费。应设置预算、余额和用量告警，避免持续音频流或错误重试产生意外账单。

价格与版本对比

新版API价格

截至2026年8月，官方新版接口标准价格为：实时会议转写0.6元/小时，音视频文件转写0.6元/小时，均包含说话人分离，文件转写还包含自动语种识别。

章节速览、全文摘要、发言总结、问答回顾、思维导图、待办、关键词、重点内容、口语书面化和每个自定义Prompt，均按每项0.064元/小时独立计费。启用两项就是0.128元/小时，多个Prompt继续叠加。

服务质检或对话内容提取为0.13元/小时；视频PPT提取加摘要为0.64元/小时；

实时翻译4元/小时；离线翻译0.5元/小时。

转写、翻译和大模型功能会叠加。

例如一小时单路实时转写加一种目标语言实时翻译为0.6加4元，即4.6元；中英自由说同时翻译为中文和英文则为0.6加4乘2，即8.6元。

多路输入按实际有转写结果的音频时长计费，无声或纯噪音流在特定情况下也会产生费用。

旧版接口价格

旧版接口价格明显更高，官方建议迁移新版。旧版实时记录标准价10.5元/小时、文件记录9.5元/小时、实时翻译8元/小时，并按每日用量阶梯下降；

离线翻译旧版按阶梯约0.5至0.9元/小时。

新项目应优先确认调用的是新版接口。

数据与隐私

会议、面试、课程和客户通话可能包含个人信息与商业秘密。企业必须获得录音、转写和AI分析所需授权，限制OSS、RAM、回调和结果文件访问，并设置保存与删除周期。

服务协议说明在国家机关依法查询或调阅数据时，阿里云需依法配合。高敏感行业应结合阿里云安全文档、合同、地域和自身合规要求评估。

支持平台

• Web个人应用；
• 钉钉小程序；
• 浏览器插件；
• 阿里云盘音视频导入；
• 阿里云控制台与HTTP API；
• 通过SDK或接口接入企业系统。

开源状态

通义听悟产品与云端转写服务不是开源项目。阿里云可能提供SDK、示例代码或相关千问开源模型，但这不代表听悟的语音识别、转写和内容理解平台可以自行完整部署。

通义听悟使用教程

完成一次基础任务

1. 确认录音、声音、音乐及参与者授权；
2. 把清晰音频上传或录入通义听悟；
3. 选择语言、说话人和实时录音转文字等处理设置；
4. 使用音视频文件转写生成转录、配音或清理结果；
5. 逐段检查姓名、数字、停顿、音量和情绪；
6. 导出前确认格式、响度、版权和隐私要求；

建立可复用的专业工作流

1. 用真实噪声、口音和多人片段建立测试集；
2. 比较实时录音转文字、音视频文件转写和多语种识别的处理差异；
3. 保留原始录音和未经修改的转录；
4. 对外发布前安排人工听审；
5. 统计处理时长、错误率和额度消耗；
6. 定期更新术语表、声音授权和删除策略；

适合哪些用户？

• 整理会议、访谈、面试和客户拜访的个人；
• 为课程生成字幕、章节和复习摘要的师生；
• 处理录播、播客、路演和媒体素材的团队；
• 需要实时多语会议翻译的组织；
• 把转写与质检集成到OA、CRM和客服系统的企业；
• 需要批量分析媒资库音视频的开发者。

产品优势

• 转写、翻译、总结、问答和PPT提取一体化；
• 支持实时流和离线文件两种模式；
• 多语种与中英日韩粤德法俄自由说能力丰富；
• 个人应用与企业API均有入口；
• 新版接口价格透明，并可按功能组合。

限制与注意事项

• 识别准确率取决于音质、口音、噪声和多人重叠讲话；
• 任何重要逐字稿都要回听校对；
• 大模型能力按项目叠加计费，自定义多个Prompt也会多次收费；
• 实时翻译成本明显高于转写，应预估路数、语言和时长；
• 会议转写涉及参与者隐私和商业秘密，必须先告知并取得授权，不能秘密录音或无限期保存；

常见问题

通义听悟免费吗？

个人应用提供免费使用入口；API新用户可试用90天，实时记录每天48小时、文件每天2小时，结束后按量计费。

单个文件最大多大？

离线音视频文件最大6GB、最长6小时，支持多种常见音频和视频格式。

能识别不同说话人吗？

可以分离不同发音人，但不能自动识别真实身份，需要会后修改姓名。

通义听悟API多少钱？

新版转写0.6元/小时，单项大模型分析0.064元/小时，PPT提取摘要0.64元/小时，实时翻译4元/小时，离线翻译0.5元/小时。

通义听悟支持API吗？

支持，企业可接入实时记录、文件转写、翻译、摘要、质检和PPT提取，并通过回调或轮询获取结果。

通义听悟开源吗？

不开源。它是阿里云商业应用与API服务，公开SDK或千问开源模型不等于听悟平台开源。