豆包流式 ASR · 说话人分离测试台

豆包 SAUC 说话人分离 火山引擎 · 流式大模型 ASR + speaker_id

代理检测中火山鉴权未加载麦克风未授权 SAUC 通道空闲

← 百炼测试台

点击开始 00:00.0

当前配置

空格 开始 / 结束录音 · 参数改动下一轮生效

测试参数 改动只写进首包 payload：开始录音后本轮不再变化，下一轮生效

链路与分离开关 分离靠 speaker_info + show_utterances

识别链路 bigmodel_async＝实时低延迟＋可开二遍；bigmodel_nostream＝一句话识别（准确率优先）

资源 ID（X-Api-Resource-Id）需与控制台已开通的服务一致：2.0 用 seedasr，1.0 用 bigasr 报 403「requested resource not granted」时点一下，直接看哪个资源 ID 已授权

说话人分离speaker_info＋utterances 二遍识别句末重识 · 延迟 +40~80ms 碎片归并仅显示层：把 1~2 句的 speaker 并回相邻主说话人

结果返回方式

全量：每包带全部已识别分句，页面直接覆盖快照（推荐，能看清二遍替换）

VAD 判停静音 800 ms 连续静音达到该时长即判定一句话说完（官方范围 300~5000，推荐 800~1000）

语义切句上限 0 ms 0＝不下发。官方说开了 end_window_size 后该参数不生效，所以默认只靠 VAD 判停

上行分包 200 ms 官方建议 100~200ms 一包；间隔过大上游会报等包超时 45000081

输入设备默认跟随系统。若提示「采样全零」，先换设备或关掉下面三个音频处理再试

回声消除 AEC外放放录音给别人听时开 噪声抑制 NS部分阵列麦会致静音 自动增益 AGC声音小可开

实时峰值 / 会话峰值 0.000 / 0.000

高级参数（后处理 / 语种 / 热词上下文 / 上行压缩）

语种 language 说话人分离建议留空或 zh-CN

繁体输出 output_zh_variant

数字/日期规整 ITN默认开 标点 PUNC默认开 语义顺滑 DDC删停顿词/语气词 情绪/性别/年龄写入 additions 语速/音量会自动启用 VAD 分句 上行 gzip验证压缩链路

corpus.context（热词＋上下文，序列化前的 JSON）页面会把它整体转成字符串塞进 corpus.context；热词＋上下文合计约 100 tokens 内生效

热词表 boosting_table_id

替换词表 correct_table_id

起始强制有声 force_to_speech_time 0 ms 开头弱音/静音容易被过早判停时，试 1000

ssd_version（留空＝回退小模型 SSD）官方要求：开 enable_speaker_info 必须同时配 ssd_version="200"，否则走的是原说话人分离小模型（文档标注「不推荐」，长音频容易把 2 人聚成多人）。流式只支持 200；300 与 ssd_mode（聚类阈值 5）仅 AUC 离线可用

首包 payload 预览（改上面参数即刷新，可直接编辑后用「以手改内容启动」）启动时使用上面这段手改内容

录音时长0.0s

定稿句数0

说话人数0

首字延迟—

尾包延迟—

上行包数0

服务端音频0s

响应帧数0

本轮成本—

累计成本—

实时流式上屏

逐包覆盖：中间结果灰色、definite 定稿后转实线；二遍识别会替换已上屏文字

—

开始录音后，SAUC 的分句结果会逐包出现在这里

说话人分离视图

按 speaker_id 分气泡；编号仅在同一次连接内保证一致，最多 10 个说话人

分离开

多人轮流说话（或外放两段不同人声）后，这里会按说话人展示

非实时离线对照

停止录音后，自动把整段录音上传对象存储、送去「大模型录音文件识别·标准版」离线识别（submit 提交 + query 轮询）；离线做全文件聚类，通常比流式一路更稳

离线待命

跑完一轮后，这里对比实时与离线的说话人数

停止录音后，离线 AUC 的整段说话人分离结果会出现在这里

录音存档 · 回放对照

停止即把整段录音存到后端 recordings/日期/，index.json 记录已分析结果；测试阶段可切回旧录音回放、看结果、重跑离线

自动存档开=停止即存

回放

未选择录音

—

原始响应帧（最近 8 包，排障用）

尚无响应…

事件日志

只看错误

等待开始…