在线识别：使用云端引擎，更强的算力，识别率和鲁棒性更高，缺点是必须依赖于网络，时延较高。

离线识别：使用本地引擎，算力和模型大小有限，通常都基于具体的业务场景定制，语料覆盖和泛化能力都是受限的，鲁棒性肯定更差。优点是不依赖于网络，通常响应速度很快。

基于具体业务应用，推荐使用在线和离线混合识别，两路并行识别，基于结果置信度和响应时延综合仲裁使用哪一路结果，达到最优交互效果。

语音识别系统在本质上来看就是一种模式识别系统，包含了特征争取模式匹配参考模式库等三个基本的单元。未知的语音在通过话筒变换成为电信号之后，会添加在识别系统的输入端，首先会经过预处理，然后再根据人的声音特点建立语音模型，对于输入的语音信号进行相应的分析，并且抽取需要的特点，在这个基础之上建立出语音识别所需要的模板。计算机在识别的过程当中，需要根据语音识别的模型将，这当中存放的语音模板和输入的语音信号的相应特点进行比较，然后再根据一定的搜索和匹配策略，找出一系列最优的和输入语音匹配的模板之后，再根据模板的定义，通过查表就可以给出计算机的识别结果。由此可见，这种最优的结果与特征的选择、语音模型的好坏、模板的准确度都有着直接的关系。

不是，只有录音文件识别需要使用OBS服务，语音交互服务对用户存储在OBS的数据，具有只读权限，没有修改和删除的权限。所以用户是否删除上传至OBS服务的数据，需要用户根据自己的obs桶的使用情况或者容量大小确认，并在OBS服务上执行。

问题现象：调用语音识别接口，识别结果同真实结果差别很大，或者服务端报音频格式错误。

解决方案：

检查音频采样率是否符合。

对于裸音频，可采用toolsoft Audio player等工具进行试听，通过设置不同的采样率，播放正常的即为音频正常采样率。

如果检查参数“property”是否与采样率一致，如“chinese_8k_common”， 8k即采样率。

音频转写时长受音频时长和排队任务数量影响。如果转写耗时比理论时延长，大概率表示当前时间段出现转写高峰，请耐心等待，我们承诺最大转写时长不超过6小时。

流程在进行语音识别交互时，对话流程提供了默认的错误次数控制，具体处理机制为：

1、IVR识别超时，则记录一次timeout。

2、IVR识别错误以及意图模板拒识则记录一次 nomatch。

3、OIAP会进行次数累加，超时和拒识是重叠计数的，累计达到三次，则默认会记录成error3的条件。

以上固定的规则，只能满足同一识别场景，超时与拒识一起计数，且到三次即停止。

但是当需求要求超时次数与拒识分开计数时、或者多次识别共同计数、或者其他的错误场景也累计到此错误、甚至错误次数不止三次等等，上述规则则不能满足了。

当默认的规则不满足需求要求时，可以使用业务计数规则：

使用业务接口调用图元，自定义计数变量，可使用GLOBAL级别或者FLOW级别，分别可以用于不同计数场景；当识别超时，或者拒识可设置不同的分支，分别连接到次数累加图元：

根据错误次数变量来决定走什么样的分支，比如播放错误提示，或者直接返回重新播放提示音等等。

1、口音混杂，例如英式和美式混杂。

2、语音质量差，例如网络丢包抖动造成接收到的语音质量低。

一般由于格式不匹配造成的。请按照以下情况进行排查。

1. 请确保音频格式和请求格式参数保持一致，音频采样率和选择“property”参数中采样率保持一致。

2. 请确保音频位宽为16bit，目前仅支持16bit位宽的音频，如果低于该位宽的音频，则无法正常识别。