实时语音转写 API 文档

2024-03-11 03:54| 来源: 网络整理| 查看: 265

# 实时语音转写 API 文档 # 接口说明

实时语音转写（Real-time ASR）基于深度全序列卷积神经网络框架，通过 WebSocket 协议，建立应用与语言转写核心引擎的长连接，开发者可实现将连续的音频流内容，实时识别返回对应的文字流内容。支持的音频格式：采样率为16K，采样深度为16bit的pcm_s16le音频

# 接口Demo

示例demo请点击这里下载。目前仅提供部分开发语言的demo，其他语言请参照下方接口文档进行开发。也欢迎热心的开发者到讯飞开放平台社区分享你们的demo。

# 接口要求

集成实时语音转写API时，需按照以下要求。

内容说明请求协议 ws[s] (为提高安全性，强烈推荐wss) 请求地址 ws[s]: //rtasr.xfyun.cn/v1/ws?{请求参数}注：服务器IP不固定，为保证您的接口稳定，请勿通过指定IP的方式调用接口，使用域名方式调用接口鉴权签名机制，详见数字签名字符编码 UTF-8 响应格式统一采用JSON格式开发语言任意，只要可以向讯飞云服务发起WebSocket请求的均可音频属性采样率16k、位长16bit、单声道音频格式 pcm 数据发送建议音频流每40ms发送1280字节语言种类中文普通话、中英混合识别、英文，小语种以及中文方言可以到控制台-实时语音转写-方言/语种处添加试用或购买 # 接口调用流程

注：若需配置IP白名单，请前往控制台。IP白名单规则请参照 IP白名单。

实时语音转写接口调用包括两个阶段：握手阶段和实时通信阶段。

# 握手阶段

接口地址

ws://rtasr.xfyun.cn/v1/ws?{请求参数} 或 wss://rtasr.xfyun.cn/v1/ws?{请求参数}

参数格式

key1=value1&key2=value2…（key和value都需要进行urlencode）

参数说明

参数类型必须说明示例 appid string 是讯飞开放平台应用ID 595f23df ts string 是当前时间戳，从1970年1月1日0点0分0秒开始到现在的秒数 1512041814 signa string 是加密数字签名（基于HMACSHA1算法） IrrzsJeOFk1NGfJHW6SkHUoN9CU= lang string 否实时语音转写语种，不传默认为中文语种类型：中文、中英混合识别：cn；英文：en；小语种及方言可到控制台-实时语音转写-方言/语种处添加，添加后会显示该方言/语种参数值。传参示例如："lang=en"若未授权无法使用会报错10110 transType string 否 normal表示普通翻译，默认值normal；例如：transType="normal"注意：需控制台开通翻译功能 transStrategy int 否策略1，转写的vad结果直接送去翻译；策略2，返回中间过程中的结果；策略3，按照结束性标点拆分转写结果请求翻译；建议使用策略2 例如：transStrategy=2注意：需控制台开通翻译功能 targetLang String 否目标翻译语种：控制把源语言转换成什么类型的语言；请注意类似英文转成法语必须以中文为过渡语言，即英-中-法，暂不支持不含中文语种之间的直接转换；中文：cn英文：en日语：ja韩语：ko俄语：ru法语：fr西班牙语：es越南语：vi广东话：cn_cantonese 例如：targetLang="en" 如果使用中文实时翻译为英文传参示例如下："&lang=cn&transType=normal&transStrategy=2&targetLang=en"注意：需控制台开通翻译功能 punc string 否标点过滤控制，默认返回标点，punc=0会过滤结果中的标点 0 pd string 否垂直领域个性化参数:法院: court教育: edu金融: finance医疗: medical科技: tech运营商: isp政府: gov电商: ecom军事: mil企业: com生活: life汽车: car 设置示例：pd="edu"参数pd为非必须设置，不设置参数默认为通用 vadMdn int 否远近场切换，不传此参数或传1代表远场，传2代表近场设置示例：vadMdn=2 roleType int 否是否开角色分离，默认不开启，传2开启(效果持续优化中) 设置示例：roleType=2 engLangType int 否语言识别模式，默认为模式1中英文模式： 1：自动中英文模式2：中文模式，可能包含少量英文4：纯中文模式，不包含英文设置示例：engLangType=4 # signa生成

1.获取baseString，baseString由appid和当前时间戳ts拼接而成，假如appid为595f23df，ts为1512041814，则baseString为

595f23df1512041814

2.对baseString进行MD5，假如baseString为上一步生成的595f23df1512041814，MD5之后则为

0829d4012497c14a30e7e72aeebe565e

3.以apiKey为key对MD5之后的baseString进行HmacSHA1加密，然后再对加密后的字符串进行base64编码。假如apiKey为d9f4aa7ea6d94faca62cd88a28fd5234，MD5之后的baseString为上一步生成的0829d4012497c14a30e7e72aeebe565e，则加密之后再进行base64编码得到的signa为

IrrzsJeOFk1NGfJHW6SkHUoN9CU=

备注：

apiKey：接口密钥，在应用中添加实时语音转写服务时自动生成，调用方注意保管； signa的生成公式：HmacSHA1(MD5(appid + ts), api_key)，具体的生成方法详见【调用示例】； # 请求示例 ws://rtasr.xfyun.cn/v1/ws?appid=595f23df&ts=1512041814&signa=IrrzsJeOFk1NGfJHW6SkHUoN9CU=&pd=edu # 返回值

结果格式为json，字段说明如下：

参数类型说明 action string 结果标识，started:握手，result:结果，error:异常 code string 结果码(具体见错误码) data string 结果数据 desc string 描述 sid string 会话ID

其中sid字段主要用于DEBUG追查问题，如果出现问题，可以提供sid帮助确认问题。

成功

{ "action":"started", "code":"0", "data":"", "desc":"success", "sid":"rta0000000a@ch312c0e3f63609f0900" }

失败

{ "action":"error", "code":"10110", "data":"", "desc":"invalid authorization|illegal signa", "sid":"rta0000000b@ch312c0e3f65f09f0900" } # 实时通信阶段

握手成功后，进入实时通信阶段，此时客户端的主动操作有两种：上传数据和上传结束标识，被动操作有两种：接收转写结果和错误

# 上传数据

在实时转写过程中，客户端不断构造binary message发送到服务端，内容是音频的二进制数据。此操作的频率影响到文字结果展现的实时性。

注意：

1.建议音频流每40ms发送1280字节，发送过快可能导致引擎出错； 2.音频发送间隔超时时间为15秒，超时服务端报错并主动断开连接。

# 上传结束标志

音频数据上传完成后，客户端需发送一个特殊的binary message到服务端作为结束标识，内容是：

{"end": true} # 接收转写结果

交互过程中，服务端不断返回 text message （转写结果）到客户端。当所有结果发送完毕后，服务端断开连接，交互结束。

结果示例：

{ "action":"result", "code":"0", "data":"{\"cn\":{\"st\":{\"bg\":\"820\",\"ed\":\"0\",\"rt\":[{\"ws\":[{\"cw\":[{\"w\":\"啊\",\"wp\":\"n\"}],\"wb\":0,\"we\":0},{\"cw\":[{\"w\":\"喂\",\"wp\":\"n\"}],\"wb\":0,\"we\":0},{\"cw\":[{\"w\":\"！\",\"wp\":\"p\"}],\"wb\":0,\"we\":0},{\"cw\":[{\"w\":\"你好\",\"wp\":\"n\"}],\"wb\":0,\"we\":0},{\"cw\":[{\"w\":\"！\",\"wp\":\"p\"}],\"wb\":0,\"we\":0},{\"cw\":[{\"w\":\"我\",\"wp\":\"n\"}],\"wb\":0,\"we\":0},{\"cw\":[{\"w\":\"是\",\"wp\":\"n\"}],\"wb\":0,\"we\":0},{\"cw\":[{\"w\":\"上\",\"wp\":\"n\"}],\"wb\":0,\"we\":0}]}],\"type\":\"1\"}},\"seg_id\":5}\n", "desc":"success", "sid":"rta0000000e@ch312c0e3f6bcc9f0900" }

其中data为转写结果的json字符串

data： { "cn":{ "st":{ "bg":"820", "ed":"0", "rt":[{ "ws":[{ "cw":[{ "w":"啊", "wp":"n" }], "wb":0, "we":0 },{ "cw":[{ "w":"喂", "wp":"n" }], "wb":0, "we":0 },{ "cw":[{ "w":"！", "wp":"p" }], "wb":0, "we":0 },{ "cw":[{ "w":"你好", "wp":"n" }], "wb":0, "we":0 },{ "cw":[{ "w":"！", "wp":"p" }], "wb":0, "we":0 },{ "cw":[{ "w":"我", "wp":"n" }], "wb":0, "we":0 },{ "cw":[{ "w":"是", "wp":"n" }], "wb":0, "we":0 },{ "cw":[{ "w":"上", "wp":"n" }], "wb":0, "we":0 }] }], "type":"1" } }, "seg_id":5 }

结果示例（开启翻译功能）：

{ "action": "result", "code": "0", "data": "{\"biz\":\"trans\",\"dst\":\" the bright moonlight in front of the bed, suspected to be frost on the ground, looked up at the bright moon, bowed his head and thought of his hometown.\",\"isEnd\":false,\"segId\":12,\"src\":\"床前明月光，疑是地上霜，举头望明月，低头思故乡。\",\"type\":0,\"bg\":0,\"ed\":4770}", "desc": "success", "sid": "rta00004fda@dx1f1c148be1d9000100" }

其中data为转写结果的json字符串（开启翻译功能）：

{ "biz": "trans", "dst": " the bright moonlight in front of the bed, suspected to be frost on the ground, looked up at the bright moon, bowed his head and thought of his hometown.", "isEnd": false, "segId": 12, "src": "床前明月光，疑是地上霜，举头望明月，低头思故乡。", "type": 0, "bg": 0, "ed": 4770 }

转写结果data字段说明如下：

字段含义描述 bg 句子在整段语音中的开始时间，单位毫秒(ms) 中间结果的bg为准确值 ed 句子在整段语音中的结束时间，单位毫秒(ms) 中间结果的ed为0 w 词识别结果 wp 词标识 n-普通词；s-顺滑词（语气词）；p-标点 wb 词在本句中的开始时间，单位是帧，1帧=10ms即词在整段语音中的开始时间为(bg+wb*10)ms 中间结果的 wb 为 0 we 词在本句中的结束时间，单位是帧，1帧=10ms即词在整段语音中的结束时间为(bg+we*10)ms 中间结果的 we 为 0 type 结果类型标识 0-最终结果；1-中间结果 seg_id 转写结果序号从0开始 biz 业务标识字段，开启翻译功能后值为 trans 翻译功能标识 src 送翻译的原始文本音频对应的识别文本 dst 目标语种翻译文本结果与原始文本src对应 isEnd 翻译结束标识如果为 true，标识翻译结果已推送完成 rl 1、分离的角色编号，需开启角色分离的功能才返回对应的分离角色编号。2、角色编号从1开始计算。3、该字段只有在角色分离功能打开时出现。该值只有角色切换时才会变化，其余时值为0。例如角色A开始说话rl=1，后面角色A说话rl都是0，等到角色B开始说话时，rl=2，角色B继续说话rl又变回0 。取值正整数 # 接收错误信息

交互过程中，在服务端出现异常而中断服务时（如会话超时），会将异常信息以 text message 形式返回给客户端并关闭连接。

# 白名单

在调用该业务接口时

若关闭IP白名单，接口认为IP不限，不会校验IP。若打开IP白名单，则服务端会检查调用方IP是否在讯飞开放平台配置的IP白名单中，对于没有配置到白名单中的IP发来的请求，服务端会拒绝服务。

IP白名单规则

IP白名单，在控制台-我的应用-相应服务的应用管理卡片上编辑，保存后五分钟左右生效；不同Appid的不同服务都需要分别设置IP白名单； IP白名单需设置为外网IP，请勿设置局域网IP。如果服务器返回结果如下所示(illegal client_ip)，则表示由于未配置IP白名单或配置有误，服务端拒绝服务。 { "action": "error", "code": "10105", "data": "", "desc": "illegal access|illegal client_ip: xx.xx.xx.xx", "sid": "rta..." } # 错误码错误码描述说明处理方式 0 success 成功 10105 illegal access 没有权限检查apiKey，ip，ts等授权参数是否正确 10106 invalid parameter 无效参数上传必要的参数，检查参数格式以及编码 10107 illegal parameter 非法参数值检查参数值是否超过范围或不符合要求 10110 no license 无授权许可检查参数值是否超过范围或不符合要求 10700 engine error 引擎错误提供接口返回值，向服务提供商反馈 10202 websocket connect error websocket连接错误检查网络是否正常 10204 websocket write error 服务端websocket写错误检查网络是否正常，向服务提供商反馈 10205 websocket read error 服务端websocket读错误检查网络是否正常，向服务提供商反馈 16003 basic component error 基础组件异常重试或向服务提供商反馈 10800 over max connect limit 超过授权的连接数确认连接数是否超过授权的连接数 # 调用示例

注: demo只是一个简单的调用示例，不适合直接放在复杂多变的生产环境使用

实时语音转写demo go语言

实时语音转写demo python2语言

实时语音转写demo python3语言

实时语音转写demo java语言支持ws不支持wss

实时语音转写demo java语言 ws和wss均支持

实时语音转写demo nodejs语言

实时语音转写demo js语言

讯飞开放平台AI能力-JAVASDK: Github地址

讯飞开放平台AI能力-PHPSDK: Github地址

# 常见问题 # 实时语音转写支持什么平台？

答：实时转写只支持webapi接口，开放平台“实时语音转写”需要WebSocket接入，针对是有编程基础的开发者用户。如果您是个人用户，不想通过编程方式直接实现语音转写功能，可以去讯飞听见官网，了解语音转写功能的更多详情。

# 实时语音转写支持什么语言？

答：中文普通话、中英混合识别、英文，小语种以及中文方言可以到控制台-实时语音转写-方言/语种处添加试用或购买。

# 支持的音频是什么格式？

答：采样率为16K，采样深度为16bit的pcm_s16le音频

# 实时语音转写支持的音频时长有什么限制？

答：实时语音转写可以实时识别持续的音频流，结果是实时返回，音频流长度理论上不做限制，典型的应用场景是大会或者直播的实时字幕。

# 实时语音转写的分片时长40ms是什么意思？

答：可以理解为上传的间隔为40ms，建议音频流每40ms向服务器发送1280字节，发过快可能导致引擎出错，音频发送间隔超时时间为15s，超时服务端报错并主动断开连接。

# 如何购买实时语音转写？

答：登录讯飞开放平台，进入实时语音转写页面，点击“申请购买”按钮，在线购买时长即可。

# 实时语音转写如何添加IP白名单？

答：登录讯飞开放平台，点击右上角的“控制台”，点击“我的应用”，选择到所创建的实时语音转写Web api应用平台，点击IP白名单“管理”按钮，即可添加IP白名单。

# 实时语音转写如何免费试用？

答：可在实时语音转写服务的产品页面，直接领取免费使用权限；到期后可直接在控制台点击购买时长和授权（价格可见）

# 实时语音转写和语音听写的区别有哪些？

答：支持时长：在线语音听写单次会话支持60s以内的语音转文字；实时语音转写的音频流长度理论上不做限制支持语种：在线语音听写除中文普通话和英文外，支持12个语种，25种方言；实时语音转写支持中文普通话、中英混合识别、英语、开通的小语种以及中文方言；应用场景：在线语音听写主要用于短语音的识别，如聊天输入、语音搜索等；实时语音转写可以实时识别持续的音频流，典型的应用场景是大会或者直播的实时字幕

# 实时语音转写接口返回10105，如何解决？

答：未通过服务端校验，请检查appid，apiKey，ip白名单，checkSum等授权参数是否正确。

# 调用实时语音转写接口报10110错误码，如何解决？

答：没有授权许可或授权数已满，请至控制台查看时长和路数情况，并查看有效期；如果未领取免费包，请至产品页面领取。

# 实时语音转写支不支持离线？

答：不支持

# 实时语音转写如果一次连接使用时长超出了剩余时长怎么办？

答：首先为了使业务使用不受影响，如果在连接期间使用时长超出，转写功能并不会立刻停止。本次连接断开后时长可能会出现为负数的情况，请在使用过程中关注时长剩余情况并及时购买时长。

【本文地址】

公司简介

联系我们