一句话语音识别接口文档

目录

• 接口描述
• 请求
  • HTTP 请求
  • 请求头
  • 请求体
• 响应
  • 响应参数
• 错误码
• 示例
  • 请求示例
  • 响应示例
• 最佳实践

接口描述

一句话语音识别（Flash ASR）接口用于快速识别短音频内容，将语音转换为文本。该接口适用于短语音识别场景，如语音指令、短语音消息等。

请求

HTTP 请求

POST /v1/audio/asr/flash

请求头

参数	类型	必填	默认值	描述
format	string	否	wav	音频格式，支持 wav、mp3、pcm 等常见格式
sample_rate	integer	否	16000	音频采样率，单位为 Hz
max_sentence_silence	integer	否	3000	最大句子间隔静音时长，单位为毫秒
model	string	否	-	要使用的 ASR 模型，不指定时使用默认模型

请求体

请求体为二进制音频数据流，直接将音频文件内容作为请求体发送。

支持的音频格式：

• WAV
• MP3
• PCM
• 其他常见音频格式（具体支持情况取决于所选模型）

响应

{
  "task_id": "asr-task-123456",
  "user": "user-123",
  "flash_result": {
    "duration": 5600,
    "sentences": [
      {
        "text": "今天天气真不错",
        "begin_time": 0,
        "end_time": 2500
      },
      {
        "text": "我很开心",
        "begin_time": 3000,
        "end_time": 5600
      }
    ]
  }
}

响应参数

参数	类型	描述
task_id	string	任务 ID，可用于追踪识别任务
user	string	用户标识
flash_result	object	识别结果对象

FlashResult 对象

参数	类型	描述
duration	integer	音频总时长，单位为毫秒
sentences	array	识别出的句子数组

Sentence 对象

参数	类型	描述
text	string	识别出的文本内容
begin_time	integer	句子开始时间，单位为毫秒
end_time	integer	句子结束时间，单位为毫秒

错误码

错误码	描述
400	请求参数错误，例如音频格式不支持或参数格式不正确
401	认证失败，无效的 API 密钥
403	权限不足，API 密钥没有权限访问请求的资源
404	请求的资源不存在，例如指定的模型不存在
413	请求实体过大，音频文件超过大小限制
415	不支持的媒体类型，音频格式不受支持
429	请求过多，超出速率限制
500	服务器内部错误
503	服务暂时不可用

示例

请求示例

使用 curl 发送请求：

curl -X POST "https://api.example.com/v1/audio/asr/flash" \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -H "format: wav" \
  -H "sample_rate: 16000" \
  -H "max_sentence_silence: 2000" \
  -H "model: asr-model-1" \
  --data-binary @audio_file.wav

使用 Python 发送请求：

import requests

url = "https://api.example.com/v1/audio/asr/flash"
headers = {
    "Authorization": "Bearer YOUR_API_KEY",
    "format": "wav",
    "sample_rate": "16000",
    "max_sentence_silence": "2000",
    "model": "asr-model-1"
}

with open("audio_file.wav", "rb") as audio_file:
    audio_data = audio_file.read()

response = requests.post(url, headers=headers, data=audio_data)
print(response.json())

响应示例

{
  "task_id": "asr-task-123456",
  "user": "user-123",
  "flash_result": {
    "duration": 5600,
    "sentences": [
      {
        "text": "今天天气真不错",
        "begin_time": 0,
        "end_time": 2500
      },
      {
        "text": "我很开心",
        "begin_time": 3000,
        "end_time": 5600
      }
    ]
  }
}

最佳实践

1. 音频质量：

   • 确保音频清晰，背景噪音小
   • 使用适当的采样率（通常 16kHz 或更高）
   • 避免音频失真或过度压缩

2. 音频长度：

   • 该接口适合短音频（通常不超过 1 分钟）
   • 对于较长音频，建议使用文件转写接口

3. 静音处理：

   • 根据实际需求调整 max_sentence_silence 参数
   • 较小的值可以更敏感地检测句子边界
   • 较大的值适合语速较慢或有自然停顿的语音

4. 格式选择：

   • WAV 格式通常提供最好的识别效果
   • 对于网络传输，可以考虑使用 MP3 等压缩格式，但可能会轻微影响识别准确性