资讯 社区 文档
技术能力
语音技术
文字识别
人脸与人体
图像技术
语言与知识
视频技术

产品概述

简介

将60秒以内的完整音频文件识别为文字,专有GPU服务集群,识别响应速度较标准版API提升2倍及识别准确率提升15%。适用于近场短语音交互,如手机语音搜索、聊天输入等场景。 支持上传完整的录音文件,录音文件时长不超过60秒。实时返回识别结果

产品价格

短语音识别极速版支持按调用量后付费及次数包。按用量后付费按每月累计调用量阶梯计价。次数包为预付费,一年内有效,价格更优惠。详情见产品定价文档

语音识别模型

百度短语音极速版提供极速版输入法模型1个模型(暂时不支持其他方言及英语)。识别速度更快,识别效果更好。支持智能标点,可以识别简单的常用英语语句。

可通过设置dev_pid参数选择模型。点击查看详细参数

语音识别模型自训练

如果您在应用语音识别能力时,有行业专有名词,如金融、医疗、餐饮、地产、制造等行业术语,无法准确识别。推荐使用语音自训练平台,可以上传词汇和长文本进行模型训练,以及根据业务发展迭代不断训练。

平台使用手册

调用短语音识别极速版API,添加训练模型ID即可生效。操作说明

适用范围及demo下载

任意操作系统,任意编程语言,只要可以对百度语音服务器发起http请求的,均可以使用本接口。

示例Demo代码见: https://github.com/Baidu-AIP/speech-demo

浏览器由于无法跨域请求百度语音服务器的域名,因此无法直接使用本接口。需从服务器端发起调用。

语音识别极速版调用地址:https://vop.baidu.com/pro_api

语音格式

格式支持:pcm(不压缩)、wav(不压缩,pcm编码)、amr(压缩格式)、m4a(压缩格式,仅支持极速版模型,m4a格式输入适用于微信小程序的录音文件,详见格式说明)。推荐pcm 采样率 :16000 固定值。 编码:16bit 位深的单声道。

百度服务端会将非pcm格式,转为pcm格式,因此使用wav、amr、m4a会有额外的转换耗时。

音频文件格式转换可以使用音频软件进行。批量音频格式转换,可使用开源ffmpeg格式转换工具文档【点击查看音频文件转码工具文档】

超过60秒音频可使用VAD切分工具进行切分【点击查看VAD切分工具文档】

小程序m4a格式设置

  • 参数format改为m4a
  1. 仅支持单声道
  2. 采样率仅支持16000
  3. CBR bitrates 24000-96000,推荐48000
  4. 仅支持AAC-LC, 不支持 例如HE-AAC ,LD,ELD等
  5. brand 仅支持 mp42:0, mini Version 0 ,不支持 M4A

微信小程序录音参数,请重点关注并设置以下必填字段:

属性 类型 默认值 必填 说明
duration number 60000 百度语音restapi最大支持 60s,即这个值不能超过60000
sampleRate number 16000 必须设为 16000
numberOfChannels number 1 比如设为1,单声道
encodeBitRate number 48000 默认值即可,建议48000,可设为24000-96000。该值越大的话,生成文件越大
format string aac 默认值即可,只支持aac,不支持mp3