简介

简介

百度短语音识别可以将 60 秒以下的音频识别为文字。适用于语音对话、语音控制、语音输入等场景。

• 接口类型：通过 REST API 的方式提供的通用的 HTTP 接口。适用于任意操作系统，任意编程语言
• 接口限制：需要上传完整的录音文件，录音文件时长不超过 60 秒。浏览器由于无法跨域请求百度语音服务器的域名，因此无法直接调用API接口。
• 支持音频格式：pcm、wav、amr、m4a
• 音频编码要求：采样率 16000、8000（仅支持普通话模型），16 bit 位深，单声道（音频格式查看及转换）
  
  

语言及模型设置

支持中文普通话（能识别简单的常用英语）、英语、粤语、四川话识别。通过在请求时配置不同的pid参数，选择对应模型，详见 请求说明dev-pid参数表格

调用流程

1. 创建账号及应用： 在 ai.baidu.com 控制台中，创建应用，勾选开通 ”语音技术“-”短语音识别、短语音识别极速版“ 能力。获取AppID、API Key、Secret Key，并通过请求鉴权接口换取 token ，详细见 “接入指南”。
2. 创建识别请求： POST 方式，音频可通过 JSON 和 RAW 两种方式提交。JSON 方式音频数据由于 base64 编码，数据会增大1/3。其他填写具体请求参数 ，详见 ”请求说明“。
3. 短语音识别请求地址： http://vop.baidu.com/server_api
4. 返回识别结果：识别结果会即刻返回，采用 JSON 格式封装，如果识别成功，识别结果放在 JSON 的 “result” 字段中，统一采用 utf-8 方式编码。详见 ”返回说明“。
   
   

示例Demo代码

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

包含通过bash_shell，C，Java，Python，Php，Postman进行API请求的相关示例demo代码。

说明

音频格式说明

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）。推荐pcm 采样率 ：16000、8000（仅支持普通话模型） 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。

• 16k 采样率 pcm 文件样例下载
• 16k 采样率 wav 文件样例下载
• 16k 采样率 amr 文件样例下载
• 16k 采样率 m4a 文件样例下载

m4a 格式说明

目前普通版、极速版均支持m4a格式。主要针对微信小程序的录音。

m4a 格式（AAC 编码）

1. 仅支持单声道
2. 采样率支持 16000、8000（仅支持普通话模型）
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

微信小程序录音设置，见 微信官方文档

微信小程序录音参数，请重点关注并 设置 以下必填字段：