开放能力
开发平台
行业应用
生态合作
开发与教学
资讯 社区 控制台
技术能力
语音技术
图像技术
文字识别
人脸与人体识别
视频技术
AR与VR
自然语言处理
知识图谱
数据智能
场景方案
部署方案
行业应用
智能教育
智能医疗
智能零售
智能工业
企业服务
智能政务
智能农业
信息服务
智能园区
智能硬件
语音技术

    请求说明

    参数说明

    • 格式支持:pcm(不压缩)、wav(不压缩,pcm编码)、amr(压缩格式)、m4a(AAC编码);固定16k 采样率;
    • 系统支持语言种类 普通话

    识别语言及模型选择

    短语音识别极速版dev_pid 参数列表

    dev_pid 语言 模型 是否有标点 备注
    80001 普通话(纯中文识别) 语音近场识别模型极速版 有标点 支持自定义词库

    请求说明

    语音数据上传 POST 方式有 2 种:

    1. JSON 格式 POST 上传本地音频文件。
    2. RAW 格式 POST 上传本地音频文件。

    JSON 方式

    • 音频文件,读取二进制内容后,进行 base64 编码后放在 speech 参数内。
    • 音频文件的原始大小, 即二进制内容的字节数,填写 “len” 字段

    由于使用 json 格式, header 为:

       Content-Type:application/json

    注意 由于 base64 编码后,数据会增大 1/3。

    RAW方式

    • 音频文件,读取二进制内容后,直接放在 body 中。
    • Content-Length 的值即为音频文件的大小。(一般代码会自动生成)。

    由于使用 raw 方式, 采样率和文件格式需要填写在 Content-Type 中

       Content-Type: audio/pcm;rate=16000

    JSON方式上传音频

    语音数据和其他参数通过标准 JSON 格式串行化 POST 上传, JSON 里包括的参数:

    字段名 类型 可需 描述
    format string 必填 语音文件的格式,pcm/wav/amr/m4a。不区分大小写。推荐pcm文件
    rate int 必填 采样率,16000,固定值
    channel int 必填 声道数,仅支持单声道,请填写固定值 1
    cuid string 必填 用户唯一标识,用来区分用户,计算UV值。建议填写能区分用户的机器 MAC 地址或 IMEI 码,长度为60字符以内。
    token string 必填 开放平台获取到的开发者[access_token]获取 Access Token "access_token")
    dev_pid int 必填 80001(极速版输入法模型)
    lm_id int 选填 自训练平台模型id
    lan string 选填,废弃参数 历史兼容参数,已不再使用
    speech string 必填 本地语音文件的的二进制语音数据 ,需要进行base64 编码。与len参数连一起使用。
    len int 必填 本地语音文件的的字节数,单位字节

    上传示例(speech, len 参数)

    即:JSON格式POST上传本地文件

    固定头部header

    Content-Type:application/json

    请求示例

    4K大小的pcm文件(普通话录音)请求:

    POST https://vop.baidu.com/pro_api

    speech 参数填写为 文件内容base64后的结果:

    {
        "format":"pcm",
        "rate":16000,
        "dev_pid":80001,
        "channel":1,
        "token":xxx,
        "cuid":"baidu_workshop",
        "len":4096,
        "speech":"xxx", // xxx为 base64(FILE_CONTENT)
    }

    返回示例

    {"corpus_no":"6433214037620997779","err_msg":"success.","err_no":0,"result":["北京科技馆,"],"sn":"371191073711497849365"}

    注意事项

    len 字段表示原始语音大小字节数,不是 base64 编码之后的长度。


    RAW 方式上传

    即 raw格式POST上传本地文件 语音数据直接放在 HTTP BODY 中,控制参数以及相关统计信息通过 header和url里参数传递。

    Header 参数说明

    字段名 数据类型 可需 描述
    format string(格式见下面示例) 必填 语音格式,,pcm、wav、amr、m4a。不区分大小写,推荐使用pcm文件
    rate int(格式见下面示例) 必填 采样率 16000, 固定值

    语音数据的采样率和压缩格式在 HTTP-HEADER 里的Content-Type 表明,例:

    Content-Type: audio/pcm;rate=16000

    url参数说明

    字段名 可需 描述
    cuid 必填 用户唯一标识,用来区分用户,计算UV值。建议填写能区分用户的机器 MAC 地址或 IMEI 码,长度为60字符以内。
    token 必填 开放平台获取到的开发者[access_token]获取 Access Token "access_token")
    dev_pid 必填 80001
    lan 选填,废弃参数 历史兼容参数,请使用dev_pid。如果dev_pid填写,该参数会被覆盖。语种选择,输入法模型,默认中文(zh)。 中文=zh、粤语=ct、英文=en,不区分大小写。

    URL 示例:

    POST https://vop.baidu.com/pro_api?dev_pid=80001&cuid=******&token=1.a6b7dbd428f731035f771b8d********.86400.1292922000-2346678-124328
    
    // 或者使用自训练平台
    
    POST http://vop.baidu.com/pro_api?dev_pid=80001&lm_id=1234&cuid=******&token=1.a6b7dbd428f731035f771b8d********.86400.1292922000-2346678-124328 

    语音自训练平台

    语音自训练平台,可使用业务场景文本语料,自助训练语言模型,提升业务领域识别准确率。

    语音自训练平台,支持上传自定义的词汇固定搭配、长段句篇来进行结果优化。可以更加直观地查看训练效果,并支持迭代训练。模型上线后需要在请求中,增加对应自定义模型 id(lm_id)字段。

    具体功能及使用说明请参考文档 自训练平台手册

    自定义词库

    自定义词库功能,可对部分专有业务名词进行识别优化。自定义词库在您网页申请的应用内设置(具体位置参见下图)。

    自定义词库适合短句,保证词库中一模一样的短句可以被识别出,词库中的分词优先级较高。 自定义词库仅对普通话 dev_pid = 1537 生效,并且原始音频的采用率为 16K 或 8k。最好在 1万 行以内。

    上一篇
    简介
    下一篇
    返回说明