资讯 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

一句话识别大模型

接口描述

一句话识别大模型支持将短语音内容快速、准确地转换为文字,通过 HTTP 接口同步返回识别结果。依托新一代语音识别大模型,提升多语种、方言、不同口音及复杂噪声环境下的识别准确率,兼顾识别精度与响应速度,适用于语音输入、语音搜索、语音指令、智能硬件交互等短语音应用场景。

调用流程

  1. 前置准备: 注册百度智能云账号并完成实名认证,获取接口鉴权凭证。支持 Access Token 和 API Key 两种鉴权方式,任选其一即可,详见鉴权认证。
  2. 创建识别请求: 将音频文件进行 Base64 编码,填入 JSON 请求体的 speech 字段,并配置识别模型、音频格式、采样率等参数。
  3. 发送识别请求: 通过 HTTP POST 方式调用一句话识别大模型接口,提交音频数据及相关参数。
  4. 获取识别结果: 接口处理完成后,同步返回 JSON 格式的识别结果。识别成功时,可通过 result 字段获取识别文本。

请求说明

请求地址:

https://aip.baidubce.com/rest/2.0/speech/publiccloudspeech/v1/voice/server_api

HTTP 方法: POST

接口仅支持通过 JSON 格式上传 Base64 编码后的音频数据,同步返回识别结果。

鉴权说明

当前接口支持 API Key 和 Access Token 两种鉴权方式,任选其一即可,无需同时填写。

请求头说明

  • Content-Type: application/json
  • Authorization: Bearer <API_KEY>(使用 API Key 鉴权时填写)

使用 Access Token 鉴权时,通过请求体中的 token 字段传入鉴权信息。Access Token 可通过 API Key 和 Secret Key 获取,详见鉴权认证。

音频格式要求

一句话识别大模型支持 PCM、WAV、AMR、M4A 四种音频格式,推荐使用 16 kHz、16-bit、单声道 PCM 音频,以获得更高效的识别体验。

注意事项:

  • 推荐使用 PCM 格式,以减少额外的音频解码及格式转换耗时。使用 WAV、AMR、M4A 格式时,可能产生额外处理耗时。
  • 音频文件的实际采样率应与请求参数 rate 保持一致。
  • 上传音频需先进行 Base64 编码,并通过 JSON 请求体中的 speech 字段传入。

音频文件样例:

m4a 格式说明

接口支持符合以下编码及容器要求的 M4A 音频文件。

  1. 声道: 仅支持单声道。
  2. 采样率: 支持 16000 Hz、8000 Hz。
  3. 编码码率: 支持 CBR 24~96 kbps,推荐 48 kbps。
  4. 编码格式: 仅支持 AAC-LC,不支持 HE-AAC、AAC-LD、AAC-ELD 等其他 AAC 编码规格。
  5. 容器要求: 仅支持 major_brand=mp42、minor_version=0 的 MP4 容器,不支持 major_brand=M4A 的容器格式。

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 是否必填 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、8000,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 和API Key二选一 access_token鉴权信息,获取方式见鉴权认证
model str 必填 识别模型名称,当前支持 qianfan-asr-v1
speech string 必填 Base64 编码后的音频数据。需与 format、rate、len 参数保持一致
len int 必填 本地语音文件的的字节数,单位字节

上传示例

JSON 格式 POST 上传本地文件

固定头部 header

Content-Type:application/json

请求示例

POST https://aip.baidubce.com/rest/2.0/speech/publiccloudspeech/v1/voice/server_api

speech 参数填写为 文件内容 base64 后的结果:

{
  "format": "pcm",
  "rate": 16000,
  "channel": 1,
  "cuid": "baidu_workshop",
  "token": "YOUR_ACCESS_TOKEN",
  "model": "qianfan-asr-v1",
  "speech": "BASE64_ENCODED_AUDIO",
  "len": 4096
}

返回示例

{
  "err_no": 0,
  "err_msg": "success.",
  "corpus_no": "15984125203285346378",
  "sn": "481D633F-73BA-726F-49EF-8659ACCC2F3D",
  "result": [
    "北京天气"
  ]
}

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。

返回说明

接口采用 JSON 格式返回识别结果,识别文本统一采用 UTF-8 编码。识别成功时,可通过 result 字段获取识别文本。

字段名 数据类型 可需 描述
err_no int 必填 业务错误码,0 表示识别成功
err_msg string 必填 错误码描述
sn string 必填 语音数据唯一标识,系统内部产生。如果反馈及 debug 请提供 sn
result array ( [string,string,…]) 成功时返回 识别结果数组,返回1个最优候选结果。utf-8 编码

识别成功返回示例

{
  "err_no": 0,
  "err_msg": "success.",
  "corpus_no": "15984125203285346378",
  "sn": "481D633F-73BA-726F-49EF-8659ACCC2F3D",
  "result": ["北京天气"]
}

识别识别返回示例

{
  "err_no": 2000,
  "err_msg": "data empty.",
  "sn": "481D633F-73BA-726F-49EF-8659ACCC2F3D"
}
上一篇
实时语音识别大模型
下一篇
音频文件转写大模型