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

音频文件转写极速版大模型

接口描述

音频文件转写极速版大模型支持将音频、视频文件中的语音内容快速转换为文字,通过 HTTP 接口同步返回识别文本及对应时间戳。依托新一代语音识别大模型,提升多语种、方言及复杂语音场景下的识别准确率,兼顾转写质量与处理效率,适用于音视频字幕生成、录音转写、内容分析等对时效性要求较高的业务场景。

请求说明

请求地址:https://aip.baidubce.com/rest/2.0/speech/publiccloudspeech/v1/asr/topspeed

HTTP 方法: POST

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 Access Token 获取。

请求参数说明

Body 参数如下:

参数名称 类型 是否必填 描述
token string 条件必填 使用 Access Token 鉴权时填写,与请求头 Authorization 二选一。
rate int 是 音频采样率,目前仅支持 16000 Hz。
cuid string 是 用户唯一标识,由开发者自行生成并保证唯一性。
model string 是 识别模型名称,当前支持 qianfan-asr-v1。
speech string 与 speech_url 二选一 音视频文件的 Base64 编码内容。支持 PCM、WAV、MP3、M4A、MP4、MOV 等常见格式。文件时长不超过 1 小时,大小不超过 500 MB。
speech_url string 与 speech 二选一 可通过 百度云对象存储 BOS 等方式提供可公网访问的音视频文件 URL。支持格式、时长及大小限制与 speech 一致。
enable_detail int 否 是否返回详细转写结果。
0:仅返回转写文本;1:返回详细信息(默认)。取值范围:0、1。
enable_subtitle int 否 是否开启字幕功能,按照字幕规则返回识别结果及对应时间戳。
0:关闭(默认);1:开启。
subtitle_punc int 否 字幕结果是否保留标点符号。
0:过滤标点(默认);1:保留标点。仅在开启字幕功能时生效。
smooth_text int 否 是否开启文本顺滑功能,包括标点优化、数字格式优化和口语过滤。
0:关闭(默认);1:开启。
smooth_text_param list[int] 否 指定文本顺滑功能,仅当 smooth_text=1 时生效。
1:标点优化;2:数字格式优化;3:口语过滤。
支持组合配置,例如 [1,2,3] 开启全部功能。
filter_sensitive int 否 是否开启敏感词过滤。0:关闭(默认);1:开启。

Body请求示例:

{
  "token": "YOUR_ACCESS_TOKEN",
  "rate": 16000,
  "cuid": "baidu_asr",
  "model": "qianfan-asr-v1",
  "speech": "BASE64_ENCODED_AUDIO",
  "enable_subtitle": 1,
  "smooth_text": 1
}

返回说明

返回参数:

参数名称 类型 描述
error_code int 错误码,0 表示请求成功,其他值表示请求异常。
error_message string 请求结果或错误信息。
audio_duration int 音频整体时长,单位毫秒。
result array[string] 完整转写结果,通常通过 result[0] 获取完整识别文本。
detailed_result array[object] 分句转写详情,包含每句话的识别文本、时间戳及相关标识。

detailed_result 字段

参数名称 类型 描述
res array[string] 当前句的识别文本,通常通过 res[0] 获取。
begin_time int 当前句开始时间,单位毫秒。
end_time int 当前句结束时间,单位毫秒。
sn string 分句转写标识,供问题反馈与排查使用。
corpus_no string 整段转写标识,供问题反馈与排查使用。

返回示例:

{
    "error_code":0,
    "error_message":"请求成功",
    "audio_duration":1300,
    "result":["欢迎使用百度语音,"],
    "detailed_result":[
        {
        "begin_time":0,
        "corpus_no":"632690ff-40e8-4e59-9964-a381e4c64818_ws",
        "end_time":1300,
        "res":["欢迎使用百度语音,"],
        "sn":"632690ff-40e8-4e59-9964-a381e4c64818_ws_ws_0","words_info":[]
        },
    ……]
 }
上一篇
音频文件转写大模型
下一篇
端到端语音语言大模型