# 大模型中文语音识别 API 文档
# 一、接口说明
大模型中文语音识别能力，将中文短音频(≤60秒)精准识别成文字，实时返回文字结果，真实还原语音内容。
# 二、接口Demo
部分开发语言Demo如下，其他开发语言请参照文档进行开发，欢迎大家到讯飞开放平台社区 (opens new window)交流集成经验。
大模型中文语音识别 Demo java语言 (opens new window)
大模型中文语音识别 Demo python语言 (opens new window)
# 三、接口要求
| 内容 | 说明 |
|---|---|
| 请求协议 | ws[s]（为提高安全性，强烈推荐wss） |
| 请求地址 | 中文语音地址：ws[s]: //iat.xf-yun.com/v1 |
| 接口鉴权 | 签名机制，详情请参照下方接口鉴权 |
| 字符编码 | UTF-8 |
| 响应格式 | 统一采用JSON格式 |
| 开发语言 | 任意，只要可以向讯飞云服务发起HTTP请求的均可 |
| 音频属性 | 采样率16k或8K、位长16bit、单声道 |
| 音频格式 | pcm、mp3 |
| 音频长度 | 最长60s |
# 四、接口鉴权
# 鉴权方法
通过在请求地址后面加上鉴权相关参数的方式。示例url：
https://iat.xf-yun.com/v1?authorization=YXBpX2tleT0ia2V5eHh4eHh4eHg4ZWUyNzkzNDg1MTlleHh4eHh4eHgiLCBhbGdvcml0aG09ImhtYWMtc2hhMjU2IiwgaGVhZGVycz0iaG9zdCBkYXRlIHJlcXVlc3QtbGluZSIsIHNpZ25hdHVyZT0iUzY2RmVxVEpsdmtkK0tmSmcrYTczQkFhYm9jd1JnMnNjS2ZsT05JOG84MD0i&date=Tue%2C%2014%20May%202024%2008%3A46%3A48%20GMT&host=iat.xf-yun.com
鉴权参数：
| 参数 | 类型 | 必须 | 说明 | 示例 |
|---|---|---|---|---|
| host | string | 是 | 请求主机 | iat.xf-yun.com |
| date | string | 是 | 当前时间戳，RFC1123格式 | Tue, 14 May 2024 08:46:48 GMT |
| authorization | string | 是 | 使用base64编码的签名相关信息(签名基于hmac-sha256计算) | 参考下方authorization参数生成规则 |
· date参数生成规则
date必须是UTC+0或GMT时区，RFC1123格式(Tue, 14 May 2024 08:46:48 GMT)。
服务端会对Date进行时钟偏移检查，最大允许300秒的偏差，超出偏差的请求都将被拒绝。
· authorization参数生成规则
1）获取接口密钥APIKey 和 APISecret。
在讯飞开放平台控制台，创建WebAPI平台应用并添加语音听写（流式版）服务后即可查看，均为32位字符串。
2）参数authorization base64编码前（authorization_origin）的格式如下。
api_key="$api_key",algorithm="hmac-sha256",headers="host date request-line",signature="$signature"
其中 api_key 是在控制台获取的APIKey，algorithm 是加密算法（仅支持hmac-sha256），headers 是参与签名的参数（见下方注释）。
signature 是使用加密算法对参与签名的参数签名后并使用base64编码的字符串，详见下方。
注： headers是参与签名的参数，请注意是固定的参数名（"host date request-line"），而非这些参数的值。
3）signature的原始字段(signature_origin)规则如下。
signature原始字段由 host，date，request-line三个参数按照格式拼接成，
拼接的格式为(\n为换行符,’:’后面有一个空格)：
host: $host\ndate: $date\n$request-line
假设
请求url = wss://iat.xf-yun.com/v1
date = Tue, 14 May 2024 08:46:48 GMT
那么 signature原始字段(signature_origin)则为：
host: iat.xf-yun.com
date: Tue, 14 May 2024 08:46:48 GMT
GET /v1 HTTP/1.1
4）使用hmac-sha256算法结合apiSecret对signature_origin签名，获得签名后的摘要signature_sha。
signature_sha=hmac-sha256(signature_origin,$apiSecret)
其中 apiSecret 是在控制台获取的APISecret
5）使用base64编码对signature_sha进行编码获得最终的signature。
signature=base64(signature_sha)
假设
APISecret = secretxxxxxxxx2df7900c09xxxxxxxx
date = Tue, 14 May 2024 08:46:48 GMT
则signature为
signature=S66FeqTJlvkd+KfJg+a73BAabocwRg2scKflONI8o80=
6）根据以上信息拼接authorization base64编码前（authorization_origin）的字符串，示例如下。
api_key="keyxxxxxxxx8ee279348519exxxxxxxx", algorithm="hmac-sha256", headers="host date request-line", signature="S66FeqTJlvkd+KfJg+a73BAabocwRg2scKflONI8o80="
注： headers是参与签名的参数，请注意是固定的参数名（"host date request-line"），而非这些参数的值。
7）最后再对authorization_origin进行base64编码获得最终的authorization参数。
authorization = base64(authorization_origin)
示例：
https://iat.xf-yun.com/v1?authorization=YXBpX2tleT0ia2V5eHh4eHh4eHg4ZWUyNzkzNDg1MTlleHh4eHh4eHgiLCBhbGdvcml0aG09ImhtYWMtc2hhMjU2IiwgaGVhZGVycz0iaG9zdCBkYXRlIHJlcXVlc3QtbGluZSIsIHNpZ25hdHVyZT0iUzY2RmVxVEpsdmtkK0tmSmcrYTczQkFhYm9jd1JnMnNjS2ZsT05JOG84MD0i&date=Tue%2C%2014%20May%202024%2008%3A46%3A48%20GMT&host=iat.xf-yun.com
# 五、数据传输接收与请求、返回示例
# 1、数据传输接收
握手成功后客户端和服务端会建立Websocket连接，客户端通过Websocket连接可以同时上传和接收数据。
当服务端有识别结果时，会通过Websocket连接推送识别结果到客户端。
发送数据时，如果间隔时间太短，可能会导致引擎识别有误。
建议每次发送音频间隔40ms，每次发送音频字节数（即java示例demo中的frameSize）为一帧音频大小的整数倍。
//连接成功，开始发送数据
int frameSize = 1280; //每一帧音频大小的整数倍，请注意不同音频格式一帧大小字节数不同，可参考下方建议
int intervel = 40;
int status = 0; // 音频的状态
try (FileInputStream fs = new FileInputStream(file)) {
byte[] buffer = new byte[frameSize];
// 发送音频
我们建议：未压缩的PCM格式，每次发送音频间隔40ms，每次发送音频字节数1280B；
# 2、请求json示例
第一帧数据：
{
"header": {
"app_id": "your_appid",
"status": 0
},
"parameter": {
"iat": {
"domain": "slm",
"language": "zh_cn",
"accent": "mandarin",
"eos": 6000,
"vinfo": 1,
"dwa": "wpgs",
"result": {
"encoding": "utf8",
"compress": "raw",
"format": "json"
}
}
},
"payload": {
"audio": {
"encoding": "raw",
"sample_rate": 16000,
"channels": 1,
"bit_depth": 16,
"seq": 1,
"status": 0,
"audio": "AAAAAP..."
}
}
}
中间帧数据：
{
"header": {
"app_id": "your_appid",
"status": 1
},
"payload": {
"audio": {
"encoding": "raw",
"sample_rate": 16000,
"channels": 1,
"bit_depth": 16,
"seq": 2,
"status": 1,
"audio": "AAAAAA..."
}
}
}
最后一帧数据：
{
"header": {
"app_id": "your_appid",
"status": 2
},
"payload": {
"audio": {
"encoding": "raw",
"sample_rate": 16000,
"channels": 1,
"bit_depth": 16,
"seq": 591,
"status": 2,
"audio": ""
}
}
}
# 3、返回json示例
第一帧返回数据示例：
{
"header": {
"code": 0,
"message": "success",
"sid": "iat000e0044@hu18f5b16b0330324...",
"status": 0
}
}
中间帧返回数据示例：
{
"header": {
"code": 0,
"message": "success",
"sid": "iat000e0044@hu18f5b16b033032...",
"status": 1
},
"payload": {
"result": {
"compress": "raw",
"encoding": "utf8",
"format": "json",
"seq": 2,
"status": 1,
"text": "eyJzbiI6Miwib..."
}
}
}
最后一帧返回数据示例：
{
"header": {
"code": 0,
"message": "success",
"sid": "iat000e0044@hu18f5b16b033032...",
"status": 2
},
"payload": {
"result": {
"compress": "raw",
"encoding": "utf8",
"format": "json",
"seq": 76,
"status": 2,
"text": "eyJzbiI6NzYs..."
}
}
}
# 六、参数说明
# 1、请求参数说明
| 参数名 | 类型 | 必传 | 描述 |
|---|---|---|---|
| header | object | 是 | 用于上传平台参数 |
| header.app_id | string | 是 | 在平台申请的appid信息 |
| header.status | int | 是 | 音频传输状态 0:首帧 1：中间帧 2:最后一帧 |
| parameter | object | 是 | 用于上传服务特性参数 |
| parameter.iat | object | 是 | 服务名称，大模型中文语音识别 |
| parameter.iat.domain | string | 是 | 指定访问的领域 slm |
| parameter.iat.language | string | 是 | 语种 zh_cn |
| parameter.iat.accent | string | 是 | 方言 mandarin（代表普通话） |
| parameter.iat.eos | int | 否 | 静音多少秒停止识别 如6000毫秒 |
| parameter.iat.vinfo | int | 否 | 句子级别帧对齐 |
| parameter.iat.dwa | string | 否 | 流式识别PGS 返回速度更快，仅中文支持 |
| parameter.iat.result | obejct | 否 | 响应数据字段 |
| payload | object | 是 | 请求数据携带 |
| payload.audio | object | 是 | 音频数据模块 |
| payload.audio.encoding | string | 否 | 音频编码 raw或lame（代表pcm和mp3格式） |
| payload.audio.sample_rate | int | 否 | 音频采样率 16000, 8000 |
| payload.audio.channels | int | 否 | 音频声道 1 |
| payload.audio.bit_depth | int | 否 | 音频位深 16 |
| payload.audio.seq | int | 否 | 数据序号 0-999999 |
| payload.audio.status | int | 否 | 取值范围为：0（开始）、1（继续）、2（结束） |
| payload.audio.audio | string | 是 | 音频数据base64 音频时长不要超过60秒 |
# 2、返回参数说明
| 参数名 | 类型 | 描述 |
|---|---|---|
| header | object | 协议头部 |
| header.message | string | 描述信息 |
| header.code | int | 返回码 0表示会话调用成功（并不一定表示服务调用成功，服务是否调用成功以text字段中的ret为准） 其它表示会话调用异常 |
| header.sid | string | 本次会话id |
| header.status | int | 数据状态 0:开始, 1:继续, 2:结束 |
| payload | object | 数据段，用于携带响应的数据 |
| payload.result.compress | string | 文本压缩格式 |
| payload.result.encoding | string | 文本编码 |
| payload.result.format | string | 文本格式 |
| payload.result.seq | int | 数据序号 0-999999 |
| payload.result.status | int | 0:开始, 1:继续, 2:结束 |
| payload.result.text | string | 听写数据文本 base64编码 |
text字段base64解码后参数说明请：
| 参数 | 类型 | 描述 |
|---|---|---|
| sn | int | 返回结果的序号 |
| ls | bool | 是否是最后一片结果 |
| bg | int | 保留字段，无需关心 |
| ed | int | 保留字段，无需关心 |
| ws | array | 听写结果 |
| ws.bg | int | 起始的端点帧偏移值，单位：帧（1帧=10ms） 注：以下两种情况下bg=0，无参考意义： 1)返回结果为标点符号或者为空；2)本次返回结果过长。 |
| ws.cw | array | 中文分词 |
| ws.cw.w | string | 字词 |
| ws.cw.lg | string | 源语种 |
| ws.cw.其他字段 sc/wb/wc/we/wp/ng/ph | int/string | 均为保留字段，无需关心。如果解析sc字段，建议float与int数据类型都做兼容 |
# 七、常见问题
# 大模型中文语音识别与语音听写的区别？
答：大模型中文语音识别基于大模型进行的训练，数据量更丰富，听写效果上限更高，未来发展性更强。
# 大模型中文语音识别支持多少分钟的音频识别？
答：支持1分钟以内的音频识别。
