录音文件识别请求

引擎模型类型
识别引擎采用分级计费方案，标记为“大模型版”的引擎适用大模型计费方案，点击这里 查看产品计费说明

电话通讯场景引擎：
注意：电话通讯场景，请务必使用以下8k引擎
• 8k_zh：中文电话通讯；
• 8k_en：英文电话通讯；
• 8k_zh_large：中文电话场景专用大模型引擎【大模型版】。当前模型同时支持中文、上海话、四川话、武汉话、贵阳话、昆明话、西安话、郑州话、太原话、兰州话、银川话、西宁话、南京话、合肥话、南昌话、长沙话、苏州话、杭州话、济南话、天津话、石家庄话、黑龙江话、吉林话、辽宁话、闽南语、客家话、粤语、南宁话方言识别，通过显著提升模型参数规模与语言建模能力，实现对电话音频中复杂场景（如口音干扰、背景噪声）的高精度识别，识别准确率较常规版本大幅提升。点击这里 对比常规版本与普方大模型效果；

注意：如您有电话通讯场景识别需求，但发现需求语种仅支持16k，可将8k音频传入下方16k引擎，亦能获取识别结果。但16k引擎并非基于电话通讯数据训练，无法承诺此种调用方式的识别效果，需由您自行验证识别结果是否可用

通用场景引擎：
注意：除电话通讯场景以外的其它识别场景，请务必使用以下16k引擎
• 16k_zh_en：中英粤+9种方言大模型引擎【大模型版】。当前模型同时支持中文、英语、粤语、四川、陕西、河南、上海、湖南、湖北、安徽、闽南和潮汕方言识别，模型参数量极大，语言模型性能增强，针对噪声大、回音大、人声小、人声远等低质量音频的识别准确率极大提升;
• 16k_zh_large：普方英大模型引擎【大模型版】。当前模型同时支持中文、英文、多种中文方言等语言的识别，模型参数量极大，语言模型性能增强，针对噪声大、回音大、人声小、人声远等低质量音频的识别准确率极大提升，点击这里 对比中文普通话常规版本与普方英大模型版本的识别效果；
• 16k_multi_lang：多语种大模型引擎【大模型版】。当前模型同时支持英语、日语、韩语、阿拉伯语、菲律宾语、法语、印地语、印尼语、马来语、葡萄牙语、西班牙语、泰语、土耳其语、越南语、德语的识别，可实现15个语种的自动识别(句子/段落级别)；
• 16k_zh：中文普通话通用引擎，支持中文普通话和少量英语，使用丰富的中文普通话语料训练，覆盖场景广泛，适用于除电话通讯外的所有中文普通话识别场景；
• 16k_en：英语；
• 16k_en_large：英语大模型；
• 16k_yue：粤语；
• 16k_zh-PY：中英粤混合引擎，使用一个引擎同时识别中文普通话、英语、粤语三个语言;
• 16k_zh-TW：中文繁体；
• 16k_ja：日语；
• 16k_ko：韩语；
• 16k_vi：越南语；
• 16k_ms：马来语；
• 16k_id：印度尼西亚语；
• 16k_fil：菲律宾语；
• 16k_th：泰语；
• 16k_pt：葡萄牙语；
• 16k_tr：土耳其语；
• 16k_ar：阿拉伯语；
• 16k_es：西班牙语；
• 16k_hi：印地语；
• 16k_fr：法语；
• 16k_zh_medical：中文医疗引擎；
• 16k_de：德语；

枚举值：

• 16k_zh： 中文普通话通用引擎，支持中文普通话和少量英语，使用丰富的中文普通话语料训练，覆盖场景广泛，适用于除电话通讯外的所有中文普通话识别场景

识别声道数
1：单声道（16k音频仅支持单声道，请勿设置为双声道）；
2：双声道（仅支持8k电话音频，且双声道应分别为通话双方）

注意：
• 16k音频：仅支持单声道识别，需设置ChannelNum=1；
• 8k电话音频：支持单声道、双声道识别，建议设置ChannelNum=2，即双声道。双声道能够物理区分说话人、避免说话双方重叠产生的识别错误，能达到最好的说话人分离效果和识别效果。设置双声道后，将自动区分说话人，因此无需再开启说话人分离功能，相关参数（SpeakerDiarization、SpeakerNumber）使用默认值即可，返回的ResultDetail中的speakerId的值为0代表左声道，值为1代表右声道。

识别结果返回样式
0：基础识别结果（仅包含有效人声时间戳，无词粒度的详细识别结果）；
1：基础识别结果之上，增加词粒度的详细识别结果（包含词级别时间戳、语速值，不含标点）；
2：基础识别结果之上，增加词粒度的详细识别结果（包含词级别时间戳、语速值和标点）；
3：基础识别结果之上，增加词粒度的详细识别结果（包含词级别时间戳、语速值和标点），且识别结果按标点符号分段，适用字幕场景；
4：【增值付费功能】基础识别结果之上，增加词粒度的详细识别结果（包含词级别时间戳、语速值和标点），且识别结果按nlp语义分段，适用会议、庭审记录转写等场景，仅支持8k_zh/16k_zh引擎
5：【增值付费功能】基础识别结果之上，增加词粒度的详细识别结果（包含词级别时间戳、语速值和标点），并输出口语转书面语转写结果，该结果去除语气词、重复词、精简冗余表达，并修正发言人口误，实现口语转书面语的效果，适用于线上、线下会议直接总结为书面会议纪要的场景，仅支持8k_zh/16k_zh引擎

注意：
以下引擎仅支持参数值设置为0：16k_multi_lang、16k_ja、16k_ko、16k_vi、16k_ms、16k_id、16k_fil、16k_th、16k_pt、16k_tr、16k_ar、16k_es、16k_hi、16k_fr、16k_zh_medical、16k_de
如果传入参数值4，需确保账号已购买语义分段资源包，或账号开启后付费；若当前账号已开启后付费功能，并传入参数值4，将自动计费
如果传入参数值5，需确保账号已购买口语转书面语资源包，或账号开启后付费；若当前账号已开启后付费功能，并传入参数值5，将自动计费自动计费

音频数据来源
0：音频URL；
1：音频数据（post body）

音频数据base64编码
当 SourceType 值为 1 时须填写该字段，为 0 时不需要填写

注意：音频数据要小于5MB（含）

数据长度（此数据长度为数据未进行base64编码时的长度）

音频URL的地址（需要公网环境浏览器可下载）
当 SourceType 值为 0 时须填写该字段，为 1 时不需要填写

注意：

1. 请确保录音文件时长在5个小时（含）之内，否则可能识别失败；
2. 请保证文件的下载速度，否则可能下载失败

回调 URL
用户自行搭建的用于接收识别结果的服务URL
回调格式和内容详见：录音识别回调说明

注意：

• 如果用户使用轮询方式获取识别结果，则无需提交该参数
• 建议在回调URL中带上您的业务ID等信息，以便处理业务逻辑

是否开启说话人分离
0：不开启；
1：开启（仅支持以下引擎：8k_zh/8k_zh_large/16k_zh/16k_ms/16k_en/16k_id/16k_zh_large/16k_zh_dialect/16k_zh_en/16k_es/16k_fr/16k_ja/16k_ko，且ChannelNum=1时可用）；
3: 开启角色分离，需配合SpeakerRoles参数使用（增值服务，仅支持16k_zh_en引擎，可支持传入声纹对录音文件内的说话人进行角色认证）
默认值为 0

注意：
8k双声道电话音频请按 ChannelNum 识别声道数 的参数描述使用默认值

说话人分离人数
需配合开启说话人分离使用，不开启无效，取值范围：0-10
0：自动分离（最多分离出20个人）；
1-10：指定人数分离；
默认值为 0
注:16k引擎不支持指定人数分离

热词表id
如不设置该参数，将自动生效默认热词表；
如设置该参数，将生效对应id的热词表；
点击这里查看热词表配置方法

自学习定制模型 id
如设置了该参数，将生效对应id的自学习定制模型；
点击这里查看自学习定制模型配置方法

【增值付费功能】情绪识别能力（目前仅支持 16k_zh , 16k_zh_en , 8k_zh ）
0：不开启；
1：开启情绪识别，但不在文本展示情绪标签；
2：开启情绪识别，并且在文本展示情绪标签（该功能需要设置ResTextFormat 大于0）
默认值为0
支持的情绪分类为：高兴、伤心、愤怒

注意：

1. 本功能为增值服务，需将参数设置为1或2时方可按对应方式生效；
2. 如果传入参数值1或2，需确保账号已购买情绪识别资源包，或账号开启后付费；若当前账号已开启后付费功能，并传入参数值1或2，将自动计费）；
3. 参数设置为0时，无需购买资源包，也不会消耗情绪识别对应资源

情绪能量值
取值为音量分贝值/10，取值范围：[1,10]，值越高情绪越强烈
0：不开启；
1：开启；
默认值为0

阿拉伯数字智能转换（目前支持中文普通话引擎）
0：不转换，直接输出中文数字；
1：根据场景智能转换为阿拉伯数字；
3：打开数学相关数字转换（如：阿尔法转写为α）；
默认值为 1

脏词过滤（目前支持中文普通话引擎）
0：不过滤脏词；
1：过滤脏词；
2：将脏词替换为 * ；
默认值为 0

标点符号过滤（目前支持中文普通话引擎）
0：不过滤标点；
1：过滤句末标点；
2：过滤所有标点；
默认值为 0

语气词过滤（目前支持中文普通话引擎）
0：不过滤语气词；
1：过滤部分语气词；
2：严格过滤语气词；
默认值为 0

单标点最多字数（目前支持中文普通话引擎）
可控制单行字幕最大字数，适用于字幕生成场景，取值范围：[6，40]
0：不开启该功能；
默认值为0

注意：需设置ResTextFormat为3，解析返回的ResultDetail列表，通过结构中FinalSentence获取单个标点断句结果

附加参数（该参数无意义，忽略即可）

临时热词表：该参数用于提升识别准确率。

• 单个热词限制："热词|权重"，单个热词不超过30个字符（最多10个汉字），权重[1-11]或者100，如：“腾讯云|5” 或“ASR|11”；

• 临时热词表限制：多个热词用英文逗号分割，最多支持128个热词，如：“腾讯云|10,语音识别|5,ASR|11”；

• 参数 hotword_id（热词表） 与 hotword_list（临时热词表） 区别：

  • hotword_id：热词表。需要先在控制台或接口创建热词表，获得对应hotword_id传入参数来使用热词功能；

  • hotword_list：临时热词表。每次请求时直接传入临时热词表来使用热词功能，云端不保留临时热词表。适用于有极大量热词需求的用户；

注意：

• 如果同时传入了 hotword_id 和 hotword_list，只有hotword_list 生效；

• 热词权重设置为11时，当前热词将升级为超级热词，建议仅将重要且必须生效的热词设置到11，设置过多权重为11的热词将影响整体字准率。

• 热词权重设置为100时，当前热词开启热词增强同音同调替换功能（仅支持8k_zh,16k_zh），举例：热词配置“蜜制|100”时，与“蜜制”同拼音（mizhi）的“秘制”的识别结果会被强制替换成“蜜制”。因此建议客户根据自己的实际情况开启该功能。建议仅将重要且必须生效的热词设置到100，设置过多权重为100的热词将影响整体字准率。

关键词识别ID列表，默认空为不进行识别，最多10个

替换词汇表id, 适用于热词和自学习场景也无法解决的极端case词组, 会对识别结果强制替换。具体可参考配置控制台;强制替换功能可能会影响正常识别结果，请谨慎使用

注意：

1. 本功能配置完成后，预计在10分钟后生效

开启角色分离能力配合SpeakerDiarization: 3 使用，ASR增值服务，仅可传入一组声纹信息进行角色认证，仅支持16k_zh_en引擎。需传入SpeakerRoleInfo数据组，确定说话人的角色信息，涉及RoleAudioUrl和RoleName两个参数。 RoleAudioUrl：需要认证角色的声纹音频地址，建议30s内的纯净人声，最长不能超过45s。 RoleName：需要认证角色的名称，若匹配成功，会替换话者分离中的SpeakerID。 示例： "{"EngineModelType":"16k_zh_en","ChannelNum":1,"ResTextFormat":1,"SourceType":0,"Url":"需要进行ASR识别的音频链接","SpeakerDiarization":3,"SpeakerRoles":[{"RoleAudioUrl":"需要认证角色的声纹音频地址","RoleName":"需要认证角色的名称"}]}"

录音文件识别的请求返回结果，包含结果查询需要的TaskId。
注意：TaskId有效期为24小时，不同日期可能出现重复TaskId，请不要依赖TaskId作为您业务系统里的唯一ID。