接口描述
本接口服务采用 websocket 协议,对实时音频流进行评测,同步返回识别结果,达到“边说边评测发音”的效果。
在使用该接口前,需要前往智聆口语评测控制台 开通服务,并进入 API 密钥管理页面 新建密钥,生成 AppID、SecretID 和 SecretKey,用于 API 调用时生成签名,签名将用来进行接口鉴权。
接口要求
集成实时语音识别 API 时,需按照以下要求。
内容 | 说明 |
语言种类 | 支持中文普通话和英语。可通过接口参数 engine_model_type 设置对应语言类型 |
音频属性 | 采样率:16000Hz 采样精度:16bits 声道:单声道(mono) |
音频格式 | pcm、wav、mp3、speex |
请求协议 | wss 协议 |
请求地址 | wss://soe.cloud.tencent.com/soe/api/?{请求参数} |
接口鉴权 | 签名鉴权机制 |
响应格式 | 统一采用 JSON 格式 |
数据发送 | 建议每40ms发送40ms时长(即1:1实时率)的数据包,对应 pcm 大小为16k,采样率1280字节,音频发送速率过快超过1:1实时率或者音频数据包之间发送间隔超过6秒,可能导致引擎出错,后台将返回错误并主动断开连接 |
并发限制 |
接口调用流程
接口调用流程分为两个阶段:握手阶段和识别阶段。两阶段后台均返回 text message,内容为 json 序列化字符串,以下是格式说明:
字段名 | 类型 | 描述 |
code | Integer | 状态码,0代表正常,非0值表示发生错误 |
message | String | 错误说明,发生错误时显示这个错误发生的具体原因,随着业务发展或体验优化,此文本可能会经常保持变更或更新 |
voice_id | String | 音频流唯一 id,由客户端在握手阶段生成并赋值在调用参数中 |
message_id | String | 本 message 唯一 id |
result | 最新评测结果 | |
final | Integer | 该字段返回1时表示音频流全部识别结束 |
握手阶段
请求格式
握手阶段,客户端主动发起 websocket 连接请求,请求 URL 格式为:
wss://soe.cloud.tencent.com/soe/api/<appid>?{请求参数}
key1=value2&key2=value2...(key 和 value 都需要进行 urlencode)
参数说明:
参数名称 | 必填 | 类型 | 描述 |
secretid | 是 | String | |
timestamp | 是 | Integer | 当前 UNIX 时间戳,单位为秒。如果与当前时间相差过大,会引起签名过期错误 |
expired | 是 | Integer | 签名的有效期截止时间 UNIX 时间戳,单位为秒。expired 必须大于 timestamp 且 expired - timestamp 小于90天 |
nonce | 是 | Integer | 随机正整数。用户需自行生成,最长10位 |
server_engine_type | 是 | String | 引擎模型类型电话场景:16k_zh:中文; 16k_en:英文 |
voice_id | 是 | String | 音频流识别全局唯一标识,一个 websocket 连接对应一个,用户自己生成(推荐使用 uuid),最长128位。 |
voice_format | 否 | Int | 语音编码方式,可选,默认值为0。0:pcm;1:wav;2:mp3;4:speex(sp) |
signature | 是 | String | 接口签名参数 |
text_mode | 否 | Integer | |
ref_text | 否 | String | 被评估语音对应的文本,仅支持中文和英文。 句子模式下不超过 30个 单词或者中文文字。 段落模式不超过 120 个单词或者中文文字。 中文评估使用 utf-8 编码。 自由说模式 RefText 可以不填。关于 RefText 的文本键入要求,请参考评测模式介绍。 示例值:apple |
keyword | 否 | String | 主题词和关键词示例值:keyword |
eval_mode | 是 | Integer | 评测模式 0:单词/单字模式(中文评测模式下为单字模式) 1:句子模式 2:段落模式 3:自由说模式 4:单词音素纠错模式 5:情景评测模式 6:句子多分支评测模式 7:单词实时评测模式 8:拼音评测模式 示例值:1 |
score_coeff | 是 | Float | 评价苛刻指数。取值为[1.0 - 4.0]范围内的浮点数,用于平滑不同年龄段的分数。 1.0:适用于最小年龄段用户,一般对应儿童应用场景; 4.0:适用于最高年龄段用户,一般对应成人严格打分场景。 示例值:1.0 |
sentence_info_enabled | 否 | Integer | 输出断句中间结果标识 0:不输出(默认) 1:输出,通过设置该参数可以在评估过程中的分片传输请求中,返回已经评估断句的中间结果,中间结果可用于客户端 UI 更新 |
signature 签名生成
1. 对除 signature 之外的所有参数按字典序进行排序,拼接请求 URL (不包含协议部分:wss://)作为签名原文,这里以
Appid=125922***
,SecretId=*****Qq1zhZMN8dv0******
为例拼接签名原文,则拼接的签名原文为:soe.cloud.tencent.com/soe/api/125922***?server_engine_type=16k_zh&expired=1673494772&sentence_info_enabled=1&nonce=1673408372&secretid=*****Qq1zhZMN8dv0******×tamp=1673408372&voice_format=1&voice_id=c64385ee-3e5c-4fc5-bbfd-7c71addb35b0
2. 对签名原文使用 SecretKey 进行 HmacSha1 加密,之后再进行 base64 编码。例如对上一步的签名原文,
SecretKey=*****SkqpeHgqmSz*****
,使用 HmacSha1 算法进行加密并做 base64 编码处理:Base64Encode(HmacSha1("soe.cloud.tencent.com/soe/api/125922***?server_engine_type=16k_zh&expired=1673494772&sentence_info_enabled=1&nonce=1673408372&secretid=*****Qq1zhZMN8dv0******×tamp=1673408372&voice_format=1&voice_id=c64385ee-3e5c-4fc5-bbfd-7c71addb35b0", "*****SkqpeHgqmSz*****"))
得到 signature 签名值为:
G8jDQBRg1JfeBi/YnTjyjekxfDA=
3. 将 signature 值进行 urlencode(必须进行 URL 编码,否则将导致鉴权失败偶现 )后拼接得到最终请求 URL 为:
wss://soe.cloud.tencent.com/soe/api/1259228442?engine_model_type=16k_zh&expired=1592380492&sentence_info_enabled=1&nonce=1592294092123&secretid=AKIDoQq1zhZMNxxxxxxxxud6OUKuGPO7pu0r×tamp=1592294092&voice_format=1&voice_id=RnKu9FODFHK5FPpsrN&signature=HepdTRX6u155qIPKNKC%2B3U0j1N0%3D
请求响应
客户端发起连接请求后,后台建立连接并进行签名校验,校验成功则返回 code 值为0的确认消息表示握手成功;如果校验失败,后台返回 code 为非0值的消息并断开连接。
{"code":0,"message":"success","voice_id":"RnKu9FODFHK5FPpsrN"}
识别阶段
握手成功之后,进入识别阶段,客户端上传语音数据并接收识别结果消息。
上传数据
在识别过程中,客户端持续上传 binary message 到后台,内容为音频流二进制数据。建议每40ms 发送40ms 时长(即1:1实时率)的数据包,对应 pcm 大小为:16k采样率1280字节。音频发送速率过快超过1:1实时率或者音频数据包之间发送间隔超过6秒,可能导致引擎出错,后台将返回错误并主动断开连接。
音频流上传完成之后,客户端需发送以下内容的 text message,通知后台结束识别。
{"type": "end"}
接收消息
客户端上传数据的过程中,如果 sentence_info_enabled 打开,则需要同步接收后台返回的实时识别结果,结果示例:
{"code":0,"message":"success","voice_id":"RnKu9FODFHK5FPpsrN","message_id":"RnKu9FODFHK5FPpsrN_11_0","result":"{SuggestedScore:-0.36000001430511475 PronAccuracy:-1 PronFluency:-1 PronCompletion:0.20000000298023224 Words:[{Mbtm:760 Metm:230 PronAccuracy:91.225341796875 PronFluency:0.9780682325363159 ReferenceWord: Word:窗 Tag:0 KeywordTag:0 PhoneInfo:[] Tone:{Valid:false RefTone:-1 HypTone:-1}}] SentenceId:0 RefTextId:-1 KeyWordHits:[] UnKeyWordits:[]}"
后台识别完所有上传的语音数据之后,最终返回 final 值为1的消息并断开连接。
{"code":0,"message":"success","voice_id":"CzhjnqBkv8lk5pRUxhpX","message_id":"CzhjnqBkv8lk5pRUxhpX_241","final":1}
识别过程中如果出现错误,后台返回 code 为非0值的消息并断开连接。
{"code":4008,"message":"后台识别服务器音频分片等待超时","voice_id":"CzhjnqBkv8lk5pRUxhpX","message_id":"CzhjnqBkv8lk5pRUxhpX_241"}
开发者资源
SDK
SDK 调用示例
Java 示例
错误码
数值 | 说明 |
4000 | 音频数据发送过多,请1秒内最多发送3秒音频数据注:实时识别的效果是“边说边评测”,1秒内发送的音频数据总时长应为1秒 |
4001 | 参数不合法,具体详情参考 message |
4002 | 鉴权失败 |
4003 | AppID 服务未开通,请在控制台开通服务 |
4004 | 资源包耗尽,请开通后付费或者购买资源包 |
4005 | 账户欠费停止服务,请及时充值 |
4006 | 账号当前调用并发超限 |
4007 | 音频解码失败,请检查上传音频数据格式与调用参数一致 |
4008 | 客户端超过15秒未发送音频数据 |
4009 | 客户端连接断开 |
4010 | 客户端上传未知文本消息 |
4011 | 分片音频数据太大,请按照文档指引调整分片大小 |
4014 | 输入音频时长超过限制,请结束本次评测,后续请根据评测模式设置音频时长限制 |
4102 | 请求参数 ref_text 无效或参考文本为空,请检查 ref_text 是否为空 |
4103 | 请求参数 ref_text 包含 OOV 词汇,请使用指定发音或联系我们处理 |
4104 | 请求参数 ref_text 的字数超过最大限制,请根据评测模式调整字数后重新初始化 |
4105 | 请求音频无人声 |
4106 | 输入音频时长超过限制,请结束本次评测,后续请根据评测模式设置音频时长限制 |
4107 | 输入音频异常,音频数据指针或音频⻓度必须为偶数,请参考 API 文档检查音频数据是否正确后重新传输数据 |
4108 | 引擎未识别到有效语⾳,检查音频数据是否包含有效发音 |
4109 | 该评测功能暂不支持,请参考 API 文档检查评测参数 |
4110 | 请求参数 ref_text 语法错误,请参考 API 文档检查文本格式,尤其是指定发音格式是否正确 |
4111 | 请求参数 ref_text 语法错误,请参考 API 文档检查文本格式,尤其是指定发音格式是否正确 |
4112 | 检查参考文本中是否包含大量多音字,可通过发音描述块指定标准发音解决 |
4113 | ref_text 指定发音无效 |
4114 | ref_text 内容无效 |
5000 | 因机器负载过高、网络抖动等导致失败,请重新发起新识别注:该问题通常为偶发,少量出现可忽略,发起新识别即可 |
5001 | 因机器负载过高、网络抖动等导致失败,请重新发起新识别注:该问题通常为偶发,少量出现可忽略,发起新识别即可 |
5002 | 因机器负载过高、网络抖动等导致失败,请重新发起新识别注:该问题通常为偶发,少量出现可忽略,发起新识别即可 |