纯识别(/v1/asr)
实时送入中文普通话音频,识别过程中返回中间结果,每段话结束返回定稿文本与起止时间;会话结束后返回全部分段。
入口 wss://api.jftxyun.com:31080/v1/asr,握手头 Authorization: Bearer <纯识别 key>。key、错误码、费用、查询接口见接入说明。
会话流程
-> session.start {"type":"session.start","session_id":"…","features":{"max_call_seconds":600}}
<- session.ready {"input_audio":{"encoding":"pcm_s16le","sample_rate":16000,…}}
-> input_audio.append {"session_id":"…","sequence":1,"audio":"<16 kHz PCM16 单声道 base64>"} sequence 从 1 连续
<- speech.started {"turn_id":"turn_000001"} 一段话开始
<- asr.partial {"turn_id":…,"sequence":n,"text":"本段累计文本","text_mode":"cumulative"}
<- asr.final {"turn_id":…,"text":"…","audio_start_ms":…,"audio_end_ms":…}
-> session.close
<- session.result {"status":"processing"}
<- session.result {"status":"completed","turns":[{turn_id,text,audio_start_ms,audio_end_ms}],"audio_ms":…,"billing":{…}}
-> session.result.ack {"result_event_id":"<completed 那条 session.result 的 event_id>"}
<- session.closed {"reason":"completed"|"ack_timeout"}
说明
- 只接受
session.start、input_audio.append、session.close、session.result.ack四种事件;发其他事件回error{code:"INVALID_EVENT", fatal:false}。 - 音频为 16 kHz、16 bit、单声道 PCM,Base64 编码;
session.start里可以用audio.input.frame_ms(10–200)声明每包时长。请按实时节奏发送,一次性灌入会让分段时间失真。 audio_start_ms/audio_end_ms是从session.start起已收到的音频时长,分别取本段第一个中间结果、本段定稿到达的时刻,包含识别延迟与句尾静音,不是逐字时间戳。session.close时最后一段话还没定稿的,服务端最多等 2 秒出定稿,超时用该段最后一个中间结果定稿;所以session.result.turns包含 close 之前说出的每一段。- 按会话中收到的音频时长计费,见用量后台公示的计费规则。
示例代码(Python)
读 wav,按实时节奏推流,打印中间结果、定稿与会后结果。依赖 Python 3.10+ 与 websockets>=14;wav 要求单声道 16 bit,采样率不是 16 kHz 时脚本会重采样(电话 8 kHz 录音可直接用)。
pip install "websockets>=14"
export PAA_API_KEY=sk_live_... # 纯识别的 key
python3 asr_api_sample.py a.wav [b.wav ...]
加载中…