实时音视频录音文件识别

接口描述
本接口可对较长的录音文件进行识别
音频格式支持 wav、ogg-opus、mp3、m4a。
请求方法为 HTTP POST，Content-Type 为 "application/json; charset=utf-8"。
音频提交方式：本接口支持音频 URL、本地音频文件两种请求方式。
音频限制：音频 URL 时长不能大于 12 小时，文件大小不超过 1GB；本地音频文件不能大于 5MB。
如何获取识别结果：支持回调或轮询的方式获取结果。
识别结果有效时间：识别结果在服务端保存 24 小时。
接口要求
集成录音文件识别 API 时，需按照以下要求。
内容
说明
语言种类
支持中文普通话、中国方言、英语，以及日语、韩语、法语等小语种。
支持行业
通用。
音频属性
采样率：16000Hz；
采样精度：16bits；
声道：单声道（mono）。
音频格式
wav、ogg-opus、mp3、m4a。
请求协议
https 协议。
请求地址
https://域名/v1/CreateRecTask?\\{请求参数\\}。
响应格式
JSON。
数据发送
支持本地语音文件上传和语音 URL 上传两种请求方式。音频 URL 时长不能大于 12 小时，文件大小不超过 1GB；本地音频文件不能大于 5MB。
并发限制
默认单账号接口限频20次每秒，并发任务数上限200个。
说明：
同一 SDKAppID 下，直接接入 ASR、AI 对话、AI 转录/翻译等所有实时语音识别场景共享该并发池，即各类型的并发路数合计不超过账号上限。一句话识别与录音文件识别独立计算，不占用实时识别并发额度。如您有更多并发需求，请 联系我们。
业务流程图
﻿
﻿
﻿
接口调用流程
请求格式
客户端发起 HTTP POST 请求，请求 URL 格式为：
正式环境：https://asr.cloud-rtc.com/v1/CreateRecTask?{请求参数}
在请求 header 中填写以下字段：
key
必填
value 含义
X-TRTC-SdkAppId
是
TRTC 应用 ID，获取方式请参见 应用基本信息 。
X-TRTC-UserSig
是
TRTC 签名，计算及使用请参见 用户鉴权，其中的 UserID 等于 URL 参数中的 RequestId。
请求参数
请求参数格式为：AppId=value2&Secretid=value2&RequestId=value3&Timestamp=value4
参数说明
参数名称
必填
类型
描述
AppId
是
String
腾讯云注册账号的 AppId，可通过 API 密钥管理页面获取。
Secretid
是
String
腾讯云注册账号的密钥 Secretid，可通过 登录 > 腾讯云 获取。
示例值：*****Qq1zhZMN8dv0******
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。
示例值：17XXXXXX88
RequestId
是
String
全局请求唯一 ID（UUID），该参数用来生成请求 UserSig。
示例值：b26dXXXX-XXXX-XXXX-XXXX-XXXX3b94a607
输入参数
录音文件识别的请求消息体，格式为 json。
参数说明
参数名称
必填
类型
描述
EngineModelType
是
String
引擎模型类型。
bigmodel：大模型版。
Language
否
String
可指定音频语种，也可以自动识别语种。
支持语种包括：zh（中文）、en（英语）、yue（粤语）、中国方言和小语种。
小语种：ar（阿拉伯语）、de（德语）、fr（法语）、es（西班牙语）、pt（葡萄牙语）、id（印尼语）、it（意大利语）、ko（韩语）、ru（俄语）、th（泰语）、vi（越南语）、ja（日语）、tr（土耳其语）、hi（印地语）、ms（马来语）、nl（荷兰语）、sv（瑞典语）、da（丹麦语）、fi（芬兰语）、pl（波兰语）、cs（捷克语）、fa（波斯语）、el（希腊语）、ro（罗马尼亚语）、hu（匈牙利语）、mk（马其顿语）。
中国方言：安徽、东北、福建、甘肃、贵州、河北、河南、湖北、湖南、江西、宁夏、山东、陕西、山西、四川、天津、云南、浙江、粤语（香港口音）、粤语（广东口音）、吴语、闽南语
示例值：zh。
说明：
不填写该字段时，模型会自动识别语种。
ResTextFormat
是
Integer
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（包含字级别时间戳、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（包含字级别时间戳、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，智能断句（包含字级别时间戳、语速值和标点、智能断句）；
ChannelNum
是
Integer
当前只支持配置为1。
SourceType
是
Integer
语音数据来源：
0：语音 URL；
1：语音数据（post body）。
示例值：0
CallbackUrl
否
String
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。
示例值：https://xxxx.xxx.xxx/callback
Url
否
String
语音的 URL 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 时不填。音频时长不能超过 12 小时，音频文件大小不能超过 1GB。
示例值：https://test.com/test.wav
Data
否
String
语音数据，当 SourceType 值为1（本地语音数据上传）时必须填写，当 SourceType 值为0（语音 URL 上传）可不写。必须使用 Base64 编码（采用 Python 语言时注意读取文件应该为 string 而不是 byte，以 byte 格式读取后要 decode()。编码后的数据不可带有回车换行符）。音频文件大小不能超过 5MB（Base64 编码后）。
DataLen
否
Integer
数据长度，单位为字节。当 SourceType 值为 1（本地语音数据上传）时必须填写，当 SourceType 值为 0（语音 URL 上传）可不写（此数据长度为数据未进行 Base64 编码时的数据长度）。
示例值：6400
FilterDirty
否
Integer
是否过滤脏词（中文普通话）：
0：不过滤脏词；
1：过滤脏词；
2：将脏词替换为 * 。
默认值为 0。示例值：0。
FilterModal
否
Integer
是否过滤语气词（中文普通话）：
0：不过滤语气词；
1：部分过滤；
2：严格过滤。
默认值为 0。示例值：0。
FilterPunc
否
Integer
是否过滤标点符号（中文普通话）：
0：不过滤；
1：过滤句末标点。
默认值为 0。示例值：0。
ConvertNumMode
否
Integer
是否进行阿拉伯数字智能转换：
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。
默认值为 0。示例值：0。
HotwordList
否
String
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：“热词|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，例如：“热词|10,语音识别|5,ASR|11”；
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：
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替换功能，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。
SpeakerDiarization
否
Integer
是否开启说话人分离：
0：不开启；
1：开启说话人分离（ChannelNum=1时可用）；
3：开启说话人分离基础上增加角色认证（即响应 SpeakerId 替换成注册的名称），需配合 SpeakerRoles 或 VoicePrintIds 参数使用，SpeakerRoles 和 VoicePrintIds 二选一即可，若二者均填写则使用 VoicePrintIds 的注册声纹，忽略 SpeakerRoles。
（增值服务，bigmodel 可用，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。示例值：0。）
SpeakerRoles
 
否
Array of SpeakerRoleInfo
 
临时声纹认证，仅在本次识别中生效。
认证声纹音频有效音频必须在10s~30s 间。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。需传入 SpeakerRoleInfo 数据组，确定说话人的角色信息。 
示例："{……,"SpeakerDiarization":3,"SpeakerRoles":[{"AudioUrl":"需要认证角色的声纹音频地址","RoleName":"需要认证角色的名称"}]}"
音频格式：wav
VoiceprintIds
否
Array of String
已注册声纹 ID 列表。
示例：["550e8400-e29b-41d4-a716-446655440000","550e8400-e29b-41d4-a716-446655440002"]
说明：
需先注册声纹。
SpeakerRoleInfo 为 json 格式，包含两个参数：
参数名称
类型
描述
AudioUrl
String
需要认证角色的声纹音频地址，要求10s~30s 内的纯净有效人声。
RoleName
String
需要认证角色的名称，若匹配成功，会替换说话人分离中的 SpeakerID。
响应格式
响应消息为 json 格式，所有返回字段都位于顶层 Response 对象之内。
参数说明
参数名称
类型
描述
Response
Object
顶层响应对象，包含以下字段。
Response.RequestId
String
请求的 RequestId，定位问题时需要提供该次请求的 RequestId。
Response.Data
Object
响应数据对象，包含以下字段。
Response.Data.RecTaskId
String
该参数由服务端生成。录音文件识别的请求返回结果，包含结果查询需要的 RecTaskId。
注意：
RecTaskId 有效期为 24 小时，不同日期可能出现重复 RecTaskId，请不要依赖 RecTaskId 作为您业务系统里的唯一 ID。
示例
用户通过 SourceType=1 请求录音文件识别，请求如下：
请求网址：
https://asr.cloud-rtc.com/v1/CreateRecTask?AppId=1234***5&RequestId=7737****81dd-4b60-a08b-b34ed46243a7
输入参数
{
    "EngineModelType": "bigmodel",
    "ResTextFormat": 0,
    "ChannelNum": 1,
    "SourceType": 1,
    "Data": "xxxxxxxx",
    "DataLen": 8
}
响应结果
{
    "Response": {
        "RequestId": "24fe80e8-5b0c-4232-866f-4a402ee3127b",
        "Data": {
            "RecTaskId": "TT1Ie0V0voyHKBrWqqUZw57smgjSR3K1eazaxrmIuEZoeyw+xUgmJ+Y5eli2U9Y2dcpUF4wsMOqPjQAPxw8bvcUoWTON2M6wjcBZcHtrpt0Dm"
        }
    }
}
录音文件回调说明
录音识别请求中，如果用户设置了 CallbackUrl 参数，则通过回调的方式来返回识别结果，用户需要自行搭建可公网访问的 HTTP 或者 HTTPS 服务，并在创建录音识别任务时，将回调 Url 填写到 CallbackUrl 中。回调时，使用 HTTP 的 POST 方法，将所有内容放入 Body 中，Content-Type 为 application/x-www-form-urlencoded。
回调 Body 说明
回调 Body 示例：
code=0&requestId=DYz1ieNlIyb5nZT+R9kQsCAocpoDD6l1qvqam7XBk78PDQ..&appid=12516****&projectid=0&text=%5B0&audioTime=8.420000&message=&resultDetail=
回调参数说明
参数名称
类型
描述
code
Integer
任务状态码，0 为成功，其他：失败。
message
String
失败原因文字描述，成功时此值为空。
requestId
String
任务唯一标识，与录音识别请求中返回的 RecTaskId 一致。
appid
Integer
请求的 AppId。
audioUrl
String
语音 URL，如创建任务时为上传数据的方式，则不包含该字段。
text
String
识别出的结果文本。
resultDetail
String
包含详细识别结果，如创建任务时 ResTextFormat 为 0，则不包含该字段。
audioTime
Float
语音总时长（秒）。
详细识别结果
SentenceDetail
单句的详细识别结果，包含单个词的时间偏移。
参数名称
类型
描述
FinalSentence
String
单句最终识别结果。
注意：
此字段可能返回 null，表示取不到有效值。
示例值：你好，今天很开心
SliceSentence
String
单句中间识别结果，使用空格拆分为多个词。
注意：
此字段可能返回 null，表示取不到有效值。
示例值：你好 今天 很 开心
WrittenText
String
口语转书面语结果，开启该功能才有值。
注意：
此字段可能返回 null，表示取不到有效值。
示例值：你好，今天很开心
StartMs
Integer
单句开始时间（毫秒）。
注意：
此字段可能返回 null，表示取不到有效值。
示例值：0
EndMs
Integer
单句结束时间（毫秒）。
注意：
此字段可能返回 null，表示取不到有效值。
示例值：2000
WordsNum
Integer
单句中的词个数。
注意：
此字段可能返回 null，表示取不到有效值。
示例值：4
Words
Array of SentenceWords
单句中的词详情。
注意：
此字段可能返回 null，表示取不到有效值。
示例值：[{"OffsetStartMs": 120}]
SpeakerId
Integer
说话人 Id。
示例值："SpeakerId: 1"
SpeakerRoleName
String
说话人名称。当请求参数 SpeakerDiarization 为3且正常注册了声纹时该值有效。
示例值：SpeakerRoleName: "主持人"
SpeechSpeed
Float
单句语速，单位：字数/秒。
注意：
此字段可能返回 null，表示取不到有效值。
示例值：5.9
SentenceWords
识别结果中的词文本，以及对应时间偏移。
参数名称
类型
描述
Word
String
词文本。
注意：
此字段可能返回 null，表示取不到有效值。
StartTime
Integer
在句子中的开始时间偏移量。
注意：
此字段可能返回 null，表示取不到有效值。
EndTime
Integer
在句子中的结束时间偏移量。
注意：
此字段可能返回 null，表示取不到有效值。
回调状态码
数值
说明
10000
转码失败，请确认音频格式是否符合标准。
10001
识别失败。
10002
语音时长太短。
10003
语音时长太长。
10004
无效的语音文件。
10005
其他失败。
10006
音轨个数不匹配。
10007
音频下载失败。
录音文件识别结果查询
接口描述
调用录音文件识别请求接口后，有回调和轮询两种方式获取识别结果。采用回调方式时详见录音文件回调说明。
注意：
任务有效期为 24 小时，超过 24 小时的任务请不要再查询，且不要依赖 RecTaskId 作为业务唯一 ID，不同日期可能出现重复 RecTaskId。
当采用轮询方式时，需要主动提交任务 ID 来轮询识别结果，共有任务成功、等待、执行中和失败四种结果，具体信息请参见下文说明。
请求方法为 HTTP POST，Content-Type 为 "application/json; charset=utf-8"。
默认接口请求频率限制：50 次/秒。
内容
说明
请求协议
https 协议。
请求地址
https://域名/v1/DescribeTaskStatus?\\{请求参数\\}。
响应格式
JSON。
并发限制
默认单账号限制并发数为 50 次每秒。
请求格式
客户端发起 HTTP POST 请求，请求 URL 格式为：
正式环境：https://asr.cloud-rtc.com/v1/DescribeTaskStatus?{请求参数}
在请求 header 中填写以下字段：
key
必填
value 含义
X-TRTC-SdkAppId
是
TRTC 应用 ID，获取方式请参见 应用基本信息 。
X-TRTC-UserSig
是
TRTC 签名，计算及使用请参见 用户鉴权，其中的 UserID 等于 URL 参数中的 RequestId。
请求参数
请求参数格式为：AppId=value2&Secretid=value2&RequestId=value3&Timestamp=value4
参数说明
参数名称
必填
类型
描述
AppId
是
String
腾讯云注册账号的 AppId，可通过 API 密钥管理页面获取
Secretid
是
String
腾讯云注册账号的密钥 Secretid，可通过 登录 > 腾讯云 获取。
示例值：*****Qq1zhZMN8dv0******
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。
示例值：17XXXXXX88
RequestId
是
String
全局请求唯一 ID（UUID），该参数用来生成请求 UserSig
示例值：b26dXXXX-XXXX-XXXX-XXXX-XXXX3b94a607
输入参数
录音文件查询接口的请求消息体格式为 json。
参数名
必填
类型
描述
RecTaskId
是
String
从 CreateRecTask 接口获取的 RecTaskId，用于获取任务状态与结果。
注意：
RecTaskId 有效期为 24 小时，超过 24 小时的 RecTaskId 请不要再查询。
输出参数
录音文件查询接口请求消息体响应格式为 json，所有返回字段都位于顶层 Response 对象之内。
参数名称
类型
描述
Data
TaskStatus
录音文件识别的请求返回结果。
RequestId
String
唯一请求 ID，由服务端生成，每次请求都会返回（若请求因其他原因未能抵达服务端，则该次请求不会获得 RequestId）。定位问题时需要提供该次请求的 RequestId。
TaskStatus 结构如下：
参数名称
类型
描述
RecTaskId
String
任务标识。
注意：
RecTaskId 数据类型为 String。
示例值："awerwe"
Status
Integer
任务状态码：
0：任务等待；
1：任务执行中；
2：任务成功；
3：任务失败。
示例值：0
StatusStr
String
任务状态：
waiting：任务等待；
doing：任务执行中；
success：任务成功；
failed：任务失败。
示例值：waiting
Result
String
识别结果。
示例值：录音文件识别
ErrorMsg
String
失败原因说明。
示例值：Failed to download audio file
ResultDetail
Array of SentenceDetail
识别结果详情。包含每个句子中的词时间偏移，一般用于生成字幕的场景。（录音识别请求中 ResTextFormat=1时该字段不为空）。
注意：
此字段可能返回 null，表示取不到有效值。
AudioDuration
Float
音频时长（秒）。
注意：
此字段可能返回 null，表示取不到有效值。
示例值：1.2
Progress
Integer
处理进度（单位为1%）。
示例值：90
查询示例
请求网址
https://asr.cloud-rtc.com/v1/DescribeTaskStatus?RequestId=2f5e8263-a23b-4e65-be22-6b7c19bd4064&AppId=12345
输入参数
{
    "RecTaskId": "DYz1ieNlIyb5nZT+R9kQsCAocpoDD6l1qvqam7XBk78PDQ.."
}
响应结果
{
    "Response": {
        "RequestId": "2f5e8263-a23b-4e65-be22-6b7c19bd4064",
        "Data": {
            "RecTaskId": "DYz1ieNlIyb5nZT+R9kQsCAocpoDD6l1qvqam7XBk78PDQ..",
            "Status": 2,
            "StatusStr": "success",
            "AudioDuration": 2.38,
            "Result": "[0:0.200,0:1.380,1]  你好。\\n",
            "ResultDetail": [
                {
                    "FinalSentence": "你好。",
                    "SliceSentence": "你好",
                    "StartMs": 200,
                    "EndMs":1380,
                    "SpeechSpeed": 2,
                    "WordsNum": 1,
                    "Words": []
                }
            ],
            "ErrorMsg": ""
        }
    }
[
{
    "Response": {
        "RequestId": "2f5e8263-a23b-4e65-be22-6b7c19bd4064",
        "Data": {
            "RecTaskId": "DYz1ieNlIyb5nZT+R9kQsCAocpoDD6l1qvqam7XBk78PDQ..",
            "Status": 2,
            "StatusStr": "success",
            "AudioDuration": 2.38,
            "Result": "[0:0.200,0:1.380,1]  你好。\\n",
            "ResultDetail": [
                {
                    "FinalSentence": "你好。",
                    "SliceSentence": "你好",
                    "StartMs": 200,
                    "EndMs":1380,
                    "SpeechSpeed": 2,
                    "WordsNum": 1,
                    "Words": []
                }
            ],
            "ErrorMsg": ""
        }
    }
},
{
    "Response": {
        "RequestId": "2f5e8263-a23b-4e65-be22-6b7c19bd4064",
        "Data": {
            "RecTaskId": "DYz1ieNlIyb5nZT+R9kQsCAocpoDD6l1qvqam7XBk78PDQ..",
            "Status": 2,
            "StatusStr": "success",
            "AudioDuration": 2.38,
            "Result": "[0:0.200,0:1.380,spk:1]  你好。\\n",
            "ResultDetail": [
                {
                    "FinalSentence": "你好。",
                    "SliceSentence": "你好",
                    "StartMs": 200,
                    "EndMs":1380,
                    "SpeechSpeed": 2,
                    "WordsNum": 1,
                    "Words": []
                }
            ],
            "ErrorMsg": ""
        }
    }
}
]
{
    "Response": {
        "RequestId": "2f5e8263-a23b-4e65-be22-6b7c19bd4064",
        "Data": {
            "RecTaskId": "DYz1ieNlIyb5nZT+R9kQsCAocpoDD6l1qvqam7XBk78PDQ..",
            "Status": 2,
            "StatusStr": "success",
            "AudioDuration": 2.38,
            "Result": "[0:0.200,0:1.380,spk:1]  你好。\\n",
            "ResultDetail": [
                {
                    "FinalSentence": "你好。",
                    "SliceSentence": "你好",
                    "StartMs": 200,
                    "EndMs":1380,
                    "SpeechSpeed": 2,
                    "WordsNum": 1,
                    "Words": []
                }
            ],
            "ErrorMsg": ""
        }
    }
}
﻿

内容	说明
语言种类	支持中文普通话、中国方言、英语，以及日语、韩语、法语等小语种。
支持行业	通用。
音频属性	采样率：16000Hz；采样精度：16bits；声道：单声道（mono）。
音频格式	wav、ogg-opus、mp3、m4a。
请求协议	https 协议。
请求地址	`https://域名/v1/CreateRecTask?\\{请求参数\\}`。
响应格式	JSON。
数据发送	支持本地语音文件上传和语音 URL 上传两种请求方式。音频 URL 时长不能大于 12 小时，文件大小不超过 1GB；本地音频文件不能大于 5MB。
并发限制	默认单账号接口限频20次每秒，并发任务数上限200个。

key	必填	value 含义
X-TRTC-SdkAppId	是	TRTC 应用 ID，获取方式请参见应用基本信息。
X-TRTC-UserSig	是	TRTC 签名，计算及使用请参见用户鉴权，其中的 UserID 等于 URL 参数中的 RequestId。

参数名称	必填	类型	描述
AppId	是	String	腾讯云注册账号的 AppId，可通过 API 密钥管理页面获取。
Secretid	是	String	腾讯云注册账号的密钥 Secretid，可通过登录 > 腾讯云获取。示例值：***Qq1zhZMN8dv0****
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。示例值：17XXXXXX88
RequestId	是	String	全局请求唯一 ID（UUID），该参数用来生成请求 UserSig。示例值：b26dXXXX-XXXX-XXXX-XXXX-XXXX3b94a607

数值	说明
10000	转码失败，请确认音频格式是否符合标准。
10001	识别失败。
10002	语音时长太短。
10003	语音时长太长。
10004	无效的语音文件。
10005	其他失败。
10006	音轨个数不匹配。
10007	音频下载失败。

参数名	必填	类型	描述
RecTaskId	是	String	从 CreateRecTask 接口获取的 RecTaskId，用于获取任务状态与结果。注意： RecTaskId 有效期为 24 小时，超过 24 小时的 RecTaskId 请不要再查询。

录音文件识别

本页目录：

接口描述

接口要求

业务流程图

接口调用流程

请求格式

请求参数

参数说明

输入参数

参数说明

响应格式

参数说明

示例

输入参数

响应结果

录音文件回调说明

回调 Body 说明

回调参数说明

详细识别结果

SentenceDetail

SentenceWords

回调状态码

录音文件识别结果查询

接口描述

请求格式

请求参数

参数说明

输入参数

输出参数

查询示例

请求网址

输入参数

响应结果