Cette rubrique détaille les paramètres et le fonctionnement de l'API HTTP de reconnaissance vocale en différé Fun-ASR-Flash.
Pour connaître les prérequis d'entrée (formats audio pris en charge, limites de taille de fichier et de durée), consultez Spécifications audio.
En mode streaming, le client doit gérer les éléments suivants :
Endpoints du service
- Singapore
- China (Beijing)
POST https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generationRemplacez {WorkspaceId} par votre ID d'espace de travail réel.En-têtes de requête
| Paramètre | Type | Obligatoire | Description |
|---|---|---|---|
Authorization | string | Oui | Jeton d'authentification au format Bearer <your_api_key>. Remplacez « <your_api_key> » par votre clé API réelle. |
Content-Type | string | Oui | Type MIME du corps de la requête. Valeur fixe : application/json. |
X-DashScope-SSE | string | Non | Détermine si les résultats sont renvoyés sous forme de flux SSE. Définissez ce paramètre sur enable pour activer le streaming SSE ; le serveur renvoie alors les résultats intermédiaires et finaux dans plusieurs messages. Réglez-le sur disable ou omettez le paramètre pour obtenir uniquement le résultat final. |
Corps de la requête | Les exemples suivants utilisent la configuration de la région Singapore. Remplacez « {WorkspaceId} » par votre ID d'espace de travail réel. La configuration varie selon les régions, et la clé API de la région Singapore diffère de celle de la région Beijing.
|
modelstring(Obligatoire)Le nom du modèle. | |
inputobject(Obligatoire)Informations d'entrée.
Propriétés messages array(object)(Obligatoire)Liste des messages. Elle contient l'audio à reconnaître ainsi que, facultativement, un contexte de conversation améliorant la précision de la reconnaissance.
Propriétés role string(Obligatoire)Rôle du message. Valeurs valides :
array(object)(Obligatoire)Liste du contenu des messages.
Propriétés type string(Obligatoire)Type de contenu. Chaque requête nécessite au moins un message de type input_audio. Valeurs valides :
object(Conditionnellement obligatoire)Obligatoire lorsque type vaut input_audio.
Propriétés data string(Obligatoire)Données audio à reconnaître. Pour connaître les prérequis d'entrée (formats audio pris en charge, limites de taille de fichier et de durée), consultez Spécifications audio. Deux méthodes sont prises en charge :
https://example.com/audio/sample.wavExemple (Base64) : data:audio/wav;base64,{BASE64_ENCODED_DATA}string(Conditionnellement obligatoire)Lorsque type vaut input_text, saisissez les résultats de reconnaissance de la parole utilisateur des tours précédents ou une liste de mots spécifiques au domaine. Lorsque type vaut text, saisissez les réponses du grand modèle linguistique des tours précédents. La longueur du texte est mesurée en caractères, chaque caractère comptant pour 1. La longueur combinée des champs text dans tous les messages d'un même tour de contexte ne peut excéder 400 caractères. Tout excédent est tronqué par la fin. | |
parametersobject(Obligatoire)Paramètres du modèle.Le lissage du texte est désactivé par défaut et n’est pas encore disponible.Lissage du texte : Pendant la transcription, le modèle supprime les mots de remplissage sans signification et les répétitions dues au bégaiement, traite les autocorrections, améliore les expressions orales et normalise la ponctuation et la mise en forme. Le résultat est plus concis, fluide et lisible, tout en préservant autant que possible l’intention finale et les informations essentielles du locuteur.
Propriétés format string(Obligatoire)Format audio. Définissez cette valeur pour qu'elle corresponde à votre format audio réel. Les valeurs prises en charge incluent wav, mp3 et opus. Pour plus de détails, consultez Spécifications audio.sample_ratestring(Facultatif)Fréquence d'échantillonnage audio, en Hz. Par exemple, 16000 correspond à une fréquence d'échantillonnage de 16 kHz. Pour plus de détails, consultez Spécifications audio.vocabulary_idstring(Facultatif)Identifiant d'une liste de mots-clés précompilée.Générez cet identifiant au préalable en appelant l'API de création de liste de mots-clés. Transmettez l'identifiant lors de la reconnaissance pour utiliser les mots-clés de la liste.Convient aux scénarios où le vocabulaire est connu et relativement stable, et où vous devez réutiliser la même liste de mots entre plusieurs requêtes.Pour plus de détails sur l'utilisation, consultez Mots-clés précompilés.language_hints array[string](Facultatif)Les codes des langues à reconnaître. Si la langue est inconnue, omettez ce paramètre pour que le modèle la détecte automatiquement. Vous pouvez définir jusqu’à 1 valeur. Au-delà, seules les 1 premières sont prises en compte.
Codes de langue pris en charge
|
Corps de la réponse |
|
request_idstringIdentifiant unique de cette requête. | |
outputobjectRésultat de sortie.
Propriétés text stringTexte reconnu complet accumulé jusqu'à présent.sentenceobjectDétails de la phrase en cours.
Propriétés sentence_id integerNuméro de la phrase, commençant à 1.sentence_endbooleanIndique s'il s'agit du résultat final pour la phrase. La valeur true signifie que la reconnaissance de la phrase est terminée.begin_timeintegerHeure de début de la phrase, en millisecondes.end_timeintegerHeure de fin de la phrase, en millisecondes. Renvoyé uniquement lorsque sentence_end vaut true.textstringTexte reconnu de la phrase en cours.channel_idintegerNuméro du canal, commençant à 0.wordsarrayListe des horodatages au niveau des mots.
Propriétés text stringTexte du mot.begin_timeintegerHeure de début du mot, en millisecondes.end_timeintegerHeure de fin du mot, en millisecondes.punctuationstringSigne de ponctuation suivant le mot. Chaîne vide en l'absence de ponctuation.fixedbooleanIndique si le mot est stabilisé. La valeur false indique que l'horodatage du mot peut être ajusté dans les événements ultérieurs. | |
usageobjectInformations d'utilisation. Renvoyé uniquement lorsque sentence_end vaut true.
Propriétés duration integerDurée audio traitée, en secondes. |
Logique de traitement des résultats de streaming SSE
En mode streaming, le client doit gérer les éléments suivants :
- Pour chaque événement SSE reçu, analysez le JSON contenu dans le champ
data. - Utilisez
output.sentence.sentence_endpour déterminer si la phrase actuelle est terminée. Si la valeur esttrue, la reconnaissance est terminée et les horodatages des mots sont stabilisés ; le résultat peut être utilisé comme résultat final. Si elle estfalse, la reconnaissance est en cours et le texte ainsi que les horodatages peuvent être mis à jour dans les événements suivants. - Les informations
usagesont renvoyées uniquement dans les événements de fin de phrase et incluent la durée audio traitée.