本文介绍Fun-ASR-Flash非实时语音识别HTTP API的参数和接口细节。
关于支持的音频格式、文件大小限制、时长限制等输入要求,请参见音频规格。
在流式模式下,客户端需关注以下处理要点:
接口地址
- 新加坡
- 华北2(北京)
POST https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation调用时请将{WorkspaceId}替换为真实的Workspace ID。请求头
| 参数 | 类型 | 是否必选 | 说明 |
|---|---|---|---|
Authorization | string | 是 | 鉴权令牌,格式为Bearer <your_api_key>,使用时将"<your_api_key>"替换为实际的API Key。 |
Content-Type | string | 是 | 请求参数的媒体类型,固定为application/json。 |
X-DashScope-SSE | string | 否 | 用于控制是否以SSE流式方式返回结果。设置为enable时开启SSE流式返回模式。仅当音频时长不少于1分钟时,服务端才会分多次返回中间识别结果和最终结果;设置为disable或不传该参数则仅返回最终结果。 |
请求参数modelstring(必选)模型名称。inputobject(必选)输入信息。
属性 messages array(object)(必选)消息列表。包含当前待识别的音频,以及可选的对话上下文(用于提升识别效果)。
属性 role string(必选)消息角色。取值范围:
array(object)(必选)消息内容列表。
属性 type string(必选)内容类型。每个请求至少需要一条input_audio类型的消息。取值范围:
object(条件必选)当type为input_audio时必填。
属性 data string(必选)待识别音频数据。关于支持的音频格式、文件大小限制、时长限制等输入要求,请参见音频规格。支持以下两种方式:
https://example.com/audio/sample.wav示例(Base64方式):data:audio/wav;base64,{BASE64_ENCODED_DATA}string(条件必选)当type为input_text时,填入前几轮用户语音的识别结果或领域相关的词表;当type为text时,填入前几轮大语言模型的回复内容。文本按字符数计算,每个字符计为 1。每轮上下文中所有消息的 text 字段长度之和不超过 400 个字符,超出部分从末尾截断。object(必选)模型参数。润色顺滑功能默认关闭,暂未开放。润色顺滑:模型在识别语音的同时,自动清理无意义语气词和口吃重复,处理说话过程中的自我纠正,理顺口语表达,并规范标点与文本格式。输出结果更加简洁、流畅、易读,同时尽可能保留用户的最终意图和关键信息。
属性 format string(必选)音频格式。根据实际音频格式填写,支持wav、mp3、opus等。详情请参见音频规格。sample_ratestring(可选)音频采样率,单位Hz。例如16000表示16kHz采样率。详情请参见音频规格。vocabulary_idstring(可选)预编译热词列表 ID。需预先调用创建热词列表接口生成,识别时传入该 ID 即可使用列表中的热词。适用于词汇已知且相对稳定、需要跨请求复用同一词表的场景。使用方法请参见预编译热词。language_hints array[string](可选)设置待识别语言代码。如果无法提前确定语种,可不设置,模型会自动识别语种。最多支持设置 1 个值,超出时仅前 1 个生效。
支持的语言代码
| 以下为新加坡地域的配置,调用时请将"{WorkspaceId}"替换为真实的业务空间ID,各地域的配置不同。新加坡地域和北京地域的API Key不同。
|
响应参数request_idstring本次请求的唯一标识。outputobject输出结果。
属性 text string当前累积的完整识别文本。sentenceobject当前句子的详细信息。
属性 sentence_id integer句子编号,从1开始。sentence_endboolean是否为该句的最终结果。为true时表示该句识别完成。begin_timeinteger句子开始时间,单位毫秒。end_timeinteger句子结束时间,单位毫秒。仅在sentence_end为true时返回。textstring当前句子的识别文本。channel_idinteger声道编号,从0开始。wordsarray词级别时间戳列表。
属性 text string词文本。begin_timeinteger词开始时间,单位毫秒。end_timeinteger词结束时间,单位毫秒。punctuationstring词后的标点符号。无标点时为空字符串。fixedboolean词是否已稳定。false表示后续事件中该词的时间戳可能调整。object用量信息。仅在sentence_end为true时返回。
属性 duration integer已处理的音频时长,单位秒。 |
|
SSE 流式结果处理逻辑
在流式模式下,客户端需关注以下处理要点:
- 每收到一个SSE事件,解析
data字段中的JSON。 - 通过
output.sentence.sentence_end判断当前句子是否结束:当该值为true时,该句识别完成,词级时间戳已稳定,可作为最终结果使用;当该值为false时,识别仍在进行中,文本和时间戳可能在后续事件中更新。 usage信息仅在句子结束事件中返回,包含音频处理时长。