接口描述

将60秒以内的语音精准识别为文字，可适用于手机语音输入、智能语音交互、语音指令、语音搜索等短语音交互场景。

调用流程

1. 创建账号及应用： 在 ai.baidu.com 控制台中，创建应用，勾选开通 “语音技术”—“短语音识别”、“短语音识别极速版” 能力。获取AppID、API Key、Secret Key，并通过请求鉴权接口换取 token ，详细见 “接入指南”。
2. 创建识别请求： POST 方式，音频可通过 JSON 和 RAW 两种方式提交。JSON 方式音频数据由于 base64 编码，数据会增大1/3。其他填写具体请求参数 ，详见 ”请求说明“。
3. 短语音识别请求地址： http://vop.baidu.com/server_api
4. 返回识别结果：识别结果会即刻返回，采用 JSON 格式封装，如果识别成功，识别结果放在 JSON 的 “result” 字段中，统一采用 utf-8 方式编码。详见 ”返回说明“。
   

音频格式

格式支持：pcm（不压缩）、wav（不压缩，pcm编码）、amr（压缩格式）、m4a（压缩格式）。推荐pcm 采样率 ：16000、8000（仅支持普通话模型） 固定值。 编码：16bit 位深的单声道。

百度服务端会将非pcm格式，转为pcm格式，因此使用wav、amr、m4a会有额外的转换耗时。

• 16k 采样率 pcm 文件样例下载
• 16k 采样率 wav 文件样例下载
• 16k 采样率 amr 文件样例下载
• 16k 采样率 m4a 文件样例下载

m4a 格式说明

目前普通版、极速版均支持m4a格式。主要针对微信小程序的录音。

m4a 格式（AAC 编码）

1. 仅支持单声道
2. 采样率支持 16000、8000（仅支持普通话模型）
3. CBR bitrates 24000-96000，推荐 48000
4. 仅支持 AAC-LC， 不支持 例如 HE-AAC ，LD，ELD 等
5. brand 仅支持 mp42:0, mini Version 0, 不支持 M4A

微信小程序录音设置，见 微信官方文档

微信小程序录音参数，请重点关注并 设置 以下必填字段：

在线调试&示例代码

您可以在 示例代码中心 中调试该接口，可进行签名验证、查看在线调用的请求内容和返回结果、示例代码的自动生成。

示例代码见： https://github.com/Baidu-AIP/speech-demo

包含通过bash_shell，C，Java，Python，Php，Postman进行API请求的相关示例demo代码。

请求说明

语音数据上传 POST 方式有 2 种：

1. JSON 格式 POST 上传本地音频文件。
2. RAW 格式 POST 上传本地音频文件。

JSON 方式

• 音频文件，读取二进制内容后，进行 base64 编码后放在 speech 参数内。
• 音频文件的原始大小, 即二进制内容的字节数，填写 “len” 字段

由于使用 json 格式， header 为：

   Content-Type:application/json

注意 由于 base64 编码后，数据会增大 1/3。

RAW方式

• 音频文件，读取二进制内容后，直接放在 body 中。
• Content-Length 的值即为音频文件的大小。（一般代码会自动生成）。

由于使用 raw 方式， 采样率和文件格式需要填写在 Content-Type 中

   Content-Type: audio/pcm;rate=16000

JSON方式上传音频

语音数据和其他参数通过标准 JSON 格式串行化 POST 上传， JSON 里包括的参数：

上传示例

JSON 格式 POST 上传本地文件

固定头部 header

Content-Type:application/json

请求示例

POST http://vop.baidu.com/server_api 

speech 参数填写为 文件内容 base64 后的结果：

{
    "format":"pcm",
    "rate":16000,
    "dev_pid":1537,
    "channel":1,
    "token":xxx,
    "cuid":"baidu_workshop",
    "len":4096,
    "speech":"xxx", // xxx为 base64（FILE_CONTENT）
}

返回示例

{"corpus_no":"6433214037620997779","err_msg":"success.","err_no":0,"result":["北京科技馆，"],"sn":"371191073711497849365"}

注意事项

len 字段表示原始语音大小字节数，不是 base64 编码之后的长度。

RAW 方式上传音频

语音数据直接放在 HTTP BODY 中，控制参数以及相关统计信息通过 header 和 url 里参数传递。

Header 参数说明

语音数据的采样率和压缩格式在 HTTP-HEADER 里的 Content-Type 表明，例：

Content-Type: audio/pcm;rate=16000

url 参数说明

URL 示例：

POST http://vop.baidu.com/server_api?dev_pid=1537&cuid=******&token=1.a6b7dbd428f731035f771b8d********.86400.1292922000-2346678-124328

// 或者使用自训练平台

POST http://vop.baidu.com/server_api?dev_pid=1537&lm_id=1234&cuid=******&token=1.a6b7dbd428f731035f771b8d********.86400.1292922000-2346678-124328 

raw 方式测试示例

curl -i -X POST -H "Content-Type: audio/pcm;rate=16000" "http://vop.baidu.com/server_api?dev_pid=1537&cuid=xxxxx&token=1.a6b7dbd428f731035f771b8d********.86400.1292922000-2346678-124328" --data-binary "@/home/test/test.pcm"

识别模型 dev_pid 参数

dev_pid 参数列表

• 短语音识别

请求地址: http://vop.baidu.com/server_api

• 自训练平台

请求地址: http://vop.baidu.com/server_api

如果您在百度云购买服务器，可以通过内网域名vop.baidubce.com替换vop.baidu.com访问。该域名可免外网流量费用，且返回识别结果速度更快

• 自定义词库

自定义词库功能，可对部分专有业务名词进行识别优化。自定义词库在您网页申请的应用内设置（具体位置参见下图）。

自定义词库适合短句，保证词库中一模一样的短句可以被识别出，词库中的分词优先级较高。 自定义词库仅对普通话 dev_pid = 1537 生效，并且原始音频的采用率为 16K 或 8k。最好在 1万 行以内。

返回说明

两种上传方式都返回统一的结果，采用 JSON 格式封装，如果识别成功，识别结果放在 JSON 的 “result” 字段中，统一采用 utf-8 方式编码。

识别成功返回 case

{"err_no":0,"err_msg":"success.","corpus_no":"15984125203285346378","sn":"481D633F-73BA-726F-49EF-8659ACCC2F3D","result":["北京天气"]}

识别错误返回 case

{"err_no":2000,"err_msg":"data empty.","sn":"481D633F-73BA-726F-49EF-8659ACCC2F3D"}