接口描述

一句话识别大模型支持将短语音内容快速、准确地转换为文字，通过 HTTP 接口同步返回识别结果。依托新一代语音识别大模型，提升多语种、方言、不同口音及复杂噪声环境下的识别准确率，兼顾识别精度与响应速度，适用于语音输入、语音搜索、语音指令、智能硬件交互等短语音应用场景。

(本接口处于邀测阶段，请提交合作咨询申请测试）

调用流程

1. 前置准备： 注册百度智能云账号并完成实名认证，获取接口鉴权凭证。支持 Access Token 和 API Key 两种鉴权方式，任选其一即可，详见鉴权认证。
2. 创建识别请求： 将音频文件进行 Base64 编码，填入 JSON 请求体的 speech 字段，并配置识别模型、音频格式、采样率等参数。
3. 发送识别请求： 通过 HTTP POST 方式调用一句话识别大模型接口，提交音频数据及相关参数。
4. 获取识别结果： 接口处理完成后，同步返回 JSON 格式的识别结果。识别成功时，可通过 result 字段获取识别文本。

请求说明

请求地址：

https://aip.baidubce.com/rest/2.0/speech/publiccloudspeech/v1/voice/server_api

HTTP 方法： POST

接口仅支持通过 JSON 格式上传 Base64 编码后的音频数据，同步返回识别结果。

鉴权说明

当前接口支持 API Key 和 Access Token 两种鉴权方式，任选其一即可，无需同时填写。

请求头说明

• Content-Type: application/json
• Authorization: Bearer <API_KEY>（使用 API Key 鉴权时填写）

使用 Access Token 鉴权时，通过请求体中的 token 字段传入鉴权信息。Access Token 可通过 API Key 和 Secret Key 获取，详见鉴权认证。

音频格式要求

一句话识别大模型支持 PCM、WAV、AMR、M4A 四种音频格式，推荐使用 16 kHz、16-bit、单声道 PCM 音频，以获得更高效的识别体验。

注意事项：

• 推荐使用 PCM 格式，以减少额外的音频解码及格式转换耗时。使用 WAV、AMR、M4A 格式时，可能产生额外处理耗时。
• 音频文件的实际采样率应与请求参数 rate 保持一致。
• 上传音频需先进行 Base64 编码，并通过 JSON 请求体中的 speech 字段传入。

音频文件样例：

• 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

接口支持符合以下编码及容器要求的 M4A 音频文件。

1. 声道： 仅支持单声道。
2. 采样率： 支持 16000 Hz、8000 Hz。
3. 编码码率： 支持 CBR 24～96 kbps，推荐 48 kbps。
4. 编码格式： 仅支持 AAC-LC，不支持 HE-AAC、AAC-LD、AAC-ELD 等其他 AAC 编码规格。
5. 容器要求： 仅支持 major_brand=mp42、minor_version=0 的 MP4 容器，不支持 major_brand=M4A 的容器格式。

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

1Content-Type:application/json

请求示例

1POST https://aip.baidubce.com/rest/2.0/speech/publiccloudspeech/v1/voice/server_api

speech 参数填写为 文件内容 base64 后的结果：

1{
2  "format": "pcm",
3  "rate": 16000,
4  "channel": 1,
5  "cuid": "baidu_workshop",
6  "token": "YOUR_ACCESS_TOKEN",
7  "model": "qianfan-asr-v1",
8  "speech": "BASE64_ENCODED_AUDIO",
9  "len": 4096
10}

返回示例

1{
2  "err_no": 0,
3  "err_msg": "success.",
4  "corpus_no": "15984125203285346378",
5  "sn": "481D633F-73BA-726F-49EF-8659ACCC2F3D",
6  "result": [
7    "北京天气"
8  ]
9}

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。

返回说明

接口采用 JSON 格式返回识别结果，识别文本统一采用 UTF-8 编码。识别成功时，可通过 result 字段获取识别文本。

识别成功返回示例

1{
2  "err_no": 0,
3  "err_msg": "success.",
4  "corpus_no": "15984125203285346378",
5  "sn": "481D633F-73BA-726F-49EF-8659ACCC2F3D",
6  "result": ["北京天气"]
7}

识别识别返回示例

1{
2  "err_no": 2000,
3  "err_msg": "data empty.",
4  "sn": "481D633F-73BA-726F-49EF-8659ACCC2F3D"
5}