产品概述

硅基智能语音识别（ASR, Automatic Speech Recognition）针对日益丰富多样的市场需求，基于深度神经网络（DNN）技术，提供强大、稳定、易用的核心语音动力引擎为企业提供极具性价比的语音识别服务。功能包括录音文件识别、实时语音识别、一句话识别，适用于智能问答、智能质检、会议录音转写、语音输入等多个应用场景，并支持离线部署方式

功能描述

录音文件识别：支持长时长录音文件识别，离线版本不限制时长，取决于终端设备的内存大小。适用于长语音、实时性要求不高的场景，如智能质检等。
- 语言支持：暂只支持中文普通话
- 音频格式：支持wav、pcm等音频格式
- 音频编码：支持8k、16k的单声道音频流，支持16bit的数据采样精度
- 音频数据长度：音频流中每个数据包的音频分片为20-200ms（建议为20的倍数）
实时语音识别：对实时音频流进行识别，达到“说完即出文字”的效果。适用于实时性要求较高的场景，如语音输入、电话机器人等
- 语言支持：暂只支持中文普通话
- 音频格式：支持wav、pcm等音频格式
- 音频编码：支持8k、16k的单声道音频流，支持16bit的数据采样精度
- 音频数据长度：音频流中每个数据包的音频分片为20-200ms（建议为20的倍数）
一句话识别：对一句话短音频文件进行识别，离线版本支持超过1分钟时长的识别
- 语言支持：暂只支持中文普通话
- 音频格式：支持wav、pcm等音频格式
- 音频编码：支持8k、16k的单声道音频流，支持16bit的数据采样精度
- 音频数据长度（大小）：音频流中每个数据包的音频分片为20-200ms（建议为20的倍数）

产品优势

价格合理
自主研发，离线部署基于终端设备或服务器路数计费，对接灵活，价格优惠，商务可协商。
识别准确
识别准确率高，采用国际领先的语音语言一体化建模方法，融合硅基自研的深度自然语言处理技术，基于大量自建的行业录音数据进行训练，大幅提高识别准确率。
中文标点符号智能标注
基于大规模数据集训练，根据语音的内容理解和停顿，智能在文字段中添加合理的标点符号（包括，。！？），使文本的可读性更强
多领域智能语义解析
支持数十个行业细分领域的语义理解，如：金融，保险，政务等，在不同场景下更准确地理解用户意图。
离线部署
本地私有化部署，低延迟，保证企业数据安全，私密性强。

接口说明

硅基智能语音识别服务提供tcp、ws多种通信方式，后端可对接多种引擎，除直接包装代理通信外，还支持对业务的组合包装，满足多种业务使用场景。

ws和tcp接口交互过程分以下几个步骤：
1. 选择通信协议,建立连接, 完成tcp握手,ws协议升级等操作
2. 发送请求参数：Len（长度，4B(字节)）+Endpoint（功能，2B(字节)）+Payload（载荷）
3. 获取返回结果：Len（长度，4B(字节)）+Endpoint（功能，2B(字节)）+Payload（载荷）
4. 循环3-4步骤
5. 完成交互，断开连接，销毁相关资源。
说明
1. 载荷内容可能是音频流, 可能是json,根据具体接⼝协定,后面具体请求都会有示例
2. 长度4字节描述是指静载荷长度，不包含包头4B和Endpoint的2B长度
3. Endpoint 指的是功能点，比如154为asr功能，150为tts功能，请求的Endpoint和返回的不相同
4. 包头4B和Endpoint的2B为大端模式
5. 请求和返回次数不是一一对应, 可能多次请求一次返回,或者一次请求多次返回。
6. 可以在建立连接后，正式请求前，建立握手信息，握手信息作用如下：1. 标识请求方的身份 2.方便精确定位 3. 修改本次请求默认配置信息后面会有具体示例

请求示例

自研asr的接口已经和阿里完全适配, 只需要把阿里提供的sdk中请求url改成硅基的url即可硅基asr目前不返回TranscriptionResultChanged事件
阿里的接口文档地址：https://help.aliyun.com/document_detail/84428.html?spm=a2c4g.11186623.6.584.43d954dbSrmMNs

请求示例

1、握手请求：

参数	格式	样例	说明
包长	数值	75	0~4G
端点	数值	128	0~65535
参数	JSON	`{"appid":"asr","uuid":"9609b704","ActionArgs": {"129":{"voice_threshold":"10","noise_threshold": "25"}}}`	握手报文

返回：

参数	格式	样例	说明
包长	数值	9	0~4G
端点	数值	2	0~65535
参数	JSON	MYFZXBPB	此次请求平台侧的logid

说明：握手请求不是必须的，voice_threshold和noise_threshold含义如下： voice_threshold含义：在非开始说话的状态下,在连续判断为活跃的语音片段大于 voice_threshold阈值后，认为此时是开始说话，语音片段20ms音频为一段 noise_threshold含义：在开始说话的状态下，在连续判断为非活跃的语音片段大于阈值后，认为此时是结束说话，语音片段20ms音频为一段, 阿里是默认静音800ms认为此时是结束说话

2、识别PCM：

参数	格式	样例	说明
包长	数值	320	0~4G
端点	数值	154	0~65535
参数	Bin	< 二进制音频数据 >	原始语音的pcm

说明：识别数据会持续不断的发送

返回：

参数	格式	样例	说明
包长	数值	48	0~4G
端点	数值	3	0~65535
参数	数据	`{"state":1,"CurSeq":420,"CurPos":537600,"CurTime":33600}`	此次请求的前端点

参数	格式	样例	说明
包长	数值	54	0~4G
端点	数值	3	0~65535
参数	数据	`{"state":0,"CurSeq":446,"CurPos":570880,"CurTime":35680}`	此次请求的后端点