服务功能

数据限制

接口接受的单个请求的最大音频数据量如下：

• WebSocket 接口最多接受 100 MB 音频。
• 同步 HTTP 接口最多接受 100 MB 音频。
• 异步 HTTP 接口最多接受 1 GB 音频。

有关使用压缩将可发送到服务的数据量最大化的更多信息，请参阅 数据限制和压缩。

WebSocket 接口的优点

与 HTTP 接口相比，WebSocket 接口有多项优点。 WebSocket 接口

• 提供单套接字、全双工通信通道。 该接口可让客户端向服务发送多个请求，并以异步方式通过单个连接接收结果。
• 提供更简单且更强大的编程体验。 服务将事件驱动的响应发送到客户机的消息，从而无需客户机轮询服务器。
• 允许建立并无限期地使用单个已认证的连接。 HTTP 接口需要认证对服务的每个调用。
• 缩短等待时间。 识别结果可更快地到达，因为服务会将结果直接发送到客户机。 HTTP 接口需要四个不同的请求和连接才能实现相同的结果。
• 降低网络利用率。 WebSocket 协议是轻量级的。 它只需要单个连接就能执行实时语音识别。
• 支持音频从浏览器（HTML5 WebSocket 客户机）直接流式传输到服务。
• 使用大型语音模型，下一代模型或请求临时结果时，只要结果可用，就会立即返回结果。

语音或文字检测

使用新参数 speech_begin_event 来接收在音频流中检测到时刻语音的通知事件。 此功能允许实时应用程序在您开始发言时进行学习。 此功能部件的常见用例是在自动化代理程序系统中实现打款。 打断包括在呼叫者开始说话时中断音频回放。 将该值设置为 true 可使 Speech to Text 服务发送回一个 speech_begin_event 响应，该响应包含首次在音频流中检测到语音活动的时间。 可以在标准和低等待时间方式下使用此参数。

• 参数名称 :speech_begin_event
• 请求参数 :speech_begin_event = true/false (布尔值)
• 响应对象: "speech_begin_event.begin"，例如: {"speech_begin_event": { "begin": }}

音频传输和超时

• 音频传输 描述了如何将音频作为连续的数据块流或作为一次性传输所有数据的一次性传输方式进行传输。 使用 WebSocket 接口时，音频数据始终会通过连接流式传输到服务。 使用 HTTP 接口时，您可以流式传输音频或一次性全部发送。
• 超时 由服务用于确保音频流期间的活动数据流。 当您启动流式会话时，服务会强制实施不活动和会话超时，应用程序必须从这些不活动和超时中正常恢复。 如果在流式会话期间达到超时，服务会关闭连接。

临时结果和低延迟

• 中间结果 是服务在转录过程中返回的中间假设。 它们只能在WebSocket接口上使用。 该服务会在成绩单完成后返回最终结果。 使用 HTTP 接口时，服务始终会转录整个音频流后，才会发送任何结果。

临时结果不可用于大型语音模型。

• 低延迟，与某些下一代模型一起使用时，指示服务生成最终结果的速度比模型通常更快。 WebSocket 和 HTTP 接口提供了低等待时间。 虽然低延迟进一步增强了模型的已改进响应时间，但可能会降低转录准确性。 将下一代模型与 WebSocket 接口配合使用时，需要低延迟才能获取临时结果。

对于大型语音模型，低延迟不可用。

语音活动检测

• 语音检测器敏感度 调整服务检测语音活动的敏感度。 使用该参数可抑制来自音乐，咳嗽和其他可对语音识别质量产生不利影响的非语音事件的词插入。
• 背景音频抑制 禁止基于其音量的背景音频，以防止其转录为语音。 使用该参数可抑制语音识别中的旁白或背景噪音。

语音音频解析

• 短语结束静默时间指定服务为响应静默，而用于将文字记录拆分为多个最终结果的停顿时间间隔的持续时间。 如果服务在到达音频流末尾之前检测到停顿或长时间静默，那么其响应可能包含多个最终结果。 您可以增大或减小暂停时间间隔以影响接收到的结果。
• 在短语结束位置拆分文字记录指示服务根据语义特征（例如，句子），将文字记录拆分为多个最终结果。 服务对语义特征的理解基于您用于请求的基本语言模型。 定制语言模型和语法还可能会影响服务拆分文字记录的方式和位置。

短语结尾的拆分文字记录不可用于大型语音模型。

• 字符插入偏差 指定大型语音模型或下一代模型在语音识别期间生成假设时是偏向较短还是较长的字符串。 在开发转录假设时，服务会优化其解析音频的方式，以在不同长度的竞争字符串之间进行平衡。 您可以指示服务将其分析偏向较短或较长的字符串。

字符插入偏差不可用于大型语音模型。

说话者标签

• 说话者标签 从多参与者交换的音频中识别不同的说话者。 转录标记每个演讲者对多参与者对话的贡献的单词和时间。 发言人标签是 Beta 功能。

关键字识别和词替代项

• 关键字识别，用于识别与具有用户定义置信度级别的指定关键字字符串相匹配的所讲短语。 当音频中的各个短语比完整转录更重要时，关键字识别功能特别有用。 例如，客户支持系统可识别关键字以确定如何路由用户请求。
• 词替代项，用于请求其发音与文字记录中的词相似的替代词。 它标识的词必须满足用户指定的最小置信度阈值。 该服务可识别发音相似的词，并提供其开始和结束时间，以及可能替代项的置信度。

这些功能仅受先前生成的模型支持。 大型语音模型和下一代模型不支持这些模型。

响应格式化和过滤

• 智能格式化版本 2 是新的改进功能，用于将日期，时间，数字，字母数字序列，货币值，度量，电子邮件，URL，IP 地址，信用卡号和指定标点符号转换为最终文字记录中更易读的常规格式。 这仅支持美国英语，巴西葡萄牙语，法语，德语，卡斯蒂利亚西班牙语，西班牙拉丁美洲和加拿大法语的大型语音模型和下一代模型。 当识别美国英语音频时，它也可用于 en-WW_Medical_Telephony 模型。
• 智能格式设置，用于在最终文字记录中将日期、时间、数字、货币值、电话号码和因特网地址转换为可读性更高的传统格式。 对于美国英语，还可以提供关键字短语，以在最终文字记录中包含特定标点符号。 智能格式设置是 Beta 功能。
• 数字编辑，用于编辑或掩蔽最终文字记录中的数字数据。 编辑的目的是从最终成绩单中删除敏感的个人信息，如信用卡号码。 数字编辑是 Beta 功能。
• 不雅言辞过滤 从文字记录和元数据中检剔不雅言辞。

响应元数据

• 最大替代项数，用于提供可能的替代文字记录。 服务会指示其置信度最大的最终结果。
• 词置信度，用于返回文字记录中每个词的置信度级别。
• 词时间戳记，用于返回文字记录中每个词的开始时间和结束时间的时间戳记。

这些功能仅支持先前和下一代模型。 大型语音模型不支持这些功能。

处理和音频度量值

• 处理度量值，用于提供有关服务的输入音频分析的详细计时信息。 服务以指定的时间间隔返回度量值以及转录事件，例如中间结果和最终结果。 可以使用度量值来测量服务转录音频的进度。 您可以使用 WebSocket 和异步 HTTP 接口来请求处理度量值。
• 音频度量值，用于提供有关输入音频信号特征的详细信息。 在语音处理结束时，结果中提供整个输入音频的聚集度量值。 可以使用度量值来确定音频的特征和质量。 可以使用任何服务接口来请求音频度量值。