SDK de Java para reconocimiento de voz no en tiempo real de Paraformer SDK_Alibaba Cloud Model Studio(Model Studio) - Alibaba Cloud Model Studio

Este tema describe los parámetros y los detalles de la interfaz del SDK de Java para reconocimiento de voz no en tiempo real de Paraformer.

ImportanteAlibaba Cloud Model Studio ha lanzado un dominio específico de espacio de trabajo para la región China (Beijing). El nuevo dominio dedicado ofrece un rendimiento superior y mayor estabilidad para las solicitudes de inferencia. Recomendamos migrar de dashscope.aliyuncs.com a {WorkspaceId}.cn-beijing.maas.aliyuncs.com.

Reemplace {WorkspaceId} con su ID de espacio de trabajo real. El dominio existente permanece totalmente funcional.

Guía del usuario:Reconocimiento de voz no en tiempo real

Requisitos previos

Ha activado el servicio y ha seguido los pasos para Obtener una clave de API. Por favor, Configure la clave de API como una variable de entorno en lugar de codificarla directamente en su código para prevenir riesgos de seguridad causados por fugas de código.

NotaCuando necesite proporcionar acceso temporal a aplicaciones o usuarios externos, o cuando want controlar estrictamente operaciones de alto riesgo como acceder o eliminar datos sensibles, le recomendamos utilizar tokens de autenticación temporal.

En comparación con las claves de API a largo plazo, los tokens de autenticación temporal tienen un período de validez corto (60 segundos) y mayor seguridad, lo que los hace adecuados para escenarios de llamadas temporales y reduce eficazmente el riesgo de fuga de claves de API.

Uso: En su código, reemplace la clave de API utilizada originalmente para la autenticación con el token de autenticación temporal obtenido.

Instale el SDK de DashScope más reciente.

Inicio rápido

La clase Core (Transcription) proporciona interfaces para enviar tareas de forma asíncrona, esperar sincrónicamente a que se completen las tareas y consultar resultados de tareas de forma asíncrona. Puede utilizar los siguientes dos métodos de llamada para el reconocimiento de voz no en tiempo real:

Envío asíncrono + espera síncrona: Después de enviar una tarea, el hilo actual se bloquea hasta que la tarea finaliza y se obtiene el resultado de reconocimiento.
Envío asíncrono + consulta asíncrona: Después de enviar una tarea, puede consultar el resultado de la tarea en cualquier momento llamando a la interfaz de consulta.

Envío asíncrono + espera síncrona

Configure los Parámetros de solicitud.
Instancie la Clase principal (Transcription).
Llame al método asyncCall de la clase Core (Transcription) para enviar una tarea de forma asíncrona.
Nota
- El servicio de transcripción de archivos procesa las tareas enviadas a través de la API sobre la base del mejor esfuerzo. Después del envío, una tarea entra en el estado de espera (PENDING). El tiempo de espera depende de la longitud de la cola y la duración del archivo, y no se puede estimar con precisión, pero generalmente se completa en unos pocos minutos. Una vez que comienza el procesamiento, el reconocimiento de voz se completa a varios cientos de veces la velocidad en tiempo real.
- Después de que cada tarea se completa, el resultado de reconocimiento y el enlace de descarga de la URL son válidos durante 24 horas. Después de la expiración, no puede consultar la tarea ni descargar resultados a través de la URL proporcionada anteriormente.
Llame al método wait de la clase Core (Transcription) para esperar sincrónicamente a que finalice la tarea.

Los estados de la tarea incluyen PENDING, RUNNING, SUCCEEDED y FAILED. Cuando la tarea está en estado PENDING o RUNNING, la interfaz wait se bloquea. Cuando la tarea está en estado SUCCEEDED o FAILED, la interfaz wait deja de estar bloqueada y devuelve el resultado de la tarea.

wait devuelve el Resultado de la tarea (TranscriptionResult).

Haga clic para ver el ejemplo completo

import com.alibaba.dashscope.audio.asr.transcription.*;
import com.google.gson.*;

import java.util.Arrays;

public class Main {
    public static void main(String[] args) {
        // The following configuration is for the China (Beijing) region. Replace "{WorkspaceId}" with your actual workspace ID. The configuration varies by region.
        Constants.baseHttpApiUrl = "https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api/v1";
        // Create transcription request parameters
        TranscriptionParam param =
                TranscriptionParam.builder()
                        // If the API Key is not configured in an environment variable, replace apiKey with your own API Key
                        //.apiKey("apikey")
                        .model("paraformer-v2")
                        // "language_hints" is only supported by the paraformer-v2 model
                        .parameter("language_hints", new String[]{"zh", "en"})
                        .fileUrls(
                                Arrays.asList(
                                        "{YOUR_AUDIO_URL}"))
                        .build();
        try {
            Transcription transcription = new Transcription();
            // Submit transcription request
            TranscriptionResult result = transcription.asyncCall(param);
            System.out.println("RequestId: " + result.getRequestId());
            // Block and wait for the task to complete and get the result
            result = transcription.wait(
                    TranscriptionQueryParam.FromTranscriptionParam(param, result.getTaskId()));
            // Print result
            System.out.println(result.getOutput());
        } catch (Exception e) {
            System.out.println("error: " + e);
        }
        System.exit(0);
    }
}

Envío asíncrono + consulta asíncrona

Configure los Parámetros de solicitud.
Instancie la Clase principal (Transcription).
Llame al método asyncCall de la clase Core (Transcription) para enviar una tarea de forma asíncrona.
Nota
- El servicio de transcripción de archivos procesa las tareas enviadas a través de la API sobre la base del mejor esfuerzo. Después del envío, una tarea entra en el estado de espera (PENDING). El tiempo de espera depende de la longitud de la cola y la duración del archivo, y no se puede estimar con precisión, pero generalmente se completa en unos pocos minutos. Una vez que comienza el procesamiento, el reconocimiento de voz se completa a varios cientos de veces la velocidad en tiempo real.
- Después de que cada tarea se completa, el resultado de reconocimiento y el enlace de descarga de la URL son válidos durante 24 horas. Después de la expiración, no puede consultar la tarea ni descargar resultados a través de la URL proporcionada anteriormente.
Llame en bucle al método fetch de la clase Core (Transcription) hasta obtener el resultado final de la tarea.

Cuando el estado de la tarea sea SUCCEEDED o FAILED, detenga el sondeo y procese el resultado.

fetch devuelve el Resultado de la tarea (TranscriptionResult).

Haga clic para ver el ejemplo completo

import com.alibaba.dashscope.audio.asr.transcription.*;
import com.alibaba.dashscope.common.TaskStatus;
import com.google.gson.*;

import java.util.Arrays;

public class Main {
    public static void main(String[] args) {
        // The following configuration is for the China (Beijing) region. Replace "{WorkspaceId}" with your actual workspace ID. The configuration varies by region.
        Constants.baseHttpApiUrl = "https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api/v1";
        // Create transcription request parameters
        TranscriptionParam param =
                TranscriptionParam.builder()
                        // If the API Key is not configured in an environment variable, replace apiKey with your own API Key
                        //.apiKey("apikey")
                        .model("paraformer-v2")
                        // "language_hints" is only supported by the paraformer-v2 model
                        .parameter("language_hints", new String[]{"zh", "en"})
                        .fileUrls(
                                Arrays.asList(
                                        "{YOUR_AUDIO_URL}"))
                        .build();
        try {
            Transcription transcription = new Transcription();
            // Submit transcription request
            TranscriptionResult result = transcription.asyncCall(param);
            System.out.println("RequestId: " + result.getRequestId());
            // Loop to get the task result until the task finishes
            while (true) {
                result = transcription.fetch(TranscriptionQueryParam.FromTranscriptionParam(param, result.getTaskId()));
                if (result.getTaskStatus() == TaskStatus.SUCCEEDED || result.getTaskStatus() == TaskStatus.FAILED) {
                    break;
                }
                Thread.sleep(1000);
            }
            // Print result
            System.out.println(result.getOutput());
        } catch (Exception e) {
            System.out.println("error: " + e);
        }
        System.exit(0);
    }
}

Parámetros de solicitud

Los parámetros de solicitud se configuran mediante los métodos encadenados de TranscriptionParam.

Haga clic para ver el ejemplo

TranscriptionParam param = TranscriptionParam.builder()
  .model("paraformer-v2")
  // "language_hints" is only supported by the paraformer-v2 model
  .parameter("language_hints", new String[]{"zh", "en"})
  .fileUrls(
          Arrays.asList(
                  "{YOUR_AUDIO_URL}"))
  .build();

Parámetro	Tipo	Predeterminado	Obligatorio	Descripción
model	String		Sí	Especifica el nombre del modelo Paraformer para la transcripción de archivos de audio/video. Consulte Modelos admitidos.
fileUrls	List<String>		Sí	La lista de URL de archivos de audio/video para transcripción. Admite protocolos HTTP/HTTPS. Solo se admite una URL por solicitud. Si los archivos de audio están almacenados en Alibaba Cloud OSS, el SDK no admite URL temporales con el prefijo oss://.
vocabularyId	String		No	El ID de palabras clave más reciente. Admite los últimos modelos de la serie v2 con configuración de idioma. Las palabras clave asociadas con este ID surten efecto para este reconocimiento de voz. Deshabilitado por defecto. Para instrucciones de uso, consulte Palabras clave personalizadas.
channelId	List<Integer>	[0]	No	Especifica los índices de pista de audio a reconocer en un archivo de audio multipista. Los índices comienzan desde 0. Por ejemplo, [0] significa reconocer la primera pista, y [0, 1] significa reconocer tanto la primera como la segunda pista simultáneamente. Si se omite este parámetro, solo se procesa la primera pista por defecto. ImportanteCada pista especificada se factura de forma independiente. Por ejemplo, solicitar [0, 1] para un solo archivo incurre en dos cargos separados.
disfluencyRemovalEnabled	Boolean	false	No	Filtra palabras de relleno. Deshabilitado de forma predeterminada.
timestampAlignmentEnabled	Boolean	false	No	Indica si se debe habilitar la función de alineación de marcas de tiempo. Deshabilitada de forma predeterminada.
specialWordFilter	String		No	Especifica las palabras sensibles que se deben procesar durante el reconocimiento de voz y permite configurar diferentes métodos de procesamiento para distintas palabras sensibles. Si no se proporciona este parámetro, el sistema utiliza la lógica de filtrado de palabras sensibles incorporada, y las palabras que coincidan con la lista de palabras sensibles de Alibaba Cloud Model Studio en los resultados de reconocimiento se reemplazarán con `` de igual longitud. Si se proporciona este parámetro, se pueden implementar las siguientes estrategias de procesamiento de palabras sensibles: Reemplazar con ``: Reemplaza las palabras sensibles coincidentes con `` de igual longitud. Filtrar directamente: Elimina completamente las palabras sensibles coincidentes de los resultados de reconocimiento. El valor de este parámetro debe ser una cadena JSON con la siguiente estructura: `{ "filter_with_signed": { "word_list": ["test"] }, "filter_with_empty": { "word_list": ["start", "happen"] }, "system_reserved_filter": true }` Descripciones de los campos JSON: `filter_with_signed` Tipo: Object. Obligatorio: No. Descripción: Configura la lista de palabras sensibles que se reemplazarán con ``. Las palabras coincidentes en los resultados de reconocimiento se reemplazarán con `` de igual longitud. Ejemplo: Utilizando el JSON anterior, el resultado de reconocimiento de voz para "Ayúdame a probar este código" sería "Ayúdame a *** este código". Campos internos: `word_list`: Una matriz de cadenas que enumera las palabras sensibles que se deben reemplazar. `filter_with_empty` Tipo: Object. Obligatorio: No. Descripción: Configura la lista de palabras sensibles que se eliminarán (filtrarán) de los resultados de reconocimiento. Las palabras coincidentes se eliminarán por completo. Ejemplo: Utilizando el JSON anterior, el resultado de reconocimiento de voz para "El juego está a punto de comenzar, ¿verdad?" sería "El juego está a punto de, ¿verdad?". Campos internos: `word_list`: Una matriz de cadenas que enumera las palabras sensibles que se deben eliminar por completo (filtrar). `system_reserved_filter` Tipo: Boolean. Obligatorio: No. Predeterminado: true. Descripción: Indica si se deben habilitar las reglas de palabras sensibles integradas del sistema. Cuando se establece en `true`, también se habilita la lógica de filtrado de palabras sensibles integrada del sistema, y las palabras que coincidan con la lista de palabras sensibles de Alibaba Cloud Model Studio en los resultados de reconocimiento se reemplazarán con `*` de igual longitud.
language_hints	String[]	["zh", "en"]	No	Especifica los códigos de idioma del habla que se va a reconocer. Este parámetro solo es aplicable al modelo paraformer-v2. Códigos de idioma admitidos: zh: Chino en: Inglés ja: Japonés yue: Cantonés ko: Coreano de: Alemán fr: Francés ru: Ruso Nota`language_hints` debe establecerse a través del método `parameter` o del método `parameters` de la instancia de `TranscriptionParam`: Set via parameter `TranscriptionParam param = TranscriptionParam.builder() // "language_hints" is only supported by the paraformer-v2 model .model("paraformer-v2") .parameter("language_hints", new String[]{"zh", "en"}) .build();` Set via parameters `TranscriptionParam param = TranscriptionParam.builder() // "language_hints" is only supported by the paraformer-v2 model .model("paraformer-v2") .parameters(Collections.singletonMap("language_hints", new String[]{"zh", "en"})) .build();`
diarizationEnabled	Boolean	false	No	Diarización automática de hablantes. Deshabilitada de forma predeterminada. Solo aplicable a audio mono. El audio multicanal no admite la diarización de hablantes. Cuando esta función está habilitada, los resultados de reconocimiento incluirán un campo `speaker_id` para distinguir a los diferentes hablantes. NotaSi la diarización de hablantes está habilitada, se recomienda que la duración del audio no exceda 2 horas; de lo contrario, el reconocimiento podría fallar o agotar el tiempo de espera. Para ver un ejemplo de `speaker_id`, consulte Descripción del resultado de reconocimiento.
speakerCount	Integer		No	Un valor de referencia para el número de hablantes. Valores válidos: enteros de 2 a 100 (inclusive). Surte efecto cuando la diarización de hablantes está habilitada (`diarizationEnabled` establecido en true). Por defecto, el sistema determina automáticamente el número de hablantes. Si este parámetro está configurado, solo sirve como sugerencia al algoritmo para intentar generar el número especificado de hablantes, pero no se garantiza la cantidad exacta.
apiKey	String		No	La API Key. Si la API Key ya está configurada en una variable de entorno, no necesita establecerla en el código. De lo contrario, debe establecerla en el código.

Respuesta

Resultado de la tarea (`TranscriptionResult`)

TranscriptionResult encapsula el resultado de la tarea actual.

Interfaz/Método	Parámetro	Valor de retorno	Descripción
`public String getRequestId()`	None	requestId	Obtiene el requestId.
`public String getTaskId()`	None	taskId	Obtiene el taskId.
`public TaskStatus getTaskStatus()`	None	`TaskStatus`, el estado de la tarea	Obtiene el estado de la tarea. `TaskStatus` es una clase de enumeración. Solo necesita prestar atención a los siguientes cuatro estados: `PENDING`, `RUNNING`, `SUCCEEDED` y `FAILED`. NotaCuando una tarea contiene múltiples subtareas, siempre que cualquier subtarea tenga éxito, el estado general de la tarea se marca como `SUCCEEDED`. Necesita verificar el campo `subtask_status` para determinar el resultado de cada subtarea.
`public List<TranscriptionTaskResult> getResults()`	None	Resultado de subtarea (TranscriptionTaskResult)	Obtiene el Resultado de subtarea (TranscriptionTaskResult). Cada tarea reconoce uno o más archivos de audio. Los diferentes archivos de audio se procesan en distintas subtareas, por lo que cada tarea corresponde a una o más subtareas.
`public JsonObject getOutput()`	None	Resultado de la tarea en formato JSON	Obtiene el resultado de la tarea. El resultado está en formato JSON. Si utiliza la interfaz `getOutput` para obtener el resultado de la tarea, deberá analizarlo usted mismo. Haga clic para ver el ejemplo JSON Ejemplo normal { "task_id":"0795ff8c-b666-4e91-bb8b-xxx", "task_status":"SUCCEEDED", "submit_time":"2025-02-13 16:12:09.109", "scheduled_time":"2025-02-13 16:12:09.128", "end_time":"2025-02-13 16:12:10.189", "results":[ { "file_url":"{YOUR_AUDIO_URL}", "transcription_url":"https://dashscope-result-bj.oss-cn-beijing.aliyuncs.com/prod/paraformer-v2/20250213/16%3A12/3baafe5f-d09d-46c6-8b01-724927670edb-1.json?Expires=1739520730&OSSAccessKeyId=YOUR_ACCESS_KEY_ID&Signature=YOUR_SIGNATURE", "subtask_status":"SUCCEEDED" } ], "task_metrics":{ "TOTAL":1, "SUCCEEDED":1, "FAILED":0 } } Ejemplo de error "`code`" es el código de error y "`message`" es el mensaje de error. Estos dos campos solo aparecen en escenarios de error. Puede usarlos para solucionar problemas consultando Códigos de error. `{ "task_id": "7bac899c-06ec-4a79-8875-xxxxxxxxxxxx", "task_status": "SUCCEEDED", "submit_time": "2024-12-16 16:30:59.170", "scheduled_time": "2024-12-16 16:30:59.204", "end_time": "2024-12-16 16:31:02.375", "results": [ { "file_url": "{YOUR_AUDIO_URL}", "code": "InvalidFile.DownloadFailed", "message": "The audio file cannot be downloaded.", "subtask_status": "FAILED" } ], "task_metrics": { "TOTAL": 1, "SUCCEEDED": 0, "FAILED": 1 } }`

Resultado de subtarea (`TranscriptionTaskResult`)

TranscriptionTaskResult encapsula el resultado de la subtarea. Una subtarea reconoce un único archivo de audio.

Interfaz/Método	Parámetro	Valor de retorno	Descripción
`public String getFileUrl()`	None	URL del archivo de audio reconocido	Obtiene la URL del archivo de audio reconocido.
`public String getTranscriptionUrl()`	None	URL del resultado de reconocimiento	Obtiene la URL del resultado de reconocimiento. Esta URL es válida durante 24 horas. Después de la expiración, no puede consultar la tarea ni descargar resultados a través de la URL proporcionada anteriormente. El resultado de reconocimiento se guarda como un archivo JSON. Puede descargar el archivo a través de la URL anterior o leer directamente su contenido mediante una solicitud HTTP. Para conocer el significado de cada campo en los datos JSON, consulte Descripción del resultado de reconocimiento.
`public TaskStatus getSubTaskStatus()`	None	`TaskStatus`, el estado de la subtarea	Obtiene el estado de la subtarea. `TaskStatus` es una clase de enumeración. Solo necesita prestar atención a los siguientes cuatro estados: `PENDING`, `RUNNING`, `SUCCEEDED` y `FAILED`.
`public String getMessage()`	None	Información clave durante la ejecución de la tarea, que puede estar vacía	Obtiene información clave durante la ejecución de la tarea. Cuando una tarea falla, puede revisar este contenido para analizar la causa.

Descripción del resultado de reconocimiento

El resultado del reconocimiento se guarda como un archivo JSON.

Haga clic para ver el ejemplo de resultado de reconocimiento

{
    "file_url":"{YOUR_AUDIO_URL}",
    "properties":{
        "audio_format":"pcm_s16le",
        "channels":[
            0
        ],
        "original_sampling_rate":16000,
        "original_duration_in_milliseconds":3834
    },
    "transcripts":[
        {
            "channel_id":0,
            "content_duration_in_milliseconds":3720,
            "text":"Hello world, this is the Alibaba speech laboratory.",
            "sentences":[
                {
                    "begin_time":100,
                    "end_time":3820,
                    "text":"Hello world, this is the Alibaba speech laboratory.",
                    "sentence_id":1,
                    "speaker_id":0, //This field is only displayed when automatic speaker diarization is enabled
                    "words":[
                        {
                            "begin_time":100,
                            "end_time":596,
                            "text":"Hello ",
                            "punctuation":""
                        },
                        {
                            "begin_time":596,
                            "end_time":844,
                            "text":"world",
                            "punctuation":", "
                        }
                        // Other content omitted here
                    ]
                }
            ]
        }
    ]
}

Los parámetros clave son los siguientes:

Parámetro	Tipo	Descripción
audio_format	string	El formato de audio del archivo fuente.
channels	array[integer]	La información del índice de pistas de audio del archivo fuente. Devuelve [0] para audio mono, [0, 1] para audio de doble pista, y así sucesivamente.
original_sampling_rate	integer	La frecuencia de muestreo (Hz) del audio en el archivo fuente.
original_duration	integer	La duración original del audio (ms) del archivo fuente.
channel_id	integer	El índice de la pista de audio del resultado de transcripción, comenzando desde 0.
content_duration	integer	La duración (ms) del contenido identificado como habla en la pista de audio. El servicio de modelo de reconocimiento de voz Paraformer solo transcribe y mide el contenido identificado como voz en la pista de audio, y factura en consecuencia. El contenido que no es voz no se mide ni se factura. Normalmente, la duración del contenido de voz es menor que la duración del audio original. Dado que la determinación de si existe contenido de voz la realiza un modelo de IA, puede haber alguna desviación respecto a la situación real.
transcript	string	El resultado de la transcripción de voz a nivel de párrafo.
sentences	array	El resultado de la transcripción de voz a nivel de oración.
words	array	El resultado de la transcripción de voz a nivel de palabra.
begin_time	integer	La marca de tiempo de inicio (ms).
end_time	integer	La marca de tiempo de finalización (ms).
text	string	El resultado de la transcripción de voz.
speaker_id	integer	El índice del hablante actual, comenzando desde 0, utilizado para distinguir a los diferentes hablantes. Este campo solo se muestra en los resultados de reconocimiento cuando la diarización de hablantes está habilitada.
punctuation	string	La puntuación predicha después de la palabra (si la hay).

Interfaces clave

Clase de parámetros de consulta de tarea (`TranscriptionQueryParam`)

TranscriptionQueryParam se utiliza al esperar a que se complete una tarea (llamando al método Transcription wait) o al consultar el resultado de la tarea (llamando al método Transcription fetch).

Cree una instancia de TranscriptionQueryParam mediante el método estático FromTranscriptionParam.

Haga clic para ver el ejemplo

// Create transcription request parameters
TranscriptionParam param =
        TranscriptionParam.builder()
                // If the API Key is not configured in an environment variable, replace apiKey with your own API Key
                //.apiKey("apikey")
                .model("paraformer-v2")
                // "language_hints" is only supported by the paraformer-v2 model
                .parameter("language_hints", new String[]{"zh", "en"})
                .fileUrls(
                        Arrays.asList(
                                "{YOUR_AUDIO_URL}"))
                .build();
try {
    Transcription transcription = new Transcription();
    // Submit transcription request
    TranscriptionResult result = transcription.asyncCall(param);
    System.out.println("RequestId: " + result.getRequestId());
    TranscriptionQueryParam queryParam = TranscriptionQueryParam.FromTranscriptionParam(param, result.getTaskId());

} catch (Exception e) {
    System.out.println("error: " + e);
}

Interfaz/Método	Parámetro	Valor de retorno	Descripción
`public static TranscriptionQueryParam FromTranscriptionParam(TranscriptionParam param, String taskId)`	`param`: Una instancia de `TranscriptionParam` `taskId`: El ID de la tarea	Una instancia de `TranscriptionQueryParam`	Crea una instancia de `TranscriptionQueryParam`.

Clase principal (`Transcription`)

Transcription se puede importar con "import com.alibaba.dashscope.audio.asr.transcription.*;". Sus interfaces clave son las siguientes:

Interfaz/Método	Parámetro	Valor de retorno	Descripción
`public TranscriptionResult asyncCall(TranscriptionParam param)`	`param`: Parámetros de reconocimiento de voz, una instancia de `TranscriptionParam`	Resultado de la tarea (TranscriptionResult)	Envía una tarea de reconocimiento de voz de forma asíncrona.
`public TranscriptionResult wait(TranscriptionQueryParam queryParam)`	`queryParam`: Una instancia de `TranscriptionQueryParam`	Resultado de la tarea (TranscriptionResult)	Bloquea el hilo actual hasta que finaliza la tarea asíncrona (el estado de la tarea es `SUCCEEDED` o `FAILED`).
`public TranscriptionResult fetch(TranscriptionQueryParam queryParam)`	`queryParam`: Una instancia de `TranscriptionQueryParam`	Resultado de la tarea (TranscriptionResult)	Consulta de forma asíncrona el resultado de la tarea actual.

Otras interfaces: Consulta por lotes del estado de tareas / Cancelar tarea

Para más detalles, consulte Gestionar tareas asíncronas: Admite la consulta por lotes de tareas de reconocimiento de voz no en tiempo real enviadas en las últimas 24 horas, y también admite cancelar tareas en estado PENDING (en cola).

Códigos de error

Si encuentra errores, consulte Códigos de error para solucionar problemas.

Si el problema persiste, únase a la comunidad de desarrolladores para reportar el incidente y proporcione el Request ID para una investigación adicional.

Cuando una tarea contiene múltiples subtareas, siempre que cualquier subtarea tenga éxito, el estado general de la tarea se marca como SUCCEEDED. Necesita verificar el campo subtask_status para determinar el resultado de cada subtarea.

Ejemplo de respuesta de error:

{
    "task_id": "7bac899c-06ec-4a79-8875-xxxxxxxxxxxx",
    "task_status": "SUCCEEDED",
    "submit_time": "2024-12-16 16:30:59.170",
    "scheduled_time": "2024-12-16 16:30:59.204",
    "end_time": "2024-12-16 16:31:02.375",
    "results": [
        {
            "file_url": "{YOUR_AUDIO_URL}",
            "code": "InvalidFile.DownloadFailed",
            "message": "The audio file cannot be downloaded.",
            "subtask_status": "FAILED"
        }
    ],
    "task_metrics": {
        "TOTAL": 1,
        "SUCCEEDED": 0,
        "FAILED": 1
    }
}

Más ejemplos

Para más ejemplos, consulte GitHub.

FAQ

Preguntas sobre funciones

P: ¿Admite audio codificado en Base64?

No. No se admite audio codificado en Base64. Solo se admite audio accesible a través de URLs de acceso público. No se admiten flujos binarios ni el reconocimiento directo de archivos locales.

P: ¿Cómo proporcionar archivos de audio como URL de acceso público?

Generalmente, siga estos pasos (esto proporciona un enfoque general; los detalles varían según el producto de almacenamiento. Recomendamos cargar el audio en Alibaba Cloud OSS):

1. Elegir un método de almacenamiento y alojamiento

Por ejemplo:

Object Storage Service (recomendado):
- Utilice un servicio de almacenamiento de objetos de un proveedor de nube (como Alibaba Cloud OSS) para cargar archivos de audio en un bucket y configurarlos para acceso público.
- Ventajas: Alta disponibilidad, soporte de aceleración CDN, gestión sencilla.
Servidor web:
- Coloque archivos de audio en un servidor web que admita acceso HTTP/HTTPS (como Nginx o Apache).
- Ventajas: Adecuado para proyectos pequeños o pruebas locales.
Content Delivery Network (CDN):
- Aloje archivos de audio en una CDN y acceda a ellos a través de la URL proporcionada por la CDN.
- Ventajas: Entrega acelerada de archivos, adecuada para escenarios de alta concurrencia.

2. Cargar archivos de audio

Cargue archivos de audio según el método de almacenamiento/alojamiento elegido, por ejemplo:

Object Storage Service:
- Inicie sesión en la consola del proveedor de servicios en la nube y cree un bucket.
- Cargue archivos de audio y configure los permisos del archivo como "lectura pública" o genere enlaces de acceso temporal.
Servidor web:
- Coloque los archivos de audio en el directorio designado del servidor (como /var/www/html/audio/).
- Asegúrese de que los archivos sean accesibles mediante HTTP/HTTPS.

3. Generar una URL de acceso público

Por ejemplo:

Object Storage Service:
- Después de la carga, el sistema genera automáticamente una URL de acceso público (generalmente en el formato https://<bucket-name>.<region>.aliyuncs.com/<file-name>).
- Si necesita un dominio más amigable, puede vincular un dominio personalizado y habilitar HTTPS.
Servidor web:
- La URL de acceso al archivo suele ser la dirección del servidor más la ruta del archivo (como https://your-domain.com/audio/file.mp3).
CDN:
- Después de configurar la aceleración CDN, utilice la URL proporcionada por la CDN (como https://cdn.your-domain.com/audio/file.mp3).

4. Verificar la accesibilidad de la URL

En un entorno de red pública, asegúrese de que la URL generada sea accesible; por ejemplo:

Abra la URL en un navegador y verifique si el archivo de audio se puede reproducir.
Utilice herramientas (como curl o Postman) para verificar si la URL devuelve una respuesta HTTP correcta (código de estado 200).

Al utilizar el SDK, si los archivos de audio están almacenados en Alibaba Cloud OSS, no se admiten URLs temporales con el prefijo oss://.

Al utilizar la API RESTful, si los archivos de audio están almacenados en Alibaba Cloud OSS, se admiten URLs temporales con el prefijo oss://:

La URL temporal es válida durante 48 horas y no se puede utilizar después de su caducidad. No la utilice en un entorno de producción.
La API para obtener una credencial de carga está limitada a 100 QPS y no admite escalado horizontal. No la utilice en entornos de producción, escenarios de alta concurrencia o escenarios de pruebas de estrés.
Para entornos de producción, utilice un servicio de almacenamiento estable como OSS para garantizar la disponibilidad de archivos a largo plazo y evitar problemas de limitación de tasa.

P: ¿Cuánto tiempo toma obtener los resultados de reconocimiento?

Después del envío, la tarea entra en un estado de espera (PENDING). El tiempo de espera depende de la longitud de la cola y la duración del archivo, y no se puede estimar con precisión, pero generalmente se completa en unos pocos minutos. Por favor, espere pacientemente. Los archivos de audio más largos requieren más tiempo de procesamiento.

Solución de problemas

Si encuentra errores de código, resuelva el problema basándose en la información de Códigos de error.

P: ¿Qué hacer si el resultado de reconocimiento y la reproducción de audio no están sincronizados?

Establezca los Parámetros de solicitud timestampAlignmentEnabled en true para habilitar la función de alineación de marcas de tiempo, que sincroniza el resultado de reconocimiento con la reproducción de audio.

P: ¿No se pueden obtener resultados tras realizar sondeos continuos?

Esto puede deberse a limitaciones de tasa. Por favor, espere pacientemente. Si necesita ampliación de capacidad, únase a la comunidad de desarrolladores para solicitarla.

P: ¿Por qué no hay resultado de reconocimiento (incapaz de reconocer el habla)?

Verifique si el audio cumple con los requisitos (formato, tasa de muestreo).
Si está utilizando el modelo paraformer-v2, verifique si la configuración de language_hints es correcta.
Si none de lo anterior resuelve el problema, puede personalizar palabras clave para mejorar el reconocimiento de términos específicos.

Más preguntas

Consulte QA en GitHub.