Reconocimiento de voz - OpenSearch - Centro de documentación de Alibaba Cloud

AI Search Open Platform ofrece una API de reconocimiento de voz que convierte rápidamente el audio y video en texto estructurado. Esta funcionalidad es útil para la transcripción de reuniones, la indexación de búsquedas en video y la atención al cliente en línea.

Lista de servicios

Nombre del servicio	ID del servicio	Descripción	Límite de QPS de la API
speech recognition service	ops-audio-asr-001	Genera subtítulos a partir de contenido de audio.	5 Nota Para solicitar un límite mayor de QPS de la API, envíe un ticket al soporte técnico.

Obtención de credenciales de autenticación

La plataforma abierta AI Search requiere una clave de API para la autenticación. Para obtener instrucciones, consulte Get an API key.
Obtención del endpoint del servicio

Puede invocar el servicio a través de la red pública o de una VPC. Para más detalles, consulte Get the service endpoint.

Tarea asíncrona de reconocimiento de voz

Método de solicitud: POST

URL

POST {host}/v3/openapi/workspaces/{workspace_name}/audio-asr/{service_id}/async

host: El endpoint del servicio. Puede invocar el servicio de API a través de la red pública o desde una VPC. Para más información, consulte Get a service endpoint.

Inicie sesión en la consola de AI Search Open Platform. En la esquina superior izquierda, seleccione el workspace objetivo, por ejemplo, default (default space). En el panel de navegación izquierdo, haga clic en API Keys. En la sección access domain, encontrará el public API domain y el private API domain.

workspace_name: El nombre del workspace, por ejemplo, default.
service_id: El ID del servicio integrado, por ejemplo, ops-audio-asr-001.

Parámetros de la solicitud

Parámetros de encabezado

Autenticación mediante clave de API

Parámetro	Tipo	Obligatorio	Descripción	Ejemplo
Content-Type	String	Sí	El tipo de medio del cuerpo de la solicitud.	application/json
Authorization	String	Sí	Clave de API	Bearer OS-d1**2a

Parámetros del cuerpo

Parámetro	Tipo	Obligatorio	Descripción
input	Object(input)	Sí	El archivo multimedia que se procesará.
parameters	Object	No	Parámetros del servicio.
output	Object(output)	Sí	La configuración de salida.

input

Parámetro	Tipo	Obligatorio	Descripción
content	String	No	El contenido de audio o video codificado en base64. Formatos de audio compatibles: mp3, wav, aac, flac, ogg, m4a, alac y wma. Formatos de video compatibles: mp4, avi, mkv, mov, flv y webm. Nota Los parámetros `input.content` e `input.oss` son mutuamente excluyentes. Especifique solo uno. Uso de datos Base64: Pase los datos codificados en Base64 al parámetro `content` con el formato `data:<TYPE>/<FORMAT>;base64,<BASE64_DATA>` , donde: `<TYPE>/<FORMAT>` Para audio, como mp3, use `audio/mp3`. Para video, como mov, use `video/mov`. `<BASE64_DATA>`: Los datos de audio o video codificados en BASE64. Ejemplos: Audio: data:audio/mp3;base64,AAAAIGZ0eXBtcDQyAAABAGlzbWZj... Video: data:video/mov;base64,AAAAIGZ0eXBtcDQyAAABAGlzbWZj...
oss	String	No	La ruta de OSS del archivo de entrada. Por ejemplo, `oss://<bucket_name>/path/to/file.mp3`.
file_name	String	No	El nombre del archivo de audio o video. Si no se establece este parámetro, el nombre del archivo se analiza a partir del contenido.

Output

Parámetro

Tipo

Obligatorio

Descripción

type

String

text: Devuelve el resultado del reconocimiento de voz como texto sin formato. Esta opción solo es compatible con tareas síncronas.

oss: Almacena el archivo de salida en un bucket de OSS. Este es el valor predeterminado.

oss

String

La ruta de OSS para el archivo de salida. Obligatorio si type se establece en oss.

Ejemplo: oss://<BUCKET_NAME>/result

Parámetros de respuesta

Parámetro	Tipo	Descripción	Valor de ejemplo
result.task_id	String	Un identificador único para la tarea de reconocimiento de voz.	asr-xxxx-abc-123

Ejemplo de curl

curl -X POST \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer <API_KEY>" \
  "http://***-hangzhou.opensearch.aliyuncs.com/v3/openapi/workspaces/default/audio-asr/ops-audio-asr-001/async"
  --data '{
  "input":{
      "oss":"oss://<BUCKET_NAME>/xxx/xxx.mp3",
      "file_name":"xxx"
    },
    "output" :{
      "type":"oss",
      "oss":"oss://<BUCKET_NAME>/result"
    }
  }' \

Ejemplo de respuesta

{
  "request_id": "3eb8de02091b59431601f3bff******",
  "latency": 37,
  "usage": {},
  "result": {
    "task_id": "asr-20250610164552-1108418170738252-******",
    "status": "PENDING"
  }
}

Estado de la tarea asíncrona de reconocimiento de voz

Método de solicitud: GET

URL

host: El endpoint del servicio. Puede invocar el servicio de API a través de la red pública o desde una VPC. Para más información, consulte Get a service endpoint.
workspace_name: El nombre del workspace, por ejemplo, default.
service_id: El ID del servicio integrado, por ejemplo, ops-audio-asr-001.
task_id: El ID único de la tarea asíncrona de reconocimiento de voz, devuelto en la respuesta al crear la tarea.

Parámetros de la solicitud

Parámetro	Tipo	Obligatorio	Descripción	Ejemplo
Content-Type	String	Sí	El tipo de medio de la solicitud.	application/json
Authorization	String	Sí	La clave de API para la autenticación.	Bearer OS-d1**2a

Parámetros de respuesta

Parámetro	Tipo	Descripción	Ejemplo
request_id	String	El ID de la solicitud.	3C09570D-12DB-46B4-BF0F-A100D79B****
latency	Float/Int	La latencia de la solicitud en milisegundos.	3.0
result.task_id	String	El ID de la tarea asíncrona.	a7e4c0f6-874c-47e3-b05b-02278a96e****
result.status	String	El estado de la tarea. Los valores válidos son: `PENDING`: La tarea está en espera de procesamiento. `SUCCESS`: La tarea se completó correctamente. `FAIL`: La tarea falló debido a un error.	PENDING
result.error	String	El mensaje de error. Este campo tiene valor solo cuando `result.status` es `FAIL`.
result.data	List(AsrResult)	Los resultados del reconocimiento de voz. Este campo se completa solo cuando el estado de la tarea asíncrona es `SUCCESS`.
usage.duration	Float	La duración del archivo de audio, en segundos.

AsrResult

Parámetro	Tipo	Descripción
text	String	El texto transcrito del reconocimiento de voz.
start	Float	La marca de tiempo inicial del texto en el video, en segundos.
end	Float	La marca de tiempo final del texto en el video, en segundos.

Ejemplo: Solicitud cURL

curl -X GET \
-H"Content-Type: application/json" \
-H "Authorization: Bearer <your_api_key>" \
"http://***-hangzhou.opensearch.aliyuncs.com/v3/openapi/workspaces/default/audio-asr/ops-audio-asr-001/async/task-status?task_id=asr-20250618112151-1108418170738252-******"

Ejemplo de respuesta

{
  "request_id": "1a1a4ca4b7a91dd630a40c54af******",
  "latency": 9,
  "usage": {
    "duration": 9
  },
  "result": {
    "task_id": "asr-20250618112151-1108418170738252-******",
    "status": "SUCCESS",
    "data": [
      {
        "text": "Rong Jielvdou began to speak, his voice as warm as the spring sun,",
        "start": 0.0,
        "end": 3.9
      },
      {
        "text": "full of life and warming the hearts of everyone who listened.",
        "start": 4.24,
        "end": 9.06
      }
    ]
  }
}

Creación de una tarea síncrona de reconocimiento de voz

Método de solicitud: POST

URL

{host}/v3/openapi/workspaces/{workspace_name}/audio-asr/{service_id}/sync

host: El endpoint del servicio. Puede invocar el servicio de API a través de la red pública o de una VPC. Para más información, consulte Get a service endpoint.
workspace_name: El nombre del workspace, como default.
service_id: El ID del servicio integrado, como ops-audio-asr-001.

Parámetros de la solicitud

Parámetro de encabezado

Autenticación mediante clave de API

Parámetro	Tipo	Obligatorio	Descripción	Ejemplo
Content-Type	String	Sí	Especifica el tipo de medio del cuerpo de la solicitud.	application/json
Authorization	String	Sí	La clave de API para la autenticación, con el prefijo "Bearer ".	Bearer OS-d1**2a

Parámetros del cuerpo

Parámetro	Tipo	Obligatorio	Descripción
input	Object(input)	Sí	El archivo multimedia que se procesará.
parameters	Object	No	Parámetros del servicio.
output	Object(output)	Sí	La configuración de salida.

input

Parámetro	Tipo	Obligatorio	Descripción
content	String	No	El contenido de audio o video codificado en base64. Formatos de audio compatibles: mp3, wav, aac, flac, ogg, m4a, alac y wma. Formatos de video compatibles: mp4, avi, mkv, mov, flv y webm. Nota Los parámetros `input.content` e `input.oss` son mutuamente excluyentes. Especifique solo uno. Uso de datos Base64: Pase los datos codificados en Base64 al parámetro `content` con el formato `data:<TYPE>/<FORMAT>;base64,<BASE64_DATA>` , donde: `<TYPE>/<FORMAT>` Para audio, como mp3, use `audio/mp3`. Para video, como mov, use `video/mov`. `<BASE64_DATA>`: Los datos de audio o video codificados en BASE64. Ejemplos: Audio: data:audio/mp3;base64,AAAAIGZ0eXBtcDQyAAABAGlzbWZj... Video: data:video/mov;base64,AAAAIGZ0eXBtcDQyAAABAGlzbWZj...
oss	String	No	La ruta de OSS del archivo de entrada. Por ejemplo, `oss://<bucket_name>/path/to/file.mp3`.
file_name	String	No	El nombre del archivo de audio o video. Si no se establece este parámetro, el nombre del archivo se analiza a partir del contenido.

Output

Parámetro

Tipo

Obligatorio

Descripción

type

String

text: Devuelve el resultado del reconocimiento de voz como texto sin formato. Esta opción solo está disponible para llamadas síncronas.

oss: Almacena el archivo de video o audio en OSS (predeterminado).

oss

String

La ruta de OSS para el archivo de salida. Obligatorio cuando type es oss.

Ejemplo: oss://<BUCKET_NAME>/result

Parámetros de respuesta

Parámetro	Tipo	Descripción	Valor de ejemplo
result.task_id	String	Un identificador único para la tarea de reconocimiento de voz.	asr-xxxx-abc-123

Solicitud Curl

curl -X POST \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer <API_KEY>" \
  "http://***-hangzhou.opensearch.aliyuncs.com/v3/openapi/workspaces/default/audio-asr/ops-audio-asr-001/sync"
  --data '{
  "input":{
      "oss":"oss://<BUCKET_NAME>/xxx/xxx.mp3",
      "file_name":"xxx.mp3"
    },
    "output":{
      "type":"oss",
      "oss":"oss://<BUCKET_NAME>/result"
    }
  }' \

Ejemplo de respuesta

{
  "request_id": "df96b5c444281e0e79561fe9f8******",
  "latency": 570,
  "usage": {
    "duration": 9
  },
  "result": {
    "task_id": "asr-20250618132401-1108418170738252-******",
    "status": "SUCCESS",
    "data": [
      {
        "text": "Rong Jielvdou began to speak, his voice as warm as the spring sun,",
        "start": 0.0,
        "end": 3.9
      },
      {
        "text": "full of life and warming the hearts of everyone who listened.",
        "start": 4.24,
        "end": 9.06
      }
    ]
  }
}

Códigos de estado

Si una solicitud de acceso falla, la salida incluye un code y un message que explican el error.

{
    "request_id": "6F33AFB6-A35C-4DA7-AFD2-9EA16CCF****",
    "latency": 2.0,
    "code": "InvalidParameter",
    "http_code": 400,
    "message": "JSON parse error: Cannot deserialize value of type `ImageStorage` from String \\"xxx\\"
}

Código de estado HTTP	Código de error	Descripción
200	-	La solicitud es correcta incluso si la tarea falla. Compruebe `result.status` para ver el estado real de la tarea.
404	BadRequest.TaskNotExist	La tarea especificada no existe.
400	InvalidParameter	La solicitud no es válida.
500	InternalServerError	Ocurrió un error interno.

Para más información sobre los códigos de estado, consulte Status Code Description.