Intelligent Speech Interaction:API リファレンス

機能

• パルス符号変調（ PCM ）でエンコードされた 16 ビットモノラルオーディオファイルをサポートします。

• 8,000 Hz および 16,000 Hz の音声サンプリングレートをサポートします。

• 中間結果を返すかどうか、後処理中に句読点を追加するかどうか、および中国語の数字をアラビア数字に変換するかどうかを指定できます。

• [Intelligent Speech Interaction コンソール] でプロジェクトを管理する際に、異なる言語の音声を認識するための言語モデルを選択できます。詳細については、「プロジェクトの管理」をご参照ください。

  現在サポートされている言語と方言モデルは次のとおりです。

  • 16K ASR （汎用）: 中国語（北京語）、英語、広東語、日本語、韓国語、ロシア語、インドネシア語、ベトナム語、マレーシア語、タイ語、ヒンディー語、アラビア語、カザフ語、ドイツ語、スペイン語、フランス語。

  • 8K ASR （電話回線）: 中国語（北京語）、英語、広東語、インドネシア語、フィリピン語。

エンドポイント

インタラクションプロセス

1. クライアントの認証

サーバーとの WebSocket 接続を確立するには、クライアントは認証にトークンを使用する必要があります。トークンの取得方法の詳細については、「アクセストークンの取得」をご参照ください。

2. 認識の開始と確認

クライアントは、リアルタイム音声認識を開始するためのリクエストを送信します。サーバーは、リクエストが有効であることを確認します。クライアントがサービスリクエストを送信するには、リクエストパラメーターを設定する必要があります。リクエストパラメーターは、SDK の SpeechTranscriber オブジェクトの set メソッドを使用して設定できます。次の表に、リクエストパラメーターを示します。

3. 音声データの送信と認識

クライアントは、音声データをサーバーに周期的に送信し、サーバーから認識結果を継続的に受信します。

• SentenceBegin メッセージは、サーバーが文の始まりを検出したことを示します。リアルタイム音声認識サービスは、VAD を使用して文の始まりと終わりを決定します。たとえば、サーバーは次の応答を返します。

  {
          "header": {
                  "namespace": "SpeechTranscriber",
                  "name": "SentenceBegin",
                  "status": 20000000,
                  "message_id": "a426f3d4618447519c9d85d1a0d1****",
                  "task_id": "5ec521b5aa104e3abccf3d361822****",
                  "status_text": "Gateway:SUCCESS:Success."
          },
          "payload": {
                  "index": 1,
                  "time": 0
          }
  }

  次の表に、header オブジェクトのパラメーターを示します。

  パラメーター	タイプ	説明
  namespace	String	メッセージの名前空間。
  name	String	メッセージの名前。SentenceBegin メッセージは、サーバーが文の始まりを検出したことを示します。
  status	Integer	状態コード。リクエストが成功したかどうかを示します。詳細については、このトピックの「サービス状態コード」セクションを参照してください。
  status_text	String	状態メッセージ。
  task_id	String	認識タスクのグローバル一意識別子（ GUID ）。トラブルシューティングを容易にするために、このパラメーターの値を記録します。
  message_id	String	メッセージの ID 。

  次の表に、payload オブジェクトの結果パラメーターを示します。

  パラメーター	タイプ	説明
  index	Integer	文のシーケンス番号。1 から始まります。
  time	Integer	処理された音声データの期間。単位：ミリ秒。

• TranscriptionResultChanged メッセージは、中間結果が取得されたことを示します。 enable_intermediate_result パラメーターが true に設定されている場合、サーバーは複数の TranscriptionResultChanged メッセージを送信して中間結果を返します。たとえば、サーバーは次の中間結果を返します。

  {
          "header": {
                  "namespace": "SpeechTranscriber",
                  "name": "TranscriptionResultChanged",
                  "status": 20000000,
                  "message_id": "dc21193fada84380a3b6137875ab****",
                  "task_id": "5ec521b5aa104e3abccf3d361822****",
                  "status_text": "Gateway:SUCCESS:Success."
          },
          "payload": {
                  "index": 1,
                  "time": 1835,
                  "result": "Sky in Beijing",
                  "confidence": 1.0,
                  "words": [{
                          "text": "Sky",
                          "startTime": 630,
                          "endTime": 930
                  }, {
                          "text":"in",
                          "startTime": 930,
                          "endTime": 1110
                  }, {
                          "text": "Beijing",
                          "startTime": 1110,
                          "endTime": 1140
                  }]
          }
  }       

  TranscriptionResultChanged メッセージの header オブジェクトのパラメーターは、SentenceBegin メッセージの header オブジェクトのパラメーターと似ています。 name パラメーターの値は TranscriptionResultChanged で、中間結果が取得されたことを示します。

  次の表に、payload オブジェクトの結果パラメーターを示します。

  パラメーター	タイプ	説明
  index	Integer	文のシーケンス番号。1 から始まります。
  time	Integer	処理された音声データの期間。単位：ミリ秒。
  result	String	文の認識結果。
  words	List< Word >	文の単語情報。単語情報は、enable_words パラメーターが true に設定されている場合にのみ返されます。
  confidence	Double	文の認識結果の信頼度。有効値：0.0 ～ 1.0。値が大きいほど、信頼度が高くなります。

• SentenceEnd メッセージは、サーバーが文の終わりを検出し、文の認識結果を返したことを示します。たとえば、サーバーは次の応答を返します。

  {
          "header": {
                  "namespace": "SpeechTranscriber",
                  "name": "SentenceEnd",
                  "status": 20000000,
                  "message_id": "c3a9ae4b231649d5ae05d4af36fd****",
                  "task_id": "5ec521b5aa104e3abccf3d361822****",
                  "status_text": "Gateway:SUCCESS:Success."
          },
          "payload": {
                  "index": 1,
                  "time": 1820,
                  "begin_time": 0,
                  "result": "Weather in Beijing",
                  "confidence": 1.0,
                  "words": [{
                          "text": "Weather",
                          "startTime": 630,
                          "endTime": 930
                  }, {
                          "text":"in",
                          "startTime": 930,
                          "endTime": 1110
                  }, {
                          "text": "Beijing",
                          "startTime": 1110,
                          "endTime": 1380
                  }]
          }
  }
  

  SentenceEnd メッセージの header オブジェクトのパラメーターは、SentenceBegin メッセージの header オブジェクトのパラメーターと似ています。 name パラメーターの値は SentenceEnd で、サーバーが文の終わりを検出したことを示します。

  次の表に、payload オブジェクトの結果パラメーターを示します。

  パラメーター	タイプ	説明
  index	Integer	文のシーケンス番号。1 から始まります。
  time	Integer	処理された音声データの期間。単位：ミリ秒。
  begin_time	Integer	サーバーが文の SentenceBegin メッセージを返した時刻。単位：ミリ秒。
  result	String	文の認識結果。
  words	List< Word >	文の単語情報。単語情報は、enable_words パラメーターが true に設定されている場合にのみ返されます。
  confidence	Double	文の認識結果の信頼度。有効値：0.0 ～ 1.0。値が大きいほど、信頼度が高くなります。

  次の表に、words オブジェクトの結果パラメーターを示します。

  パラメーター	タイプ	説明
  text	String	単語のテキスト。
  startTime	Integer	文における単語の開始時刻。単位：ミリ秒。
  endTime	Integer	文における単語の終了時刻。単位：ミリ秒。

4. 認識タスクの完了

クライアントは、すべての音声データが送信されたことをサーバーに通知します。サーバーは認識タスクを完了し、タスクが完了したことをクライアントに通知します。

サービス状態コード

各応答には、サービス状態コードを示す status フィールドが含まれています。次の表に、一般的なエラーコード、ゲートウェイエラーコード、構成エラーコード、およびリアルタイム音声認識エラーコードを示します。

一般的なエラーコード

ゲートウェイエラーコード

構成エラーコード

リアルタイム音声認識エラーコード