Alibaba Cloud Model Studio:Python SDK

model

str

Sim

Nome do modelo usado para transcrição de arquivos de áudio e vídeo Paraformer. Para mais informações, consulte modelos.

file_urls

list[str]

Sim

Lista de URLs para transcrição de arquivos de áudio e vídeo. Os protocolos HTTP e HTTPS são suportados. Uma única solicitação suporta apenas 1 URL.

Se os arquivos de áudio estiverem armazenados no Alibaba Cloud OSS, o SDK não suporta URLs temporárias com o prefixo oss://.

vocabulary_id

str

Não

ID do vocabulário personalizado para a tarefa de reconhecimento de fala. Suportado para modelos da série v2 e requer configuração de idioma. Este recurso está desativado por padrão. Para mais informações, consulte Vocabulários Personalizados.

channel_id

list[int]

[0]

Não

Especifica os índices das faixas de áudio a serem reconhecidas em um arquivo de áudio com múltiplas faixas. Os índices começam em 0. Por exemplo, [0] significa reconhecer a primeira faixa, e [0, 1] significa reconhecer simultaneamente a primeira e a segunda faixas. Se este parâmetro for omitido, apenas a primeira faixa será processada por padrão.

disfluency_removal_enabled

bool

False

Não

Define se palavras de preenchimento devem ser filtradas. Este recurso está desativado por padrão.

timestamp_alignment_enabled

bool

False

Não

Define se o recurso de alinhamento de carimbo de data/hora deve ser ativado. Este recurso está desativado por padrão.

special_word_filter

str

Não

Especifica palavras sensíveis a serem processadas durante o reconhecimento de fala e permite definir diferentes métodos de processamento para diferentes palavras sensíveis.

Se este parâmetro não for fornecido, o sistema usa a lógica interna de filtragem de palavras sensíveis, e as palavras correspondentes na lista de palavras sensíveis do Alibaba Cloud Model Studio nos resultados de reconhecimento serão substituídas por * de igual comprimento.

Se este parâmetro for fornecido, as seguintes estratégias de processamento de palavras sensíveis podem ser implementadas:

• Substituir por : Substitui palavras sensíveis correspondentes por de igual comprimento.
• Filtrar diretamente: Remove completamente as palavras sensíveis correspondentes dos resultados de reconhecimento.

O valor deste parâmetro deve ser uma string JSON com a seguinte estrutura:

{
      "filter_with_signed": {
        "word_list": ["test"]
      },
      "filter_with_empty": {
        "word_list": ["start", "happen"]
      },
      "system_reserved_filter": true
    }

Descrições dos campos JSON:

• filter_with_signed

  • Tipo: Object.

  • Obrigatório: Não.

  • Descrição: Configura a lista de palavras sensíveis a serem substituídas por . As palavras correspondentes nos resultados de reconhecimento serão substituídas por de igual comprimento.

  • Exemplo: Usando o JSON acima, o resultado do reconhecimento de fala para "Help me test this code" seria "Help me **** this code".

  • Campos internos:

    • word_list: Um array de strings listando as palavras sensíveis a serem substituídas.

• filter_with_empty

  • Tipo: Object.

  • Obrigatório: Não.

  • Descrição: Configura a lista de palavras sensíveis a serem removidas (filtradas) dos resultados de reconhecimento. As palavras correspondentes serão completamente excluídas.

  • Exemplo: Usando o JSON acima, o resultado do reconhecimento de fala para "The game is about to start, right?" seria "The game is about to, right?".

  • Campos internos:

    • word_list: Um array de strings listando as palavras sensíveis a serem completamente removidas (filtradas).

• system_reserved_filter

  • Tipo: Boolean.
  • Obrigatório: Não.
  • Padrão: true.
  • Descrição: Define se as regras internas de palavras sensíveis do sistema devem ser ativadas. Quando definido como true, a lógica interna de filtragem de palavras sensíveis do sistema também é ativada, e as palavras correspondentes na lista de palavras sensíveis do Alibaba Cloud Model Studio nos resultados de reconhecimento serão substituídas por * de igual comprimento.

language_hints

list[str]

["zh", "en"]

Não

Especifica os códigos de idioma da fala a ser reconhecida.

Este parâmetro aplica-se apenas ao modelo paraformer-v2.

Códigos de idioma suportados:

• zh: Chinês
• en: Inglês
• ja: Japonês
• yue: Cantonês
• ko: Coreano
• de: Alemão
• fr: Francês
• ru: Russo

diarization_enabled

bool

False

Não

Diarização automática de falantes. Desativada por padrão.

Aplica-se apenas a áudio mono. Áudio multicanal não suporta diarização de falantes.

Quando este recurso está ativado, os resultados do reconhecimento incluirão um campo speaker_id para distinguir diferentes falantes.

Para um exemplo de speaker_id, consulte Descrição dos resultados de reconhecimento.

speaker_count

int

Não

Valor de referência para o número de falantes. O valor deve ser um inteiro de 2 a 100, inclusive.

Tem efeito apenas quando a diarização de falantes está ativada (diarization_enabled definido como true).

Por padrão, a contagem de falantes é determinada automaticamente. Definir este parâmetro orienta o algoritmo para a contagem de falantes especificada, mas não garante o número exato.

request_id

ID gerado pelo sistema para identificar esta chamada.

task_id

ID da tarefa.

status

Status da tarefa.

Os quatro status possíveis são PENDING, RUNNING, SUCCEEDED e FAILED.

Quando uma tarefa contém várias subtarefas, se qualquer subtarefa for bem-sucedida, o status geral da tarefa será marcado como SUCCEEDED. Verifique o campo subtask_status para determinar o resultado de cada subtarefa específica.

results

Resultados de reconhecimento das subtarefas; cada item contém file_url, transcription_url e subtask_status. Consulte resultados de reconhecimento das subtarefas.

subtask_status

Status da subtarefa.

Os quatro status possíveis são PENDING, RUNNING, SUCCEEDED e FAILED.

file_url

URL do arquivo de áudio a ser reconhecido.

transcription_url

URL correspondente ao resultado do reconhecimento de áudio.

O resultado do reconhecimento é salvo como um arquivo JSON. Baixe o arquivo da URL em transcription_url ou leia seu conteúdo via solicitação HTTP. Para detalhes sobre o conteúdo do arquivo JSON, consulte Descrição do resultado de reconhecimento.

usage

Informações de medição, incluindo duration (duração do áudio, em segundos).

code

Código de erro. Use junto com o campo message. Consulte Códigos de erro.

message

Mensagem de erro. Use junto com o campo code. Consulte Códigos de erro.

subtask_status

Status da subtarefa.

Os quatro status possíveis são PENDING, RUNNING, SUCCEEDED e FAILED.

file_url

URL do arquivo de áudio a ser reconhecido.

transcription_url

URL correspondente ao resultado do reconhecimento de áudio.

O resultado do reconhecimento é salvo em um arquivo JSON. Baixe o arquivo de transcription_url ou leia seu conteúdo via solicitação HTTP. Para detalhes sobre o conteúdo JSON, consulte Descrição do resultado de reconhecimento.

audio_format

string

Formato de áudio do arquivo de source.

channels

array[integer]

Informações de índice de faixa de áudio do arquivo de source. Retorna [0] para áudio mono, [0, 1] para áudio de duas faixas, e assim por diante.

original_sampling_rate

integer

Taxa de amostragem (Hz) do áudio no arquivo de source.

original_duration

integer

Duração original do áudio (ms) do arquivo de source.

channel_id

integer

Índice da faixa de áudio do resultado da transcrição, começando em 0.

content_duration

integer

Duração (ms) do conteúdo identificado como fala na faixa de áudio.

transcript

string

Resultado da transcrição de fala no nível de parágrafo.

sentences

array

Resultado da transcrição de fala no nível de sentença.

words

array

Resultado da transcrição de fala no nível de palavra.

begin_time

integer

Carimbo de data/hora inicial (ms).

end_time

integer

Carimbo de data/hora final (ms).

text

string

Resultado da transcrição de fala.

speaker_id

integer

Índice do falante atual, começando em 0, usado para distinguir diferentes falantes.

Este campo é exibido nos resultados de reconhecimento apenas quando a diarização de falantes está ativada.

punctuation

string

Pontuação prevista após a palavra (se houver).

transcribe

def transcribe(self,
               file_urls: List[str],
               *,
               model: str = "paraformer-v2",
               parameters: Dict = None,
               phrase_id: str = None,
               timeout: float = ...,
               ...) -> Job

Envia a tarefa de reconhecimento de arquivo de áudio e bloqueia a thread atual até a conclusão da tarefa (status SUCCEEDED ou FAILED).

Este método retorna um Job; o resultado da transcrição é lido de job.results (cada item contém transcription_url).

jobs.create

def create(self,
           *,
           model: str,
           file_urls: List[str],
           parameters: Dict = None,
           phrase_id: str = None,
           ...) -> Job

Envia a tarefa de reconhecimento de fala de forma assíncrona.

Este método retorna um Job (job.task_id/job.status).

jobs.wait

def wait(self,
         task: Union[str, Job],
         poll_interval: float = 1,
         timeout: float = 86400,
         ...) -> Job

Bloqueia a thread atual até a conclusão da tarefa assíncrona (sondagem com backoff exponencial, orçamento total padrão de 24 horas).

Este método retorna o Job em estado terminal.

jobs.fetch

def fetch(self,
          task_id: str,
          ...) -> Job

Consulta de forma assíncrona o resultado da execução da tarefa atual.

Este método retorna um Job.