ASR 即時語音轉文字

Service: wss://asr.api.yating.tw/ws/v1/

透過串流語音轉文字服務，您可傳送音訊片段到雲端服務，並獲得精確的語音識別結果。您也可以使用客製化語言模型來強化辨識結果。

您可以在這個 Demo 測試網站輸入金鑰進行測試：https://taiwanailabs-yating.github.io/asr-streaming-js-demo/

為了簡化你的系統串接流程，我們建議你直接使用 ASR python SDK。

如果你偏好直接串接 websocket，你須先取得一次性密碼（one-time token）才能透過 WebSocket 連接到語音轉文字。

簡單來說，共有兩步驟：

• 使用您的 API 密鑰獲取一次性密碼。 有關詳細信息，請參閱 「取得一次性密碼」。
• 使用一次性密碼建立 WebSocket 連接。

取得一次性密碼

這密碼只能使用一次且有效時間為 60 秒，你需要在這時間內建立起 Websocket 連線。另外，你需要輸入您想要辨識的語言到 pipeline 這個欄位中。

Request

URL: https://asr.api.yating.tw/v1/token
Method: POST

Header

{
  "key": "請放入你在開發者平台申請的金鑰",
  "Content-Type": "application/json"
}

Body

{
   "pipeline":"asr-zh-en-std",
   "options":{
      "s3CusModelKey":"custom_language_model_id"
   }
}

Response

Example

{
  "success": true,
  "auth_token": "4e87d0db167271245234e6a80522a33e81c3eb90"
}

建立WebSocket連接

如果你還不知道 websocket，可以參閱: https://tools.ietf.org/html/rfc6455

• URL: wss://asr.api.yating.tw/ws/v1/
• Query: token=[API Token]
• Example: wss://asr.api.yating.tw/ws/v1/?token=請放入有效Token

傳送音頻數據

分塊傳輸編碼是一種流式（streaming）數據傳輸機制。 數據流被分成不重疊的 「分塊傳輸編碼中的塊」。 每一塊彼此都可以獨立地發送和接收。 以二進制幀的格式發送一個塊。 塊大小應為 2000 字節，大約 1/16 秒。

使用二進制幀發送音頻數據

• 音頻數據格式：16kHz, 單聲道, 每個樣本 16 bits, PCM 格式
• 每秒採樣率：16000 x 1 x 16/8 = 32000 字節 ~= 32 KB
• 每個塊大小：2000 字節，1/16 秒

客戶端到服務器 WebSocket 傳輸示例:
[PCM 16bit binary audio chunk]
[PCM 16bit binary audio chunk]
...
[EOF: empty audio chunk] # (optional) client could send a chunk with 0 length to end a sentence.

接收及回覆

語音轉文字服務會檢測人類話語聲音，偵測到就會分成多個片段並進行辨識。會記錄識別的進程，下面的列表顯示了所有可能的值：

範例：

從雲端送到客戶端的資訊

"status":"ok"

從雲端送到客戶端的資訊

"pipe":{
   "asr_state":"first_chunk_received"
}

從雲端送到客戶端的資訊

"pipe":{
   "asr_state":"utterance_begin"
}

從雲端送到客戶端的資訊

"pipe":{
   "asr_sentence":"金"
}

從雲端送到客戶端的資訊

"pipe":{
   "asr_sentence":"今天天"
}

從雲端送到客戶端的資訊

"pipe":{
   "asr_sentence":"今天天"
}

從雲端送到客戶端的資訊

"pipe":{
   "asr_sentence":"今天天氣"
}

從雲端送到客戶端的資訊

"pipe":{
   "asr_sentence":"今天天氣很好",
   "asr_final":true,
   "asr_begin_time":4.38600015640259,
   "asr_end_time":24.5459995269775,
   "asr_word_time_stamp":[
      {
         "word":"今天",
         "begin_time":4.38600015640259,
         "end_time":5.55634234543425
      },
      {
         "word":"天氣",
         "begin_time":5.86554,
         "end_time":6.2434
      },
      {
         "word":"很",
         "begin_time":6.7543,
         "end_time":8.2453234
      },
      {
         "word":"好",
         "begin_time":8.4567654,
         "end_time":9.01324324
      }
   ]
}

從雲端送到客戶端的資訊

"pipe":{
   "asr_state":"utterance_end"
}

語言模型代碼

範例

• Python: https://github.com/TaiwanAILabs-Yating/asr-samples-python