本文介绍语音识别服务的音频输入要求、音频格式的检查与转换方法，以及格式不符合要求时的排查方法。
语音识别各服务支持的语音输入格式
音频的实际编码、采样率和声道数需要符合所调用服务的要求。仅修改文件扩展名不会转换音频格式。
语音识别服务 | 音频输入要求 |
|---|---|
一句话识别 |
|
实时语音识别 |
|
录音文件识别 | 支持单声道和双声道的 WAV、MP3、M4A、WMA、AAC、OGG、AMR、FLAC 文件，文件大小不超过 512 MiB。 |
录音文件识别闲时版 | 支持单声道和双声道的 WAV、MP3、M4A、WMA、AAC、OGG、AMR、FLAC 文件，文件大小不超过 512 MiB。 |
录音文件识别极速版 |
|
如何查看语音格式
检查音频时，重点关注以下属性。术语定义请参见基本概念和术语。
采样率：8000 Hz（8 kHz）表示每秒 8000 个采样点；16000 Hz（16 kHz）表示每秒 16000 个采样点。
采样位数：16 bit 表示每个采样点使用 16 bit（2 字节）保存。
声道：Mono 为单声道，Stereo 为立体声。
Linux
使用以下命令查看 WAV 文件属性：
file input.wav16 kHz、16 bit、单声道 PCM 编码的 WAV 文件，输出示例如下：
input.wav: RIFF (little-endian) data, WAVE audio, Microsoft PCM, 16 bit, mono 16000 Hz8 kHz 文件的对应输出如下：
input.wav: RIFF (little-endian) data, WAVE audio, Microsoft PCM, 16 bit, mono 8000 Hz裸 PCM 不包含描述采样率、采样位数和声道数的文件头，需要从录音或导出配置中确认这些参数。
Windows
右键单击音频文件，选择属性，在详细信息页签查看音频属性。8 kHz 和 16 kHz 的 PCM 编码 WAV 文件均可按此方式查看。
如何估算 PCM 数据大小
未压缩 PCM 数据的大小可以按以下公式计算：
PCM 数据大小（MiB）= 采样率（Hz）× 采样位数（bit）× 声道数 × 时长（秒）÷（8 × 1024 × 1024）例如，16 kHz、16 bit、单声道、60 秒的 PCM 数据为 1,920,000 字节，约 1.83 MiB。WAV 文件还包含容器头等信息；该公式不适用于 MP3、AAC 等压缩音频的文件大小计算。
如何进行语音格式转换
音频的采样率、采样位数、声道或编码不符合输入要求时，可以先转换为所需格式，再调用识别服务。
Linux（FFmpeg）
从 FFmpeg 官网获取 FFmpeg。以下示例中的输入文件名需要替换为实际文件名。
查看音频属性
ffmpeg -i input.mp3该命令显示输入信息，不生成输出文件。
转换为 PCM 编码的 WAV
以下命令将 WAV 转为 16 kHz、16 bit、单声道 WAV。输入为 MP3、AMR 或 44.1 kHz WAV 时，替换输入文件名即可；输出为 8 kHz 时，将 -ar 16000 改为 -ar 8000。
ffmpeg -i input.wav -ar 16000 -ac 1 -c:a pcm_s16le output.wav在裸 PCM 和 WAV 之间转换
裸 PCM 输入需要在 -i 前指定原始音频的参数。以下示例假设输入为 16 kHz、16 bit、小端、单声道 PCM；参数必须与实际数据一致。
ffmpeg -f s16le -ar 16000 -ac 1 -i input.pcm -ar 16000 -ac 1 -c:a pcm_s16le output.wav将 WAV 转为 16 kHz、16 bit、小端、单声道裸 PCM：
ffmpeg -i input.wav -ar 16000 -ac 1 -c:a pcm_s16le -f s16le output.pcm-f s16le 指定输出为裸 PCM，不能仅将输出文件命名为 .wav 来生成 WAV 容器。
转换 A-law 或 μ-law 音频
对于 8 kHz、单声道的裸 A-law 或 μ-law 数据，分别使用以下命令输出 8 kHz、16 bit、单声道 WAV：
ffmpeg -f alaw -ar 8000 -ac 1 -i input.alaw -ar 8000 -ac 1 -c:a pcm_s16le output.wav
ffmpeg -f mulaw -ar 8000 -ac 1 -i input.mulaw -ar 8000 -ac 1 -c:a pcm_s16le output.wav若 A-law 或 μ-law 已封装在 WAV 文件中，直接读取 WAV 容器，不要用 -f alaw 或 -f mulaw 强制按裸数据解析：
ffmpeg -i input.wav -ar 8000 -ac 1 -c:a pcm_s16le output.wavWindows（音频转换工具）
可以使用 Adobe Audition、CoolEdit 等音频转换工具，打开音频文件后修改导出设置并导出。
例如，输出 16 kHz、16 bit、单声道音频时，在导出音频混缩对话框的采样类型区域，将采样率设置为 16000 Hz、声道设置为 Mono（单声道）、分辨率设置为 16 Bit。导出格式需符合所调用服务的要求。
常见问题及解决方法
示例音频正常，自己的音频没有识别结果怎么办？
先确认音频包含有效语音，再检查实际编码、采样率和声道数是否符合音频输入要求，并确认请求参数与音频一致。
可以将音频转换为8 kHz 或 16 kHz、16 bit、单声道的 PCM 编码 WAV。转换方法请参见如何进行语音格式转换。
录音文件识别或闲时版报 UNSUPPORT_SAMPLE_RATE 怎么办？
收到 status: 41010101、message: UNSUPPORT_SAMPLE_RATE 时，先检查项目中选择的模型与音频采样率是否匹配：8 kHz 模型对应 8 kHz 音频，16 kHz 模型对应 16 kHz 音频。
对于高于 16 kHz 的音频，录音文件识别可在设置 version=4.0 的同时设置 enable_sample_rate_adaptive=true，将音频自动降采样为 16 kHz。参数说明请参见录音文件识别接口说明。该参数不是任意采样率与模型不匹配问题的通用解决办法。
也可以先将音频转换为模型支持的采样率，再发起识别。请参见如何进行语音格式转换。
实时语音识别返回空结果怎么办？
检查输入音频是否包含有效语音，以及实际编码、采样率和声道数是否符合音频输入要求。请求中的格式和采样率参数应与音频一致。
使用已有音频文件时，不需要一律转为 PCM 或 WAV；输入不符合要求时，再按格式转换方法处理。
使用 MP3 调用一句话识别报错怎么办？
一句话识别支持 MP3。检查实际文件编码、采样率和声道数，并将请求的 format 设置为 mp3。不要仅根据文件扩展名判断编码，也不要将 MP3 输入误设为 pcm。
输入要求请参见音频输入要求。
一句话识别报 TOO_LONG_SPEECH 怎么办？
一句话识别仅支持不超过 60 秒的音频。收到 status: 41010104、message: TOO_LONG_SPEECH 时，检查音频时长。超过 60 秒的音频可使用实时语音识别、录音文件识别或录音文件识别闲时版。各服务的限制请参见音频输入要求。
控制台产品体验上传音频后无法识别怎么办？
可以先将音频转换为 8 kHz 或 16 kHz、16 bit、单声道的 PCM 编码 WAV 文件，再上传。转换方法请参见如何进行语音格式转换。
录音文件识别或闲时版报 AUDIO_DURATION_TOO_LONG 怎么办？
收到 status: 41050103、message: AUDIO_DURATION_TOO_LONG 时，检查音频时长。录音文件识别和闲时版支持的最大音频时长为 12 小时；双声道且两个声道均需识别时，最大时长为 6 小时。可以将长音频切分后分别识别。
从 FFmpeg 官网获取工具。以下命令提取原音频第 10 分钟至第 5 小时 10 分钟的区间：
ffmpeg -i input_audio.wav -ss 00:10:00 -to 5:10:00 -c copy output_audio.wav-i input_audio.wav：指定输入文件。-ss 00:10:00：指定开始时间为第 10 分钟。-to 5:10:00：指定结束时间为第 5 小时 10 分钟。-c copy：直接复制音频数据，不重新编码。输出时长约为 5 小时，实际边界受音频包影响。output_audio.wav：输出文件。