录音文件识别闲时版使用限制和接口说明-智能语音交互(ISI)-阿里云帮助中心

录音文件识别闲时版将已录制的音频文件转换为文本。通过可下载的HTTP或HTTPS URL提交文件，异步获取识别结果，不支持直接提交本地文件。与录音文件识别相比，闲时版的结果返回时间为24小时内。

前提条件与计费

开通录音文件识别闲时版商用服务。闲时版不提供试用，开通方法请参见试用版升级为商用版。
创建项目并获取Appkey，根据音频采样率、语种和场景配置识别模型。配置方法请参见管理项目。支持范围见本文语种和方言列表。

计费规则请参见计费项；商用版说明请参见计费方式。

使用限制

项目	要求
文件格式	支持单声道和双声道的WAV、MP3、MP4、M4A、WMA、AAC、OGG、AMR和FLAC文件。
文件大小与时长	音频文件不超过512 MB，视频文件不超过2 GB，文件总时长不超过12小时。
文件访问	服务端必须能通过URL下载文件。URL使用域名，不支持IP地址或本地文件路径；不可包含空格，尽量避免中文。HTTP响应头的Content-Length必须与响应体的实际长度一致。
结果时效	任务在24小时内完成，结果在服务端保存72小时。
并发与QPS	不限制并发任务数。提交接口用户级QPS为200；查询接口用户级QPS为500，同一TaskId的查询QPS为1。
智能分轨	仅支持8 kHz和16 kHz单声道音频。

重要

半小时内提交超过500小时时长的录音属于大规模数据，不能按通常的24小时返回时效处理。有此类需求时，请联系售前专家。

有关配额的详细说明，请参见并发和QPS说明。

支持语言模型定制和热词。使用方法请参见定制语言模型和使用POP API创建业务专属热词。

使用步骤

根据文件采样率、语种和业务场景，在项目中配置识别模型。语种和方言模型通过项目配置选择，不能在识别请求中直接指定。
将录音文件存放到OSS或自建文件服务器，获取可下载的URL。OSS私有对象可以使用有有效期的签名URL，无需将对象设为公共读。获取方法请参见使用预签名URL下载或预览文件。
调用SubmitTask提交文件URL和Appkey，获取TaskId。
调用GetTaskResult查询任务状态和识别结果，或在提交任务时配置回调地址，由服务端在任务完成后推送结果。

同地域的OSS文件可通过内网访问，不产生外网流量费用。配置方法请参见使用录音文件识别时如何设置OSS内网地址。

交互流程

客户端提交任务后，通过轮询或回调获取识别结果。TaskId位于JSON响应体中，用于关联提交请求与后续结果查询。

接口信息

服务采用RPC风格的POP API，使用AccessKey签名鉴权。API版本为2021-12-21。

地域	regionId / endpointName	Endpoint
华东2（上海）	`cn-shanghai`	`speechfiletranscriberlite.cn-shanghai.aliyuncs.com`
华北2（北京）	`cn-beijing`	`speechfiletranscriberlite.cn-beijing.aliyuncs.com`
华南1（深圳）	`cn-shenzhen`	`speechfiletranscriberlite.cn-shenzhen.aliyuncs.com`

Action	HTTP方法	用途
`SubmitTask`	POST	提交识别任务，`Task`参数为包含以下任务参数的JSON字符串。
`GetTaskResult`	GET	通过`TaskId`查询任务状态和结果。

提交识别任务

请求参数

将任务参数序列化为JSON字符串，作为SubmitTask的Task参数传入。以下为任务参数示例；valid_times用于限定识别区间，不需要时可以省略。

{
  "appkey": "your-appkey",
  "file_link": "https://gw.alipayobjects.com/os/bmw-prod/0574ee2e-f494-45a5-820f-63aee583045a.wav",
  "auto_split": false,
  "enable_words": false,
  "enable_sample_rate_adaptive": true,
  "valid_times": [
    {"begin_time": 200, "end_time": 2000, "channel_id": 0}
  ]
}

参数	类型	必选	说明
appkey	String	是	项目的Appkey。
file_link	String	是	可下载的录音文件URL。项目模型需支持文件的采样率和音频场景。
version	String	否	识别版本。使用声音顺滑时设为`4.0`。此参数不同于POP API版本。
enable_words	Boolean	否	是否返回词信息，默认`false`。
enable_sample_rate_adaptive	Boolean	否	是否将高于16 kHz的音频降采样为16 kHz，默认`false`。
enable_callback	Boolean	否	是否启用回调，默认`false`。
callback_url	String	条件必选	回调地址。`enable_callback=true`时必选。支持HTTP和HTTPS，host不能使用IP地址；需能接收POST请求。
speaker_num	Integer	否	辅助指定说话人数，范围为2～100。8 kHz默认2，16 kHz默认100。需与`auto_split`、`supervise_type`配合使用，只能辅助算法尽量输出指定人数，不保证最终人数。
auto_split	Boolean	否	是否开启智能分轨。两方对话可根据句子结果的`ChannelId`区分发言方，通常先发言一方为0。8 kHz双声道按两个声道区分两方，channel0和channel1为音轨编号。
supervise_type	Integer	否	说话人数的确定方式，与`auto_split`、`speaker_num`配合使用。未设置时，8 kHz由调用方指定、16 kHz由算法决定；`1`表示使用`speaker_num`指定人数；`2`表示由算法决定。
enable_inverse_text_normalization	Boolean	否	是否开启逆文本正则化（ITN），将中文数字转换为阿拉伯数字。默认`false`。
enable_disfluency	Boolean	否	是否过滤语气词（声音顺滑），默认`false`。开启时需设置`version`为`4.0`。
enable_punctuation_prediction	Boolean	否	是否添加标点，默认`true`。
valid_times	List of ValidTime	否	有效识别时间段，用于排除不需要识别的区间。字段说明见下表。
max_end_silence	Integer	否	最大结束静音时长，单位毫秒，范围200～6000，默认800。开启`enable_semantic_sentence_detection`后无效。
max_single_segment_time	Integer	否	单句话最大时长，单位毫秒，最小5000，默认60000。开启`enable_semantic_sentence_detection`后无效。
customization_id	String	否	通过POP API创建的定制模型ID，默认不添加。
class_vocabulary_id	String	否	已创建的类热词表ID，默认不添加。
vocabulary_id	String	否	已创建的泛热词表ID，默认不添加。
enable_semantic_sentence_detection	Boolean	否	是否开启语义断句，默认`false`。
enable_timestamp_alignment	Boolean	否	是否开启时间戳校准，默认`false`。
first_channel_only	Boolean	否	是否仅识别首个声道。未设置：8 kHz处理双声道，16 kHz处理单声道；`false`：两种采样率均处理双声道；`true`：均处理单声道。识别结果因双声道内容相同而重复时，可以开启。
special_word_filter	String（JSON字符串）	否	敏感词处理配置。默认保留原文，可配置过滤为空或替换为`*`，也可启用默认敏感词表。配置示例见下文。
punctuation_mark	String	否	增加用于断句的标点。默认使用句号、问号、叹号。可填写多个标点，区分中英文，标点间不加空格；非标点字符不生效。例如`,`表示增加英文逗号，`，,`表示增加中文和英文逗号。
sentence_max_length	Integer	否	单句最大展示字数，范围4～50，默认不启用。启用后未指定字数时按长句断句，适用于控制字幕单行字数。

重要

8 kHz双声道按单声道计费，即按音频时长计费；16 kHz双声道按声道数×音频时长计费。

ValidTime字段

参数	类型	必选	说明
begin_time	Int	是	区间开始时间相对文件起点的偏移，单位毫秒。
end_time	Int	是	区间结束时间相对文件起点的偏移，单位毫秒。
channel_id	Int	是	区间所属音轨序号，从0开始。

自定义过滤词

special_word_filter使用以下结构的JSON字符串。system_reserved_filter启用默认敏感词表；filter_with_empty将指定词替换为空，filter_with_signed将指定词替换为*。各项可全部或部分设置。

{
  "system_reserved_filter": true,
  "filter_with_empty": {"word_list": ["开始", "发生"]},
  "filter_with_signed": {"word_list": ["测试"]}
}

默认词表见敏感词表。

提交响应

{
  "TaskId": "4b56f0c4b7e611e88f34c33c2a60****",
  "RequestId": "E4B183CC-6CFE-411E-A547-D877F7BD****",
  "StatusText": "SUCCESS",
  "StatusCode": 21050000
}

字段	类型	说明
TaskId	String	任务ID，提交成功后用于查询结果。
RequestId	String	请求ID，用于排查问题。
StatusCode	Int	业务状态码。`21050000`表示提交成功，不表示识别已完成。
StatusText	String	业务状态说明。

获取识别结果

HTTP请求成功不等于识别成功。根据响应中的StatusCode和StatusText判断任务状态；排队中或识别中继续等待，完成后读取结果，失败时按错误码处理。

获取方式

轮询

调用GetTaskResult，在查询参数中传入提交接口返回的TaskId。控制查询间隔，避免超过用户级500 QPS和同一TaskId的1 QPS限制。

参数	类型	必选	说明
TaskId	String	是	提交任务后获得的任务ID。

回调

提交任务时设置enable_callback=true和callback_url。任务完成后，服务端将识别结果POST到回调地址。该地址需支持HTTP或HTTPS、使用域名而非IP，并能接收POST请求。

回调结果包含RequestTime，表示任务提交时间；SolveTime表示任务完成时间。两者均为Unix时间戳，单位毫秒。例如1553062810452对应北京时间2019年3月20日14:20:10。

{
        "Result": {
                "Sentences": [{
                        "EndTime": 2365,
                        "SilenceDuration": 0,
                        "BeginTime": 340,
                        "Text": "北京的天气。",
                        "ChannelId": 0,
                        "SpeechRate": 177,
                        "EmotionValue": 5.0
                }]
        },
        "TaskId": "36d01b244ad811e9952db7bb7ed2****",
        "StatusCode": 21050000,
        "StatusText": "SUCCESS",
        "RequestTime": 1553062810452,
        "SolveTime": 1553062810831,
        "BizDuration": 2956
}

响应示例

以下成功示例识别的是中文样例音频。词信息需要设置enable_words=true，轮询和回调均可返回。

识别成功

{
  "TaskId": "4b56f0c4b7e611e88f34c33c2a60****",
  "RequestId": "E4B183CC-6CFE-411E-A547-D877F7BD****",
  "RecDuration": 3101,
  "StatusText": "SUCCESS",
  "BizDuration": 3101,
  "SolveTime": 1790129848516,
  "StatusCode": 21050000,
  "Result": {
    "Sentences": [
      {
        "EndTime": 3080,
        "SilenceDuration": 0,
        "SpeakerId": "1",
        "BeginTime": 640,
        "Text": "北京的天气。",
        "ChannelId": 0,
        "SpeechRate": 147,
        "EmotionValue": 6.5
      }
    ]
  }
}

返回词信息

{
  "TaskId": "4b56f0c4b7e611e88f34c33c2a60****",
  "RequestId": "E4B183CC-6CFE-411E-A547-D877F7BD****",
  "RecDuration": 3101,
  "StatusText": "SUCCESS",
  "BizDuration": 3101,
  "SolveTime": 1790129848516,
  "StatusCode": 21050000,
  "Result": {
    "Words": [
      {
        "Word": "北京",
        "EndTime": 1616,
        "BeginTime": 640,
        "ChannelId": 0
      },
      {
        "Word": "的",
        "EndTime": 2104,
        "BeginTime": 1616,
        "ChannelId": 0
      },
      {
        "Word": "天气",
        "EndTime": 3080,
        "BeginTime": 2104,
        "ChannelId": 0
      }
    ],
    "Sentences": [
      {
        "EndTime": 3080,
        "SilenceDuration": 0,
        "SpeakerId": "1",
        "BeginTime": 640,
        "Text": "北京的天气。",
        "ChannelId": 0,
        "SpeechRate": 147,
        "EmotionValue": 6.5
      }
    ]
  }
}

排队中

{
        "TaskId": "c7274235b7e611e88f34c33c2a60****",
        "RequestId": "981AD922-0655-46B0-8C6A-5C836822****",
        "StatusText": "QUEUEING",
        "StatusCode": 21050002
}

识别中

{
        "TaskId": "c7274235b7e611e88f34c33c2a60****",
        "RequestId": "8E908ED2-867F-457E-82BF-4756194A****",
        "StatusText": "RUNNING",
        "BizDuration": 0,
        "StatusCode": 21050001
}

下载失败

{
  "TaskId": "4b56f0c4b7e611e88f34c33c2a60****",
  "RequestId": "E4B183CC-6CFE-411E-A547-D877F7BD****",
  "RecDuration": 0,
  "StatusText": "FILE_DOWNLOAD_FAILED",
  "BizDuration": 0,
  "SolveTime": 0,
  "StatusCode": 41050002
}

响应字段

不同任务状态返回的字段不同。排队、识别中或失败时，不应假设存在Result。

字段	类型	说明
TaskId	String	任务ID。
RequestId	String	请求ID，用于排查问题。
StatusCode	Int	业务状态码。
StatusText	String	业务状态说明，例如`SUCCESS`、`RUNNING`、`QUEUEING`。
Result	Object	识别结果对象，任务成功并产生识别内容时读取。
RecDuration	Long	源音频时长，单位毫秒。
BizDuration	Long	本次识别处理的音频时长，单位毫秒。设置`valid_times`后，可与源文件总时长不同。
SolveTime	Long	任务完成时间，Unix时间戳，单位毫秒。

Result字段

字段	类型	说明
Sentences	List of SentenceResult	`StatusText=SUCCESS`时的句子识别结果。
Words	List of WordResult	词信息。需设置`enable_words=true`。

SentenceResult字段

字段	类型	说明
ChannelId	Int	该句所属音轨ID。
BeginTime	Int	句子起点相对文件起点的偏移，单位毫秒。
EndTime	Int	句子终点相对文件起点的偏移，单位毫秒。
Text	String	句子的识别文本。
SpeakerId	String	说话人标识。
EmotionValue	Float	情绪能量值，为音量分贝值除以10，范围1～10。值越高，情绪越强烈。
SilenceDuration	Int	本句与上一句之间的静音时长，单位秒。
SpeechRate	Int	本句平均语速：中文为字数/分钟，英文为单词数/分钟。

WordResult字段

字段	类型	说明
BeginTime	Int	词开始时间，单位毫秒。
EndTime	Int	词结束时间，单位毫秒。
ChannelId	Int	词所属音轨ID。
Word	String	词文本。

语种和方言

根据音频采样率和场景选择项目模型。下表列出各模型对标点、ITN、顺滑、语义断句以及声音和文本对齐的支持情况。

语种

语言	模型名称	采样率	标点	ITN	顺滑	语义断句	声音和文本对齐
英语	通用-英文，教育直播-英文，教育内容分析-英文	16k	支持	支持	支持	不支持	支持
	电话客服（通用）	8k	支持	支持	支持	不支持	不支持
	东南亚多语言	16k	支持	不支持	不支持	不支持	不支持
日语	通用-日语	16k	支持	支持	不支持	不支持	支持
西班牙语	通用-西班牙语	16k	支持	支持	不支持	不支持	不支持
西班牙语	通用-西班牙客服通用	8k	支持	支持	不支持	不支持	不支持
阿拉伯语	通用-阿拉伯语	16k	支持	不支持	不支持	不支持	不支持
哈萨克语	通用-哈萨克语	16k	支持	不支持	不支持	不支持	不支持
韩语	通用-韩语	16k	支持	支持	不支持	不支持	不支持
泰语	通用-泰语	16k	不支持	不支持	不支持	不支持	不支持
	通用-泰语客服通用	8k	不支持	不支持	不支持	不支持	不支持
	东南亚多语言	16k	支持	不支持	不支持	不支持	不支持
印尼语	通用-印尼语	16k	支持	支持	不支持	不支持	不支持
	电话客服（通用）	8k	支持	支持	不支持	不支持	不支持
	东南亚多语言	16k	支持	不支持	不支持	不支持	不支持
俄语	通用-俄语	16k	支持	支持	不支持	不支持	不支持
越南语	通用-越南语	16k	支持	支持	不支持	不支持	不支持
	通用-越南语客服通用	8k	支持	支持	不支持	不支持	不支持
	东南亚多语言	16k	支持	不支持	不支持	不支持	不支持
法语	通用-法语	16k	支持	支持	不支持	不支持	不支持
德语	通用-德语	16k	支持	支持	不支持	不支持	不支持
意大利语	通用-意大利语	16k	支持	不支持	不支持	不支持	不支持
印地语	通用-印地语	16k	支持	不支持	不支持	不支持	不支持
马来语	通用-马来语	16k	支持	不支持	不支持	不支持	不支持
	通用-马来语客服通用	8k	支持	不支持	不支持	不支持	不支持
	东南亚多语言	16k	支持	不支持	不支持	不支持	不支持
菲律宾语	通用-菲律宾语	16k	支持	支持	不支持	不支持	不支持
	电话客服（通用）	8k	支持	支持	不支持	不支持	不支持
	东南亚多语言	16k	支持	不支持	不支持	不支持	不支持
泰米尔语	通用-泰米尔语	16k	支持	不支持	不支持	不支持	不支持
葡萄牙语	通用-葡萄牙语	16k	支持	支持	不支持	不支持	不支持
土耳其语	通用-土耳其语	16k	支持	不支持	不支持	不支持	不支持
波兰语	通用-波兰语	16k	支持	不支持	不支持	不支持	不支持
乌克兰语	通用-乌克兰语	16k	支持	不支持	不支持	不支持	不支持
罗马尼亚语	通用-罗马尼亚语	16k	支持	不支持	不支持	不支持	不支持
荷兰语	通用-荷兰语	16k	支持	不支持	不支持	不支持	不支持
希腊语	通用-希腊语	16k	支持	不支持	不支持	不支持	不支持
匈牙利语	通用-匈牙利语	16k	支持	不支持	不支持	不支持	不支持
爪哇语	通用-爪哇语	16k	支持	不支持	不支持	不支持	不支持
孟加拉语	通用-孟加拉语	16k	支持	不支持	不支持	不支持	不支持
缅甸语	通用-缅甸语	16k	支持	不支持	不支持	不支持	不支持
老挝语	通用-老挝语	16k	支持	不支持	不支持	不支持	不支持
斯瓦希里语	通用-斯瓦希里语	16k	支持	不支持	不支持	不支持	不支持
阿塞拜疆语	通用-阿塞拜疆语	16k	支持	不支持	不支持	不支持	不支持
波斯语	通用-波斯语	16k	支持	不支持	不支持	不支持	不支持
僧伽罗语	通用-僧伽罗语	16k	支持	不支持	不支持	不支持	不支持
加泰罗尼亚语	通用-加泰罗尼亚语	16k	支持	不支持	不支持	不支持	不支持
高棉语	通用-高棉语	16k	支持	不支持	不支持	不支持	不支持
希伯来语	通用-希伯来语	16k	支持	不支持	不支持	不支持	不支持
克罗地亚语	通用-克罗地亚语	16k	支持	不支持	不支持	不支持	不支持
豪萨语	通用-豪萨语	16k	支持	不支持	不支持	不支持	不支持
马拉地语	通用-马拉地语	16k	支持	不支持	不支持	不支持	不支持
泰卢固语	通用-泰卢固语	16k	支持	不支持	不支持	不支持	不支持
旁遮普语	通用-旁遮普语	16k	支持	不支持	不支持	不支持	不支持
瑞典语	通用-瑞典语	16k	支持	不支持	不支持	不支持	不支持
保加利亚语	通用-保加利亚语	16k	支持	不支持	不支持	不支持	不支持
丹麦语	通用-丹麦语	16k	支持	不支持	不支持	不支持	不支持
挪威语	通用-挪威语	16k	支持	不支持	不支持	不支持	不支持
坎纳达语	通用-坎纳达语	16k	支持	不支持	不支持	不支持	不支持
马拉雅拉姆语	通用-马拉雅拉姆语	16k	支持	不支持	不支持	不支持	不支持
捷克语	通用-捷克语	16k	支持	不支持	不支持	不支持	不支持
乌尔都语	通用-乌尔都语	16k	支持	不支持	不支持	不支持	不支持
尼泊尔语	通用-尼泊尔语	16k	支持	不支持	不支持	不支持	不支持
蒙古语（外蒙）	通用-蒙古语（外蒙）	16k	支持	不支持	不支持	不支持	不支持
乌兹别克语	通用-乌兹别克语	16k	支持	不支持	不支持	不支持	不支持

方言

语言	模型名称	采样率	标点	ITN	顺滑	语义断句	声音和文本对齐
粤语	通用-粤语	16k	支持	支持	支持	不支持	支持
	电话客服（通用）	8k	支持	支持	支持	不支持	支持
	粤中自由说	8k	支持	支持	支持	不支持	不支持
	东南亚多语言	16k	支持	不支持	不支持	不支持	不支持
粤语（繁体）	通用-粤语（繁体）	8k	支持	不支持	不支持	不支持	不支持
粤语（繁体）	通用-粤语（繁体）	16k	支持	不支持	不支持	不支持	不支持
四川话	通用-四川话	16k	支持	支持	支持	支持	支持
四川话	电话客服（通用）	8k	支持	支持	支持	支持	支持
湖北话	通用-湖北话	16k	支持	支持	支持	支持	支持
湖北话	通用-湖北话	8k	支持	支持	支持	支持	支持
上海话	通用-上海话	16k	支持	支持	支持	支持	不支持
湖南话	通用-湖南话	16k	支持	支持	支持	支持	支持
河南话	通用-河南话	16k	支持	支持	支持	支持	支持
河南话	通用-河南话	8k	支持	支持	支持	支持	支持
浙江话	通用-浙江话	16k	支持	支持	支持	支持	不支持
东北话	通用-东北话	16k	支持	支持	支持	支持	支持
山东话	通用-山东话	16k	支持	支持	支持	支持	支持
天津话	通用-天津话	16k	支持	支持	支持	支持	支持
陕西话	通用-陕西话	16k	支持	支持	支持	支持	支持
山西话	通用-山西话	16k	支持	支持	支持	支持	支持
贵州话	通用-贵州话	16k	支持	支持	支持	支持	支持
云南话	通用-云南话	16k	支持	支持	支持	支持	支持
甘肃话	通用-甘肃话	16k	支持	支持	支持	支持	支持
苏州话	通用-苏州话	16k	支持	支持	支持	支持	不支持
闽南语	通用-闽南语	16k	支持	支持	支持	支持	不支持
江西话	通用-江西话	16k	支持	支持	支持	支持	支持
宁夏话	通用-宁夏话	16k	支持	支持	支持	支持	支持
广西话	通用-广西话	16k	支持	支持	支持	支持	支持
广西话	通用-广西话	8k	支持	支持	支持	支持	支持
中文普通话	识音石 V1 - 端到端模型，教育内容分析，医疗内容分析，新闻媒体内容分析，娱乐视频内容分析，音视频离线转写（升级版），新零售领域识别模型，出行领域识别模型，汽车领域	16k	支持	支持	支持	支持	支持
	中英自由说	16k	支持	支持	支持	支持	不支持
	识音石 V1 - 端到端模型	8k	支持	支持	支持	支持	支持
	东南亚多语言	16k	支持	不支持	不支持	不支持	不支持

服务状态码

状态码及处理方法请参见错误码查询：录音文件识别。