在线调试

您可以在 示例代码中心 中调试该接口，可进行签名验证、查看在线调用的请求内容和返回结果、示例代码的自动生成。

调用流程

1. 鉴权认证：使用appKey secretKey 访问 https://openapi.baidu.com 换取 token ，详细见[鉴权认证机制]
2. 确认请求方式：选择一种HTTP POST 请求格式，参见下一节 请求方式
3. 填写参数：详细见 参数说明

适用范围及demo下载

任意操作系统，任意编程语言，只要可以对百度语音服务器发起http请求的，均可以使用本接口。

示例Demo代码见： https://github.com/Baidu-AIP/speech-demo

浏览器由于无法跨域请求百度语音服务器的域名，因此无法直接使用本接口。需从服务器端发起调用。

语音识别极速版调用地址：https://vop.baidu.com/pro_api

语音格式

格式支持：pcm（不压缩）、wav（不压缩，pcm编码）、amr（压缩格式）、m4a（压缩格式，仅支持极速版模型，m4a格式输入适用于微信小程序的录音文件，详见格式说明）。推荐pcm 采样率 ：16000 固定值。 编码：16bit 位深的单声道。

百度服务端会将非pcm格式，转为pcm格式，因此使用wav、amr、m4a会有额外的转换耗时。

• 16k 采样率pcm文件样例下载
• 16k 采样率wav文件样例下载
• 16k 采样率amr文件样例下载
• 16k 采样率m4a文件样例下载

音频文件格式转换可以使用音频软件进行。批量音频格式转换，可使用开源ffmpeg格式转换工具文档

超过60秒音频可使用VAD切分工具进行切分。

小程序m4a格式设置

• 参数format改为m4a

1. 仅支持单声道
2. 采样率仅支持16000
3. CBR bitrates 24000-96000，推荐48000
4. 仅支持AAC-LC， 不支持 例如HE-AAC ，LD，ELD等
5. brand 仅支持 mp42:0, mini Version 0 ,不支持 M4A

• 微信小程序录音设置，见微信官方文档

微信小程序录音参数，请重点关注并设置以下必填字段：

参数说明

• 格式支持：pcm（不压缩）、wav（不压缩，pcm编码）、amr（压缩格式）、m4a（AAC编码）；固定16k 采样率；
• 系统支持语言种类 普通话

识别语言及模型选择

短语音识别极速版dev_pid 参数列表

请求说明

语音数据上传 POST 方式有 2 种：

1. JSON 格式 POST 上传本地音频文件。
2. RAW 格式 POST 上传本地音频文件。

JSON 方式

• 音频文件，读取二进制内容后，进行 base64 编码后放在 speech 参数内。
• 音频文件的原始大小, 即二进制内容的字节数，填写 “len” 字段

由于使用 json 格式， header 为：

Content-Type:application/json

注意 由于 base64 编码后，数据会增大 1/3。

RAW方式

• 音频文件，读取二进制内容后，直接放在 body 中。
• Content-Length 的值即为音频文件的大小。（一般代码会自动生成）。

由于使用 raw 方式， 采样率和文件格式需要填写在 Content-Type 中

Content-Type: audio/pcm;rate=16000

JSON方式上传音频

语音数据和其他参数通过标准 JSON 格式串行化 POST 上传， JSON 里包括的参数：

上传示例(speech, len 参数)

即：JSON格式POST上传本地文件

固定头部header

Content-Type:application/json

请求示例

4K大小的pcm文件（普通话录音）请求：

POST https://vop.baidu.com/pro_api

speech 参数填写为 文件内容base64后的结果：

{ "format":"pcm", "rate":16000, "dev_pid":80001, "channel":1, "token":xxx, "cuid":"baidu_workshop", "len":4096, "speech":"xxx", // xxx为 base64（FILE_CONTENT） }

返回示例

{"corpus_no":"6433214037620997779","err_msg":"success.","err_no":0,"result":["北京科技馆，"],"sn":"371191073711497849365"}

注意事项

len 字段表示原始语音大小字节数，不是 base64 编码之后的长度。

RAW 方式上传

即 raw格式POST上传本地文件 语音数据直接放在 HTTP BODY 中，控制参数以及相关统计信息通过 header和url里参数传递。

Header 参数说明

语音数据的采样率和压缩格式在 HTTP-HEADER 里的Content-Type 表明，例：

Content-Type: audio/pcm;rate=16000

url参数说明

URL 示例：

POST https://vop.baidu.com/pro_api?dev_pid=80001&cuid=******&token=1.a6b7dbd428f731035f771b8d********.86400.1292922000-2346678-124328

// 或者使用自训练平台

POST http://vop.baidu.com/pro_api?dev_pid=80001&lm_id=1234&cuid=******&token=1.a6b7dbd428f731035f771b8d********.86400.1292922000-2346678-124328

语音自训练平台

语音自训练平台，可使用业务场景文本语料，自助训练语言模型，提升业务领域识别准确率。

语音自训练平台，支持上传自定义的词汇固定搭配、长段句篇来进行结果优化。可以更加直观地查看训练效果，并支持迭代训练。模型上线后需要在请求中，增加对应自定义模型 id（lm_id）字段。

具体功能及使用说明请参考文档 自训练平台手册

自定义词库

自定义词库功能，可对部分专有业务名词进行识别优化。自定义词库在您网页申请的应用内设置（具体位置参见下图）。

自定义词库适合短句，保证词库中一模一样的短句可以被识别出，词库中的分词优先级较高。 自定义词库仅对普通话 dev_pid = 1537 生效，并且原始音频的采用率为 16K 或 8k。最好在 1万 行以内。

返回说明

两种上传方式都返回统一的结果，采用 JSON 格式封装，如果识别成功，识别结果放在 JSON的“result”字段中，统一采用 utf-8 方式编码。 （如果使用POST方式的（url,callback）方式，百度服务器会回调用户服务器的callback地址, 返回如下结果）

识别成功返回 case

{"err_no":0,"err_msg":"success.","corpus_no":"15984125203285346378","sn":"481D633F-73BA-726F-49EF-8659ACCC2F3D","result":["北京天气"]}

识别错误返回 case

{"err_no":2000,"err_msg":"data empty.","sn":"481D633F-73BA-726F-49EF-8659ACCC2F3D"}

raw 方式测试说明

curl -i -X POST -H "Content-Type: audio/pcm;rate=16000" "http://vop.baidu.com/pro_api?dev_pid=80001&cuid=xxxxx&token=1.a6b7dbd428f731035f771b8d********.86400.1292922000-2346678-124328" --data-binary "@/home/test/test.pcm"