# 开始识别 #### 功能介绍 当wss握手请求收到成功响应后，客户端到服务端的通信协议会升级为WebSocket协议。通过WebSocket协议，客户端发送开始识别请求，用于配置实时语音识别的配置信息。 #### 请求消息 表1参数说明 | 参数名 | 是否必选 | 参数类型 | 说明 | |:---|:---|:---|:---| | command | 是 | String | 表示客户端发送开始识别请求，参数值需设置为START。 | | config | 是 | Object | 配置信息。结构信息请参见[表 config数据结构]。 | 表2config数据结构 | 参数 | 是否必选 | 参数类型 | 说明 | |:---|:---|:---|:---| | audio_format | 是 | String | 支持语音的格式，请参见[表 audio_format取值范围]。 | | property | 是 | String | 所使用的模型特征串。通常是 "语种_采样率_领域"的形式，例如chinese_8k_common。请参见[表 property取值范围]。 | | add_punc | 否 | String | 表示是否在识别结果中添加标点，取值为yes 、 no，默认no。 | | digit_norm | 否 | String | 表示是否将语音中的数字识别为阿拉伯数字，取值为yes 、 no，默认为yes。 | | vad_head | 否 | Integer | 一段音频的开头，当它的静音持续时间大于等于此值时，在实时语音识别单句模式下将返回"长时间静音"事件（EXCEEDED_SILENCE）并结束识别；在连续模式下将会断句并继续下一句的识别。在流式一句话模式下此参数不生效。 如果设置为0，等价于设置为60000。 取值范围：\[0, 60000\]的整数，单位为ms，默认为10000ms，即10s。 | | vad_tail | 否 | Integer | 音频的结尾中的静音时间，正常情况下不应设成很小的值。 如果检测语音结尾的静音时长大于等于此值时，在实时语音识别单句模式下将返回VOICE_END（识别结果非空）或EXCEEDED_SILENCE（识别结果为空）事件并结束识别；在连续模式下将会断句并继续下一句的识别。在流式一句话模式下此参数不生效。 取值范围：\[0, 3000\]的整数，单位为ms，默认为500ms。 注意：vad_tail若设置过小（\<200ms），会导致断句过于频繁，影响识别结果。 | | max_seconds | 否 | Integer | 一句话的最大时长。如果检测到语音持续时间大于等于此值时，在实时语音识别单句模式下将返回VOICE_END（识别结果非空）或EXCEEDED_SILENCE（识别结果为空）事件并结束识别，在连续模式下将会断句并继续下一句的识别。在流式一句话模式下此参数不生效。 取值范围：\[1, 60\]的整数，单位为s，默认为30s。 | | interim_results | 否 | String | 是否输出中间结果，可以为yes或no。默认为no，表示不输出中间结果。 | | vocabulary_id | 否 | String | 热词表id，不使用热词则不填写。 创建热词表信息请参考[创建热词表 - CreateVocabulary](https://support.huaweicloud.com/api-sis/sis_03_0071.html)。 | | need_word_info | 否 | String | 表示是否在识别结果中输出分词结果信息，取值为"yes"和"no"，默认为"no"。对于中文，是按照字级别进行分词；对于英文是按照子词（BPE）级别进行分词。 | | need_smooth | 否 | String | 是否需要对识别结果进行顺滑（过滤语气词或者吞吐词），取值为"yes"和"no"。仅支持中文ASR的顺滑。 | 表3property取值范围 | property取值 | 说明 | |:---|:---| | chinese_8k_general | 支持采样率为8k的中文普通话语音识别，采用新一代端到端识别算法，识别准确率更高。 区域支持cn-east-3和cn-north-4。 | | chinese_16k_general | 支持采样率为16k的中文普通话语音识别，采用新一代端到端识别算法，识别准确率更高。 区域支持cn-east-3和cn-north-4。 | | english_16k_general | 支持采样率为16k的英语语音识别，采用新一代端到端识别算法，识别准确率更高。区域仅支持cn-north-4，不支持数字归一化（digit_norm参数）。 | | arabic_16k_general | 支持采样率为16k的阿拉伯语语音识别，采用新一代端到端识别算法，兼容标准阿拉伯语、埃及方言、沙特方言、阿联酋方言。区域仅支持cn-north-4，不支持标点预测（add_punc参数）、数字归一化（digit_norm参数）和热词（vocabulary_id参数）功能。 | | arabic_8k_general | 支持采样率为8k的阿拉伯语语音识别，一般用于电话信道场景。区域仅支持cn-north-4，不支持标点预测（add_punc参数）、数字归一化（digit_norm参数）和热词（vocabulary_id参数）功能。 | | sichuan_16k_common | 支持采样率为16k的中文普通话与四川话方言语音识别。区域仅支持cn-north-4。 | | cantonese_16k_common | 支持采样率为16k的粤语方言语音识别。区域仅支持cn-north-4。 | | shanghai_16k_common | 支持采样率为16k的上海话方言语音识别。区域仅支持cn-north-4。 | | chinese_16k_court | 支持采样率为16k的庭审会议语音识别。区域仅支持cn-north-4。 | | chinese_16k_it | 支持采样率为16k的IT会议语音识别。区域仅支持cn-north-4。 | | chinese_8k_common | 支持采样率为8k的中文普通话语音识别，此为旧版模型，建议使用chinese_8k_general。 | | chinese_16k_common | 支持采样率为16k的中文普通话语音识别，此为旧版模型，建议使用chinese_16k_general。 | 表4audio_format取值范围 | audio_format取值 | 说明 | |:---|:---| | pcm16k16bit | 16k16bit单通道录音数据。 | | pcm8k16bit | 8k16bit单通道录音数据。 | | ulaw16k8bit | 16k8bit ulaw单通道录音数据。 | | ulaw8k8bit | 8k8bit ulaw单通道录音数据。 | | alaw16k8bit | 16k8bit alaw单通道录音数据。 | | alaw8k8bit | 8k8bit alaw单通道录音数据。 | ![](https://support.huaweicloud.com/api-sis/public_sys-resources/note_3.0-zh-cn.png) 目前仅支持裸音频格式，特别是PCM编码的WAV格式，不支持其他WAV头或ARM格式的编码。 #### 示例 ``` { "command": "START", "config": { "audio_format": "ulaw8k8bit", "property": "chinese_8k_general", "add_punc": "yes", "vad_tail": 400, "interim_results": "yes", "need_word_info": "yes" } } ``` #### 状态码 状态码请参见[状态码](https://support.huaweicloud.com/api-sis/sis_03_0044.html)。 #### 错误码 错误码请参见[错误码](https://support.huaweicloud.com/api-sis/sis_03_0045.html)。