介绍
顶顶通语音识别软件(asrproxy)是一个对接了多种语音识别(ASR)和文字转语音(TTS)接口的语音识别和文字转语音系统。可私有化部署(支持中文英文和方言等，支持一句话识别、实时流识别、多声道录音文件识别。
原理
asrproxy内嵌了阿里达摩院的开源语音识别工具包FunASR,后续我们也会使用自有的语料来增强模型，以后也会添加openai的开源模型whisper 。asrproxy也对接了主流的ASR云服务商，比如阿里云，科大讯飞，腾讯云，mrcp等。使用同一套接口就可以无缝切换各种ASR和TTS。
私有化部署TTS支持
asrproxy内嵌了PaddleSpeech 开源TTS模型库。
测试方法 http://demo.ddrj.com:9989/tts?text=端午节，是中国四大传统节日之一，节日时间为农历五月初五，是集拜神祭祖、祈福辟邪、欢庆娱乐和饮食为一体的民俗大节。 把这个链接直接复制到浏览器地址栏，就可以下载到tts后的声音文件。测试其他文字可以自行修改链接中的文字内容。
ASR用法和说明文档
一句话识别接口和录音文件识别接口
识别参数放在http请求头里面，声音文件内容通过post发送，不需要编码发送原始文件就可以。POST /asr HTTP/1.1
Host: 116.62.146.93:9990
User-Agent: Mozilla/5.0
Accept: */*
Cache-Control: max-age=0
Connection: close
id:test
samplerate: 8000
signature:605bef92414621abfca073ebc6ad7d3b
timestamp:1697505856
engine:shortsentence
Content-Length: 30240
声音数据
识别结果通过JSON返回。HTTP/1.1 200 OK
Date: Tue, 17 Oct 2023 01:25:36 GMT
Server: www.ddrj.com
Content-Length: 35
Connection: Keep-Alive
Content-Type: text/plain
Pragma: no-cache
Cache-Control: private, max-age=0, no-cache
{"code":"0","desc":"识别结果"}
请求参数说明
timestamp 时间戳和服务器误差只允许5分钟内
id asrproxy.json配置的用户id(asrproxy.json->short_sentence_asr->users)
signature 签名 md5(key+timestamp) 本例中key是test,md5(test1697505856)=605bef92414621abfca073ebc6ad7d3b。
key配置位置：asrproxy.json->short_sentence_asr->users->id->keyengine 引擎类型 asrproxy.json->groups配置ASR引擎，默认配置是 shortsentence
hostwords 热词，多个热词用空格分开
datatype 数据类型，不设置默认是pcm类型
- pcm 原始的PCM数据，
- wav wav格式的数据
- mp3 mp3格式的数据
- url 通过URL获取文件
- raw asr服务器本地文件
samplerate datatype是pcm时有效，声音采样频率，不设置默认是8000
sentence_time 是否需要输出句子时间，设置为true输出。
post内容
datatype是pcm、wav、mp3时是原始的声音数据
datatype是raw时是asr本地文件路径
datatype是url时是josn格式的要识别的文件信息
{
"uuid": "",
"callback_url": "",
"file_url": "",
"ext": "wav|mp3|pcm",
"valid_times": [{
"begin_time": 10,
"end_time": 17
}],
"ignore_channel": ""
}字段说明
- uuid 唯一的ID，回调通知用
- ext http 返回的数据类型,如果file_url是本地文件会根据文件后缀来识别文件类型
- file_url 要识别文件的URL，支持本地文件的绝对路径和http文件
- callback_url 识别结果回掉URL
- valid_times 控制指定声道识别的开始和结束时间，不设置这个参数就是全部识别，单位秒。第一个声道使用第一维的参数，第二个声道使用第二维的参数。
- ignore_channel 不识别哪个声道的声音，字符串类型。第一个声道是0，第二个声道是1。
响应参数说明
code 0 没错误 其他错误代码，如果有错误desc内容是错误信息
queue_size 队列中录音个数，通过url提交文件才有这个参数。
desc
- 识别单声道文件时desc是字符串类型的识别结果。
- 识别多声道文件时,desc字符串数组类型[“第一声道的识别结果”,”第二声道的识别结果”]
- sentence_time 设置为true,desc 是json对象
- rec_duration 录音时常，单位秒
sentences 句子列表
- silence_duration 句子前面的静音时间，单位秒
- begin_time 句子开始时间，单位秒
- end_time 句子结束时间，单位秒
- speech_rate 语速，单位为每分钟字数
- channel_id 声道，第一个声道是0，第二个声道是1。
{
"uuid": "",
"code": "0",
"desc": {
"rec_duration": 10.9,
"sentences": [{
"silence_duration": 1.36,
"begin_time": 1.36,
"end_time": 3.19,
"speech_rate": 131.148,
"channel_id": 0,
"text": "喂你好。"
},
{
"silence_duration": 0.74,
"begin_time": 3.93,
"end_time": 17.76,
"speech_rate": 303.688,
"channel_id": 0,
"text": "这边是百万医疗项目的客服哈。"
},
{
"silence_duration": 1.36,
"begin_time": 1.36,
"end_time": 3.19,
"speech_rate": 131.148,
"channel_id": 1,
"text": "喂你好。"
}, {
"silence_duration": 0.74,
"begin_time": 3.93,
"end_time": 17.76,
"speech_rate": 303.688,
"channel_id": 1,
"text": "这边是百万医疗项目的客服哈。"
}
]
}
}
测试方法
接口测试地址 http://demo.ddrj.com:9990/asr
浏览器直接上传文件测试地址 http://demo.ddrj.com:9990/test
可用curl命令测试,为了调过验证签名步骤，需要把asrproxy.json->short_sentence_asr->users->id(test)里面添加”not_validate_signature”:true这个配置。
一句话识别测试
- pos提交数据测试，wav改成要识别的文件，如果识别的文件是mp3的，datatype:wav也要改成datatype:mp3
curl -H "id:test" -H "engine:shortsentence" -H "datatype:wav" -X POST --data-binary @1.wav http://demo.ddrj.com:9990/asr |
- asr服务器本地文件识别测试
curl -H "id:test" -H "engine:shortsentence" -H "datatype:raw" -X POST -d "/var/record/1.mp3" http://demo.ddrj.com:9990/asr |
- http接口下载录音文件识别测试
curl -H "id:test" -H "engine:shortsentence" -H "datatype:url" -X POST -d "{\"ext\":\"mp3\",\"uuid\":\"name\",\"file_url\":\"http://demo.ddrj.com/t1.mp3\",\"callback_url\":\"http://demo.ddrj.com/ttsresult\"}" http://demo.ddrj.com:9990/asr |
- 录音文件识别测试输出每句话时间
curl -H "id:test" -H "engine:shortsentence" -H "datatype:wav" -H "sentence_time:true" -X POST --data-binary @1.wav http://demo.ddrj.com:9990/asr |
- 设置过滤识别指定通道和识别特定的时间范围
curl -H "id:test" -H "engine:shortsentence" -H "datatype:url" -H "sentence_time:true" -X POST -d "{\"valid_times\": [{ \"begin_time\": 10, \"end_time\": 17 }],\"ignore_channel\":\"1\",\"ext\":\"mp3\",\"uuid\":\"name\",\"file_url\":\"http://demo.ddrj.com/t1.mp3\",\"callback_url\":\"http://demo.ddrj.com/ttsresult\"}" http://demo.ddrj.com:9990/asr |
实时流识别接口
通过websocket连接上 ws://127.0.0.1:9988 ,发送一个请求头，然后发送二进制的声音流，结束识别发送字符串END结束识别。
引导头格式为 时间戳json的参数\0,注意\0是一个二禁制的0。
1699344741507{"callid":"07ca13d3-55cc-47ef-a591-ffaee83d0e0b","asr_mode":1,"hot_word":"","asr_params":{"group":"default"},"vad_min_active_time_ms":100,"vad_max_end_silence_time_ms":1000,"wait_speech_timeout_ms":5000,"max_speech_time_ms":60000,"samples_per_second":8000}\0
- asr_mode: asr模式 0只第一句话 1 持续识别
- hot_word: 热词 ，需要asr引擎支持
- asr_params: asr参数，可用来选择asr引擎 {\”group\”:\”default\”}
- vad_min_active_time_ms: 最小说话时间，需要ASR引擎支持
- vad_max_end_silence_time_ms: 最大静音时间，需要ASR引擎支持
- wait_speech_timeout_ms: 等待说话时间，需要ASR引擎支持
- max_speech_time_ms: 最大识别时间，需要ASR引擎支持
- samples_per_second: 声音频率 8000或者 16000
返回识别结果
【标记1个字节-识别结果】
标记字符含义
0:中间结果
1:句子结束，对于支持长时间识别的ASR才支持，用于断句。
F:识别结束，客户端已经发送了END
f:识别结束，客户端没有发送END，ASR检测到静音太长认为停止说话了。
E:ASR错误
标志是f/F/E的时候客户端要主动断开连接
测试页面
http://demo.ddrj.com/wsasr.html
配置例子
{ |
- type asr类型必须是funasr
- engine 引擎类型
- 一句话识别 设置为 sentence
- 实时识别
- offline:关闭实时识别
- online:开启实时识别
- 2pass:混合2种模式，需要更多CPU。
- enable_itn 是否启用数字转换成阿拉伯数字
- itn-dir 数字模型目录
- model-dir 模型目录
- online-model-dir 实时识别模型目录
- punc-dir 标点模型目录
- vad-dir vad模型目录
- lm-dir 语言模型目录（用于热词识别）
- chunk-size 实时识别多少数据提交一次
- hotword 热词文件
- remove_label 是否移除情绪识别，语音事件检测结果。