1. 模型说明
Muse Voice Transcribe 用于转写已有录音。同一次请求按 Accept 返回整段 JSON、事件流或纯文本。不返回 task_id,不需要查询或回调。
| 能力 | Muse Voice Transcribe |
|---|---|
| 录音转写 | 支持。multipart 上传一段 WAV,同步返回转写结果 |
| 响应形态 | application/json(缺省或 */*)、text/event-stream、text/plain |
| 说话人与轮次 | ENDPOINTING 切分轮次;DIARIZATION 在轮次上增加说话人标签 |
支持 25 种语言,并允许语码转换:Arabic, Bengali, Dutch, English, French, German, Hebrew, Hindi, Indonesian, Italian, Japanese, Kannada, Korean, Malay, Mandarin Chinese, Marathi, Polish, Portuguese, Spanish, Tagalog, Tamil, Telugu, Thai, Turkish, and Vietnamese。
2. 计费
Muse Voice Transcribe 按已处理音频计费,以整秒计量。流式与非流式转写价格相同。向下取整到整秒。
2.1 平台的计费项与用量
| chargeItemCode | 中文名 | 用量计算 |
|---|---|---|
| duration(暂定,后面可能改) | 未另给 | 按已处理音频计,单位秒,整秒向下取整。JSON 取响应 audioDurationMs。text/event-stream 取流上最后一条带 audioProcessedMs 的事件。text/plain 正文没有时长字段,该形态暂不记此计费项。未产出 transcript 的失败与 429 不计。 |
3. 功能接口详情
3.1 转写录音
3.1.1 请求url
POST https://{YOUR_DOMAIN}/v1/ai/{YOUR_ENDPOINT}/muse/v1/asr/transcribe
Header:Authorization 为 Bearer {YOUR_AK}。Content-Type 为 multipart/form-data。Accept 选择响应形态;不支持的值返回 406。
3.1.2 请求Body参数/请求query参数
使用 multipart/form-data,包含两个部分:request 为 JSON 形式的转写设置,audio 为音频片段。
| 参数名 | 字段类型 | 是否必填 | 默认值 | 描述 |
|---|---|---|---|---|
| sessionId | string | 否 | - | 用于服务端日志关联的 id,并在响应中原样返回。省略时由服务端生成。 |
| request | object(JSON) | 是 | - | multipart 正文中的 request 部分,以 JSON 发送。 |
| request.audioEncoding | enum ('WAV') | 是 | 无 | 上传音频部分的容器,以枚举名发送。WAV 为 RIFF/WAVE 容器,内含 16 kHz 或 24 kHz 的单声道整数 PCM。没有默认值;未设置或无法识别的值会被拒绝。 |
| request.mode | enum ('PUSH_TO_TALK', 'ENDPOINTING', 'DIARIZATION') | 否 | PUSH_TO_TALK | 转写行为,以枚举名发送。PUSH_TO_TALK 为单轮,上传的整段音频即该轮。ENDPOINTING 检测语音起始与结束,每个检出片段为一轮。DIARIZATION 还会把轮次归到说话人。可用模式取决于模型。(默认:PUSH_TO_TALK) |
| request.keywords | array of string | 否 | - | 引导识别偏向的词,例如人名、术语和产品名,否则模型可能听错。偏向不保证拼写完全一致。 |
| request.languageBias | array of string | 否 | - | 引导转写偏向的语言,每项为语言名称,例如 ["English", "French"]。这是语言列表,不是自由文本。省略则由模型检测语言。 |
| request.partialMode | enum ('CUMULATIVE', 'DELTA') | 否 | CUMULATIVE | 部分转写文本的表示方式,以枚举名发送。仅作用于 text/event-stream。CUMULATIVE 替换上一条部分结果;DELTA 只发送新产出的文本,由调用方追加。(默认:CUMULATIVE) |
| request.emitAudioProgress | boolean | 否 | true | 是否发送 audioProgress 事件。仅作用于 text/event-stream;缓冲后的响应不会带出这些事件。(默认:true) |
| audio |
binary | 是 | - | 该接口接受 RIFF/WAVE 容器,内容为单声道、16-bit 整数 PCM,采样率 16 kHz 或 24 kHz。 |
Accept:application/json、*/* 或未带该头时,返回缓冲后的完整正文。text/event-stream 返回实时事件流,在最后一条事件后结束,不追加摘要。暂不支持text/plain
请求体超过 32 MB 返回 413。音频超过 10 分钟、不是支持的 WAV,或正文不是 multipart/form-data,返回 400。
3.1.3 响应参数
application/json(以及 */* 或缺省)为 TranscribeResponse。
| 参数名 | 字段类型 | 描述 |
|---|---|---|
| sessionId | string | 查询参数 sessionId;若调用方未传,则为服务端生成的 id。 |
| transcript | string | 整段音频的最终转写。任何模式都会填充;多轮模式下为各轮转写按轮次顺序拼接。 |
| audioDurationMs | integer (int64) | 已处理的音频总时长,单位毫秒。 |
| turns | array of Turn | 模型上报的全部轮次,按 turnId 升序。PUSH_TO_TALK 下为空。若音频在某一轮中途结束,该轮带有模型给出的边界,transcript 为空。 |
| turns[].turnId | integer (int32) | 本轮 id。轮次按 id 升序上报;编号本身没有其他含义。 |
| turns[].startMs | integer (int64) | 模型检测到该轮语音起始时已处理的音频,从片段起点起算的毫秒数。不是精确的声学边界。 |
| turns[].endMs | integer (int64) | 模型检测到该轮语音结束时已处理的音频,从片段起点起算的毫秒数。不是精确的声学边界。 |
| turns[].transcript | string | 该轮最终转写,包含后处理。 |
| turns[].speaker | string | 模型生成的说话人标签,例如 A。仅 DIARIZATION 出现。 |
text/event-stream 的事件与实时服务端事件同形。未知 type 忽略。流在最后一条事件后结束,不附加 JSON 摘要。
| 参数名 | 字段类型 | 描述 |
|---|---|---|
| type=transcript / transcript | string | 本片段的转写文本。CUMULATIVE 下替换上一条部分结果;DELTA 下追加。 |
| type=transcript / final | boolean | 模型报告的转写稳定性。PUSH_TO_TALK 中 true 表示流结束。ENDPOINTING 与 DIARIZATION 中,轮次结束以 speechComplete 为准。 |
| type=transcript / audioProcessedMs | integer (int64) | 迄今已处理的音频总时长,单位毫秒。 |
| type=speechStart / turnId | integer (int32) | 本轮语音的 id。后一轮可能在前一轮的 speechComplete 到达之前就开始,因此状态应按 turnId 维护。 |
| type=speechStart / audioProcessedMs | integer (int64) | 模型发出该事件时已处理的音频,从流起点起算的毫秒数。不是精确的声学边界。 |
| type=speechEnd / turnId | integer (int32) | 本轮语音的 id。 |
| type=speechEnd / audioProcessedMs | integer (int64) | 模型发出该事件时已处理的音频,从流起点起算的毫秒数。不是精确的声学边界。 |
| type=speechComplete / turnId | integer (int32) | 本轮语音的 id。在同一会话内按相等关系关联生命周期事件;编号本身没有其他含义。 |
| type=speechComplete / transcript | string | 整轮转写。可能与最后一条部分结果不同,因为语音结束后模型可能对该轮做后处理。 |
| type=speechComplete / audioProcessedMs | integer (int64) | 模型发出该事件时已处理的音频,从流起点起算的毫秒数。不是精确的声学边界。 |
| type=speaker / label | string | 模型生成的说话人标签,例如 A。只在同一会话内有意义,不是经过核验的身份。 |
| type=speaker / audioProcessedMs | integer (int64) | 模型发出该标签时已处理的音频,从流起点起算的毫秒数。不是精确的声学边界。 |
| type=audioProgress / audioProcessedMs | integer (int64) | 迄今已处理的音频总时长,从流起点起算的毫秒数。 |
| type=error / message | string | 可供调用方展示的可读错误信息。 |
| type=error / sessionId | string | 用于日志关联的会话 id。尚未分配时为空。 |
| type=error / errorType | string | 本次失败在模型 API 错误分类中的类型。 |
| type=error / errorCode | string | 机器可读错误码;该失败带有错误码时才有。 |
| type=error / errorParam | string | 错误相关的请求字段;适用时才有。 |
| 状态 | 描述 |
|---|---|
| 400 | 音频不是受支持的 WAV、音频超过 10 分钟,或正文不是 multipart/form-data。 |
| 406 | Accept 请求了本接口不产出的媒体类型。 |
| 413 | 请求体超过 32 MB 上限。 |
| 429 | 调用方达到并发或每小时会话上限。请按指数退避重试。 |
| 500 | 转写失败,或处理超出服务端预算。事件流已经开始后无法再改状态码,因此失败以 HTTP 200 下、已打开流上的终止 error 事件返回。 |
3.1.4 请求示例
curl --location 'https://{YOUR_DOMAIN}/v1/ai/{YOUR_ENDPOINT}/muse/v1/asr/transcribe?sessionId=my-session-id' \
--header 'Authorization: Bearer {YOUR_AK}' \
--header 'Accept: application/json' \
--form 'request={"audioEncoding":"WAV","mode":"DIARIZATION"};type=application/json' \
--form 'audio=@meeting_audio.wav'
curl --location 'https://{YOUR_DOMAIN}/v1/ai/{YOUR_ENDPOINT}/muse/v1/asr/transcribe?sessionId=my-session-id' \
--header 'Authorization: Bearer {YOUR_AK}' \
--header 'Accept: text/event-stream' \
--form 'request={"audioEncoding":"WAV","mode":"ENDPOINTING"};type=application/json' \
--form 'audio=@meeting_audio.wav'
3.1.5 响应示例
{
"sessionId": "9f1c...",
"transcript": "今天天气怎么样?在下雨。",
"audioDurationMs": 8240,
"turns": [
{
"turnId": 1,
"startMs": 1520,
"endMs": 4640,
"transcript": "今天天气怎么样?",
"speaker": "A"
},
{
"turnId": 2,
"startMs": 5900,
"endMs": 8240,
"transcript": "在下雨。",
"speaker": "B"
}
]
}