trtc-asr-sdk-go

README

TRTC-ASR Go SDK

基于 TRTC 鉴权体系的语音识别（ASR）Go SDK，支持实时语音识别（WebSocket）、一句话识别（HTTP）和录音文件识别（异步 HTTP）三种模式。

其他语言 SDK：Python | Node.js | Java | Rust | C++

前提条件

使用本 SDK 前，您需要：

1. 获取腾讯云 APPID — 在 CAM API 密钥管理 页面查看
2. 创建 TRTC 应用 — 在 实时音视频控制台 创建应用，获取 SDKAppID
3. 获取 SDK 密钥 — 在应用概览页点击「SDK密钥」查看密钥，即用于计算 UserSig 的加密密钥

协议说明

WebSocket 连接

• 连接地址：
  • 国内站：wss://asr.cloud-rtc.com/asr/v2/<appid>?{请求参数}
  • 国际站：wss://asr-intl.cloud-rtc.com/asr/v2/<appid>?{请求参数}（credential.SetSite(common.SiteIntl)）

其中 <appid> 为腾讯云账号的 APPID，可通过 API 密钥管理页面 获取。

鉴权方式

鉴权信息携带在 URL query 参数中（浏览器原生 WebSocket 无法自定义 header，因此走 query 传递）：

参数	说明
sdkappid	TRTC 应用 ID，从 TRTC 控制台 获取
usersig	TRTC 签名，计算文档，UserID 等于 voice_id

两者均由 SDK 自动填充，用户无需关心。

请求参数

参数	必填	类型	说明
secretid	是	String	SDK 内部自动用 APPID 填充
sdkappid	是	Integer	TRTC 应用 ID，SDK 内部自动填充
usersig	是	String	TRTC 签名，SDK 内部自动生成（值与 signature 一致）
timestamp	是	Integer	当前 UNIX 时间戳（秒）
expired	是	Integer	签名有效期截止时间戳，必须大于 timestamp
nonce	是	Integer	随机正整数，最长10位
engine_model_type	是	String	引擎类型：8k_zh(中文电话)、16k_zh(中文通用)、16k_zh_en(中英文)
voice_id	是	String	音频流全局唯一标识（推荐 UUID），最长128位
voice_format	否	Integer	语音编码：1 PCM（默认）
needvad	否	Integer	0 关闭 VAD，1 开启（默认）
hotword_id	否	String	热词表 ID
hotword_list	否	String	临时热词列表：`词1
customization_id	否	String	自学习模型 ID
replace_text_id	否	String	替换词表 ID
filter_dirty	否	Integer	过滤脏词：0 不过滤，1 过滤，2 替换为 *
filter_modal	否	Integer	过滤语气词：0 不过滤，1 部分，2 严格
filter_punc	否	Integer	过滤句末句号：0 不过滤，1 过滤
filter_empty_result	否	Integer	空结果回调：0 回调，1 不回调（服务端默认）
convert_num_mode	否	Integer	数字转换：0 不转，1 智能转换（默认），3 数学转换
word_info	否	Int	显示词级时间：0 不显示，1 显示，2 含标点
vad_silence_time	否	Integer	静音断句阈值（ms），范围 240-2000，默认 800
vad_level	否	Integer	VAD 场景档：0 高召回，1 远场过滤（服务端默认）
noise_threshold	否	Float	VAD 噪声微调，范围 0.0-4.0；设置后覆盖 vad_level 档位
max_speak_time	否	Integer	强制断句时间（ms），范围 5000-90000，默认 60000
input_sample_rate	否	Integer	输入 PCM 采样率，仅支持 8000（8k 音频喂 16k 引擎）
speaker_diarization	否	Integer	说话人分离：0 关闭（默认），1 匿名聚类，3 声纹角色认证
speaker_number	否	Integer	说话人数量提示（分离开启时生效，用于在线聚类）；0 自动检测
speaker_roles	否	String	临时声纹角色 JSON 数组，仅 speaker_diarization=3，如 [{"RoleName":"teacher","AudioUrl":"https://.../a.wav"}]
voiceprintids	否	String	已注册声纹 ID JSON 数组，仅 speaker_diarization=3
language	否	String	指定识别语言（如 zh、en），留空为自动检测
signature	是	String	接口签名参数，值与 usersig 一致

实时识别响应

字段	类型	说明
code / message	Integer / String	错误码与提示，0 表示成功
voice_id / message_id	String	音频流 ID / 单条消息 ID
final	Integer	1 表示会话结束包
result.slice_type	Integer	0 句子开始，1 中间结果，2 句末稳定结果
result.index	Integer	句子序号
result.start_time / end_time	Integer	当前结果起止时间（ms）
result.voice_text_str	String	当前结果文本
result.word_size / word_list	Integer / Array	词级（字级）时间戳，需 word_info != 0
result.speaker_segments	Array	说话人分段，开启说话人分离后返回
result.language	String	识别语言（引擎上报时）
result.finish_silence_ms	Integer	触发断句的尾部静音时长（ms）
result.last_token_runtime_ms	Integer	末字服务端解码耗时（ms）

说话人分离（实时）

开启 speaker_diarization 后，说话人归属通过两个入口返回：

• result.speaker_segments[]：推荐入口。一个 result 可能包含多个说话人，句子级归属天然有歧义，因此协议按说话人切段返回。len(speaker_segments) == 1 即为单说话人句。
• result.word_list[].speaker_id：字级归属，需同时设置 word_info != 0。

speaker_id 语义：会话内有效，从 1 开始编号，-1 表示未知，0 为保留值。

speaker_segments[] 字段：

字段	类型	说明
speaker_id	Integer	说话人编号
speaker_name	String	角色名，仅 speaker_diarization=3 命中注册声纹时返回，等于请求侧 RoleName
start_time / end_time	Integer	该分段起止时间（ms）
text	String	该分段文本
word_start / word_end	Integer	对应 word_list 的闭区间下标，即 word_list[word_start:word_end+1]；word_info=0 时不返回
stable_flag	Integer	该分段是否稳定：1 稳定，0 非稳定

Go 用法示例：

recognizer := asr.NewSpeechRecognizer(credential, "16k_zh", &MyListener{})
recognizer.SetWordInfo(1)                                        // 需要字级说话人时开启
recognizer.SetSpeakerDiarization(asr.SpeakerDiarizationCluster)   // 1：匿名聚类

// 声纹角色认证（返回角色名）：
// recognizer.SetSpeakerDiarization(asr.SpeakerDiarizationVoiceprint) // 3
// recognizer.SetSpeakerRoles([]asr.SpeakerRole{
//     {RoleName: "teacher", AudioUrl: "https://example.com/teacher.wav"},
// })
// recognizer.SetVoiceprintIDs([]string{"vp-1"}) // 已注册声纹
// recognizer.SetSpeakerNumber(2)                // 0 = 自动检测；两种分离模式都生效

// 回调里读取：
func (l *MyListener) OnSentenceEnd(resp *asr.SpeechRecognitionResponse) {
    for _, seg := range resp.Result.SpeakerSegments {
        name := seg.SpeakerName            // speaker_diarization=3 才有
        if name == "" {
            name = fmt.Sprintf("spk%d", seg.SpeakerID)
        }
        log.Printf("[%s] %s", name, seg.Text)
    }
}

VAD 调优（noise_threshold / vad_level）

方法	取值	说明
SetVadLevel(level)	0 / 1	0 高召回，1 远场过滤（服务端默认）
SetNoiseThreshold(v)	0.0 - 4.0	噪声抑制微调，值越大抑制越强、召回越低；设置后覆盖 vad_level 档位
SetVadSilenceTime(ms)	240 - 2000	静音断句阈值

两者都是三态语义：只有显式调用 setter 才会下发，因此显式传 0 与「不配置」可以区分（服务端 vad_level 默认是 1）。超出范围会在 Start() 阶段本地报错，不会浪费一次连接。

一句话识别接口

• 请求地址：
  • 国内站：https://asr.cloud-rtc.com/v1/SentenceRecognition?{请求参数}
  • 国际站：https://asr-intl.cloud-rtc.com/v1/SentenceRecognition?{请求参数}
• 请求方法：HTTP POST，Content-Type 为 application/json; charset=utf-8

鉴权方式

HTTP 接口的鉴权信息携带在请求 Header 中（与流式不同，不走 query）：

Header	说明
X-TRTC-SdkAppId	TRTC 应用 ID，从 TRTC 控制台 获取
X-TRTC-UserSig	TRTC 签名，UserID 等于 URL 参数中的 RequestId（SDK 内部自动生成）

URL 请求参数

参数	必填	类型	说明
AppId	是	String	腾讯云 APPID
Secretid	是	String	SDK 内部自动用 APPID 填充
RequestId	是	String	全局请求唯一 ID（UUID），用于生成 UserSig
Timestamp	是	Integer	当前 UNIX 时间戳（秒）

请求体参数（JSON）

参数	必填	类型	说明
EngSerViceType	是	String	引擎类型：16k_zh(中文)、16k_zh_en(中英文)
SourceType	是	Integer	0 URL 上传、1 本地数据（base64）
VoiceFormat	是	String	音频格式：wav、pcm、ogg-opus、mp3、m4a
Data	条件	String	base64 编码的音频数据（SourceType=1 时必填）
DataLen	条件	Integer	音频数据原始长度（SourceType=1 时必填）
Url	条件	String	音频 URL（SourceType=0 时必填）
WordInfo	否	Integer	词级时间：0 不显示、1 显示、2 含标点
FilterDirty	否	Integer	脏词过滤：0 不过滤、1 过滤、2 替换
FilterModal	否	Integer	语气词过滤：0 不过滤、1 部分、2 严格
FilterPunc	否	Integer	标点过滤：0 不过滤、2 过滤全部
ConvertNumMode	否	Integer	数字转换：0 不转、1 智能转换（默认）
HotwordId	否	String	热词表 ID
HotwordList	否	String	临时热词列表
CustomizationId	否	String	自学习模型 ID
InputSampleRate	否	Integer	PCM 输入采样率（仅 PCM 格式，支持 8000）
Language	否	String	指定识别语言，留空为自动检测

限制：音频时长 ≤ 60s，文件大小 ≤ 3MB，单账号并发 ≤ 30次/秒

录音文件识别接口

录音文件识别是异步接口，适用于较长音频（≤12h）。工作流程为：提交任务 → 轮询结果。

创建任务：CreateRecTask

• 请求地址：
  • 国内站：https://asr.cloud-rtc.com/v1/CreateRecTask?{请求参数}
  • 国际站：https://asr-intl.cloud-rtc.com/v1/CreateRecTask?{请求参数}
• 请求方法：HTTP POST，Content-Type 为 application/json; charset=utf-8
• 并发限制：默认 20次/秒

鉴权方式（Header 中的 X-TRTC-SdkAppId / X-TRTC-UserSig）与 URL 请求参数（AppId、Secretid、RequestId、Timestamp）均与一句话识别相同。

请求体参数（JSON）

参数	必填	类型	说明
EngineModelType	是	String	引擎类型：16k_zh(中文)、16k_zh_en(中英文)
ChannelNum	是	Integer	声道数：1 单声道；2 双声道（8k 电话，自动区分说话人并返回 ChannelId：1=左/2=右）
ResTextFormat	是	Integer	结果格式：0 基础、1 含词级时间、2 含标点时间
SourceType	是	Integer	0 URL 上传、1 本地数据（base64）
Url	条件	String	音频 URL（SourceType=0，时长≤12h，大小≤1GB）
Data	条件	String	base64 编码音频数据（SourceType=1，大小≤5MB）
DataLen	条件	Integer	音频数据原始长度（SourceType=1）
CallbackUrl	否	String	回调 URL，任务完成后 POST 结果
FilterDirty	否	Integer	脏词过滤
FilterModal	否	Integer	语气词过滤
FilterPunc	否	Integer	标点过滤
ConvertNumMode	否	Integer	数字转换
HotwordId	否	String	热词表 ID
HotwordList	否	String	临时热词列表
CustomizationId	否	String	自学习模型 ID
ReplaceTextId	否	String	替换词表 ID
Language	否	String	指定识别语言，留空为自动检测
SpeakerDiarization	否	Integer	说话人分离：0 关闭（默认），1 匿名聚类，3 声纹角色认证
SpeakerNumber	否	Integer	说话人数量提示，0 自动检测
SpeakerRoles	否	Array	临时声纹角色，元素含 RoleName 与 AudioUrl，仅 SpeakerDiarization=3
VoiceprintIds	否	Array	已注册声纹 ID 列表，仅 SpeakerDiarization=3
VadSilenceMs	否	Integer	静音断句阈值（ms）
VadLevel	否	Integer	VAD 场景档：0 高召回（默认），1 远场过滤
NoiseThreshold	否	Float	VAD 噪声微调，范围 0.0-4.0；设置后覆盖 VadLevel 档位

VadLevel / NoiseThreshold 在 Go 结构体里是指针（*int / *float64），因为 0 是合法取值，用指针才能区分「显式传 0」与「不配置」。

响应

返回 RecTaskId（任务 ID），用于后续查询。任务有效期 24 小时。

查询结果：DescribeTaskStatus

• 请求地址：
  • 国内站：https://asr.cloud-rtc.com/v1/DescribeTaskStatus?{请求参数}
  • 国际站：https://asr-intl.cloud-rtc.com/v1/DescribeTaskStatus?{请求参数}
• 请求方法：HTTP POST
• 并发限制：默认 50次/秒

请求体参数（JSON）

参数	必填	类型	说明
RecTaskId	是	String	CreateRecTask 返回的任务 ID

响应（TaskStatus）

字段	类型	说明
RecTaskId	String	任务 ID
Status	Integer	0 等待、1 执行中、2 成功、3 失败
StatusStr	String	waiting / executing / success / failed
Progress	Integer	处理进度（0-100）
Result	String	识别结果文本
ErrorMsg	String	失败原因
ResultDetail	Array	句级详细结果（含词级时间偏移）
AudioDuration	Float	音频时长（秒）

ResultDetail[] 中与说话人相关的字段：

字段	类型	说明
SpeakerId	Integer	说话人编号，开启 SpeakerDiarization 后返回
SpeakerRoleName	String	角色名，SpeakerDiarization=3 命中注册声纹时返回
ChannelId	Integer	双声道（ChannelNum=2）时的声道编号：1=左、2=右；此场景下优先用它区分说话人
Language	String	该句识别语言（引擎上报时）

---

安装

go get github.com/Tencent-RTC/trtc-asr-sdk-go@latest

要求：Go 1.21+

快速开始

实时语音识别

package main

import (
    "io"
    "log"
    "os"
    "time"

    "github.com/Tencent-RTC/trtc-asr-sdk-go/asr"
    "github.com/Tencent-RTC/trtc-asr-sdk-go/common"
)

// 只需实现关心的回调；其余事件嵌入 UnimplementedSpeechRecognitionListener 即可。
type MyListener struct {
    asr.UnimplementedSpeechRecognitionListener
}

func (l *MyListener) OnSentenceEnd(resp *asr.SpeechRecognitionResponse) {
    log.Printf("Sentence end: %s", resp.Result.VoiceTextStr)
}
func (l *MyListener) OnFail(resp *asr.SpeechRecognitionResponse, err error) {
    log.Printf("Failed: %v", err)
}

func main() {
    // 1. 创建凭证
    credential := common.NewCredential(
        0,                       // 腾讯云 APPID
        0,                       // TRTC SDKAppID
        "your-sdk-secret-key",   // SDK密钥
    )
    // credential.SetSite(common.SiteIntl) // 国际站；不调用则走国内站

    // 2. 创建识别器
    recognizer := asr.NewSpeechRecognizer(credential, "16k_zh", &MyListener{})

    // 3. 可选配置
    // recognizer.SetHotwordID("hotword-id")     // 设置热词
    // recognizer.SetVadSilenceTime(500)          // VAD 静音时间

    // 4. 启动识别
    if err := recognizer.Start(); err != nil {
        log.Fatal(err)
    }

    // 5. 发送音频数据
    file, _ := os.Open("audio.pcm")
    defer file.Close()

    buf := make([]byte, 6400) // 200ms of 16kHz 16bit mono PCM
    for {
        n, err := file.Read(buf)
        if err == io.EOF {
            break
        }
        recognizer.Write(buf[:n])
        time.Sleep(200 * time.Millisecond) // 模拟实时
    }

    // 6. 停止识别
    recognizer.Stop()
}

一句话识别

package main

import (
    "fmt"
    "log"
    "os"

    "github.com/Tencent-RTC/trtc-asr-sdk-go/asr"
    "github.com/Tencent-RTC/trtc-asr-sdk-go/common"
)

func main() {
    // 1. 创建凭证
    credential := common.NewCredential(
        0,                       // 腾讯云 APPID
        0,                       // TRTC SDKAppID
        "your-sdk-secret-key",   // SDK密钥
    )

    // 2. 创建一句话识别器
    recognizer := asr.NewSentenceRecognizer(credential)

    // 3. 从本地文件识别（自动 base64 编码）
    data, _ := os.ReadFile("audio.pcm")
    result, err := recognizer.RecognizeData(data, "pcm", "16k_zh_en")
    if err != nil {
        log.Fatal(err)
    }

    fmt.Printf("识别结果: %s\n", result.Result)
    fmt.Printf("音频时长: %d ms\n", result.AudioDuration)

    // 或者从 URL 识别
    // result, err := recognizer.RecognizeURL("https://example.com/audio.wav", "wav", "16k_zh_en")
}

录音文件识别

package main

import (
    "fmt"
    "log"
    "os"
    "time"

    "github.com/Tencent-RTC/trtc-asr-sdk-go/asr"
    "github.com/Tencent-RTC/trtc-asr-sdk-go/common"
)

func main() {
    // 1. 创建凭证
    credential := common.NewCredential(
        0,                       // 腾讯云 APPID
        0,                       // TRTC SDKAppID
        "your-sdk-secret-key",   // SDK密钥
    )

    // 2. 创建录音文件识别器
    recognizer := asr.NewFileRecognizer(credential)

    // 3. 提交识别任务（本地文件）
    data, _ := os.ReadFile("audio.pcm")
    taskID, err := recognizer.CreateTaskFromData(data, "pcm", "16k_zh_en")
    if err != nil {
        log.Fatal(err)
    }
    fmt.Printf("任务已提交: %s\n", taskID)

    // 4. 轮询等待结果（默认 1 秒间隔，10 分钟超时）
    status, err := recognizer.WaitForResult(taskID)
    if err != nil {
        log.Fatal(err)
    }

    fmt.Printf("识别结果: %s\n", status.Result)
    fmt.Printf("音频时长: %.2f s\n", status.AudioDuration)

    // 或者从 URL 提交（支持更大文件，≤1GB / ≤12h）
    // taskID, err := recognizer.CreateTaskFromURL("https://example.com/audio.wav", "16k_zh_en")

    // 或者自定义轮询间隔
    // status, err := recognizer.WaitForResultWithInterval(taskID, 2*time.Second, 30*time.Minute)
    _ = time.Second // suppress unused import
}

凭证获取

参数	来源	说明
AppID	CAM 密钥管理	腾讯云账号 APPID，用于 URL 路径
SDKAppID	TRTC 控制台 > 应用管理	TRTC 应用 ID
SecretKey	TRTC 控制台 > 应用概览 > SDK密钥	用于生成 UserSig，不会传输到网络

配置项

实时语音识别（SpeechRecognizer）：

方法	说明	默认值
SetVoiceFormat(f)	音频格式	1 (PCM)
SetNeedVad(v)	是否开启 VAD	1 (开启)
SetConvertNumMode(m)	数字转换模式	1 (智能)
SetHotwordID(id)	热词表 ID	-
SetHotwordList(list)	临时热词列表 词|权重,...	-
SetCustomizationID(id)	自学习模型 ID	-
SetReplaceTextID(id)	替换词表 ID	-
SetFilterDirty(m)	脏词过滤	0 (关闭)
SetFilterModal(m)	语气词过滤	0 (关闭)
SetFilterPunc(m)	句号过滤	0 (关闭)
SetFilterEmptyResult(m)	空结果是否回调	1 (不回调)
SetWordInfo(m)	词级/字级时间	0 (关闭)
SetVadSilenceTime(ms)	VAD 静音阈值（240-2000）	800ms
SetVadLevel(level)	VAD 场景档：0 高召回 / 1 远场过滤	1
SetNoiseThreshold(v)	VAD 噪声微调（0.0-4.0），覆盖场景档	未设置
SetMaxSpeakTime(ms)	强制断句时间（5000-90000）	60000ms
SetInputSampleRate(r)	输入 PCM 采样率，仅 8000	-
SetSpeakerDiarization(m)	说话人分离：0 关 / 1 聚类 / 3 声纹角色	0 (关闭)
SetSpeakerNumber(n)	说话人数量提示（分离开启时生效）	0 (自动)
SetSpeakerRoles(roles)	临时声纹角色（仅模式 3）	-
SetVoiceprintIDs(ids)	已注册声纹 ID（仅模式 3）	-
SetLanguage(lang)	指定识别语言	自动检测
SetVoiceID(id)	自定义 voice_id	自动 UUID

引擎模型

类型	说明
8k_zh	中文通用，常用于电话场景
16k_zh	中文通用（推荐）
16k_zh_en	中英文通用

示例

完整示例请参见：

• 实时语音识别：examples/realtime_asr/ — WebSocket 流式识别
• 一句话识别：examples/sentence_asr/ — HTTP 短音频识别（≤60s）
• 录音文件识别：examples/file_asr/ — 异步长音频识别

运行示例：

# 实时语音识别
cd examples/realtime_asr
go run main.go -f ../test.pcm

# 一句话识别
cd examples/sentence_asr
go run main.go -f ../test.pcm -fmt pcm

# 录音文件识别
cd examples/file_asr
go run main.go -f ../test.pcm

# 说话人分离（实时：匿名聚类 + 字级说话人）
cd examples/realtime_asr
go run main.go -f ../test.pcm -diarization 1 -word-info 1

# 说话人分离（实时：声纹角色认证，返回角色名）
go run main.go -f ../test.pcm -diarization 3 \
  -roles "teacher=https://example.com/teacher.wav,student=https://example.com/student.wav"

# VAD 调优（远场过滤 + 噪声阈值）
go run main.go -f ../test.pcm -vad-level 1 -noise-threshold 1.5

# 说话人分离（录音文件）
cd examples/file_asr
go run main.go -u https://example.com/call.wav -diarization 1

# 查看所有选项
go run main.go -h

项目结构

trtc-asr-sdk-go/
├── common/                     # 公共模块
│   ├── credential.go           # 凭证管理（APPID + SDKAppID + SDK密钥）
│   ├── usersig.go              # TRTC UserSig 生成
│   ├── usersig_test.go         # UserSig 单元测试
│   ├── signature.go            # URL 请求参数构建
│   ├── signature_test.go       # 参数构建单元测试
│   ├── signature_speaker_test.go # 说话人分离 / VAD 调优参数单元测试
│   └── errors.go               # 错误定义
├── asr/                        # ASR 语音识别模块
│   ├── speech_recognizer.go    # 实时语音识别器（WebSocket）
│   ├── speech_recognizer_test.go # 生命周期与并发健壮性测试
│   ├── params.go               # 说话人分离 / VAD 调优参数校验
│   ├── params_test.go          # 参数校验单元测试
│   ├── diarization_test.go     # 说话人分离请求参数与响应解析测试
│   ├── sentence_recognizer.go  # 一句话识别器（HTTP）
│   ├── sentence_recognizer_test.go # 一句话识别单元测试
│   ├── file_recognizer.go      # 录音文件识别器（异步 HTTP）
│   ├── file_recognizer_test.go # 录音文件识别单元测试
│   └── file_recognizer_speaker_test.go # 录音文件说话人分离测试
├── examples/                   # 示例代码
│   ├── test.pcm                # 测试音频文件（16kHz 16bit 单声道 PCM）
│   ├── realtime_asr/           # 实时语音识别示例
│   │   └── main.go
│   ├── sentence_asr/           # 一句话识别示例
│   │   └── main.go
│   └── file_asr/               # 录音文件识别示例
│       └── main.go
├── go.mod                      # Go module 配置
├── go.sum                      # 依赖校验
├── .gitignore
└── README.md

常见问题

APPID 和 SDKAppID 有什么区别？

• APPID（如 13xxxxxxxx）：腾讯云账号级别的 ID，从 CAM 密钥管理 获取，用于 WebSocket URL 路径
• SDKAppID（如 14xxxxxxxx）：TRTC 应用级别的 ID，从 TRTC 控制台 获取，用于鉴权（SDK 自动填入 URL query 的 sdkappid）

UserSig 是什么？

UserSig 是基于 SDKAppID 和 SDK 密钥计算的签名，用于 TRTC 服务鉴权。SDK 会自动生成，无需手动计算。详见鉴权文档。

signature 参数怎么计算？

根据协议，signature 与 usersig 的值都等于 UserSig，SDK 内部自动处理，用户无需关心。

支持哪些音频格式？

• 实时语音识别：支持 PCM 格式（voice_format=1），建议 16kHz、16bit、单声道
• 一句话识别：支持 wav、pcm、ogg-opus、mp3、m4a，音频时长 ≤ 60s，文件 ≤ 3MB
• 录音文件识别：支持 wav、ogg-opus、mp3、m4a，本地文件 ≤ 5MB，URL ≤ 1GB / ≤ 12h

License

MIT License