Method: speech.recognize

执行同步语音识别：在发送和处理完所有音频后接收结果。

HTTP 请求

POST https://speech.googleapis.com/v1p1beta1/speech:recognize

网址采用 gRPC 转码语法。

请求正文

请求正文中包含结构如下的数据：

JSON 表示法 
{
  "config": {
    object (RecognitionConfig)
  },
  "audio": {
    object (RecognitionAudio)
  }
}
字段
config

object (RecognitionConfig)

必需。向识别器提供指定如何处理请求的信息。
audio

object (RecognitionAudio)

必需。要识别的音频数据。

响应正文

speech.recognize 方法返回给客户端的唯一消息。它包含零个或多个连续的 SpeechRecognitionResult 消息形式的结果。

如果成功，响应正文将包含结构如下的数据：

JSON 表示法 
{
  "results": [
    {
      object (SpeechRecognitionResult)
    }
  ],
  "totalBilledTime": string,
  "speechAdaptationInfo": {
    object (SpeechAdaptationInfo)
  },
  "requestId": string,
  "usingLegacyModels": boolean
}
字段
results[]

object (SpeechRecognitionResult)

对应于音频中几个连续部分的转录结果的连续列表。
totalBilledTime

string (Duration format)

相应请求的已结算音频秒数（如有）。

该时长以秒为单位，最多包含九个小数位，以“s”结尾。示例："3.5s"。
speechAdaptationInfo

object (SpeechAdaptationInfo)

提供有关响应中自适应行为的信息
requestId

string (int64 format)

与请求关联的 ID。这是仅针对给定请求的唯一 ID。
usingLegacyModels

boolean

请求是否使用了旧版 ASR 模型（未自动迁移到使用 Conformer 模型）。

授权范围

需要以下 OAuth 范围：

  • https://www.googleapis.com/auth/cloud-platform

如需了解详情，请参阅 Authentication Overview。

SpeechRecognitionResult

对应于音频的一部分的语音识别结果。

JSON 表示法 
{
  "alternatives": [
    {
      object (SpeechRecognitionAlternative)
    }
  ],
  "channelTag": integer,
  "resultEndTime": string,
  "languageCode": string
}
字段
alternatives[]

object (SpeechRecognitionAlternative)

可能包含一个或多个识别假设（最多为 maxAlternatives 中指定的最大值）。这些备用内容由识别器按照准确性进行排序，最前面的（第一个）备用内容是最有可能的。
channelTag

integer

对于多声道音频，这是与识别出的音频所属声道相对应的声道编号。如果 audioChannelCount = N，则其输出值的范围可以从“1”到“N”。
resultEndTime

string (Duration format)

此结果的结束相对于音频开头的时间偏移。

该时长以秒为单位，最多包含九个小数位，以“s”结尾。示例："3.5s"。
languageCode

string

仅限输出。此结果中语言的 BCP-47 语言标记。检测到该语言代码表示音频中最有可能使用的是该语言。

SpeechRecognitionAlternative

备用假设（又称为 n 最佳列表）。

JSON 表示法 
{
  "transcript": string,
  "confidence": number,
  "words": [
    {
      object (WordInfo)
    }
  ]
}
字段
transcript

string

表示用户所说字词的转录文本。在用空格分隔字词的语言中，如果转写内容不是第一个结果，则可能包含前导空格。您可以连接每个结果以获得完整转写内容，而无需使用分隔符。
confidence

number

介于 0.0 和 1.0 之间的置信度估计值。数字越高表示单词被正确识别的估计可能性越大。此字段仅针对非流式结果的首选备用内容或 isFinal=true 的流式结果设置。此字段不能保证准确无误，也不能保证总会为用户提供。默认值 0.0 是一个标记值，表示未设置 confidence。
words[]

object (WordInfo)

每个已识别字词的字词特定信息列表。注意：当 enableSpeakerDiarization 为 true 时，您将看到音频开头的所有字词。

WordInfo

已识别字词的字词特定信息。

JSON 表示法 
{
  "startTime": string,
  "endTime": string,
  "word": string,
  "confidence": number,
  "speakerTag": integer,
  "speakerLabel": string
}
字段
startTime

string (Duration format)

相对于音频开头的时间偏移，并且对应于所说字词的开头。此字段仅在 enableWordTimeOffsets=true 时设置，且仅适用于首选假设。这是一项实验性功能，时间偏移的准确性可能会有所不同。

该时长以秒为单位，最多包含九个小数位，以“s”结尾。示例："3.5s"。
endTime

string (Duration format)

相对于音频开头的时间偏移，并且对应于所说字词的末尾。此字段仅在 enableWordTimeOffsets=true 时设置，且仅适用于首选假设。这是一项实验性功能，时间偏移的准确性可能会有所不同。

该时长以秒为单位，最多包含九个小数位，以“s”结尾。示例："3.5s"。
word

string

对应于该组信息的字词。
confidence

number

介于 0.0 和 1.0 之间的置信度估计值。数字越高表示单词被正确识别的估计可能性越大。此字段仅针对非流式结果的首选备用内容或 isFinal=true 的流式结果设置。此字段不能保证准确无误，也不能保证总会为用户提供。默认值 0.0 是一个标记值，表示未设置 confidence。
speakerTag
(deprecated)

integer

仅限输出。为音频中的每个讲话人分配不同的整数值。此字段指定检测哪个讲话人说出了此字词。值范围从“1”到 diarizationSpeakerCount。当 enableSpeakerDiarization = 'true' 时设置 speakerTag（仅适用于首选备用内容）。注意：请改用 speakerLabel。
speakerLabel

string

仅限输出。为音频中的每个唯一说话者分配的标签值。此字段用于指定检测到哪个讲话者说了这个字词。对于某些模型（如 medical_conversation），这可以是实际的说话者角色，例如“患者”或“提供方”，但通常情况下，这会是用于标识说话者的数字。此字段仅在 enableSpeakerDiarization = 'true' 时设置，且仅适用于首选备用内容。

SpeechAdaptationInfo

有关在结果中使用语音自适应的信息

JSON 表示法 
{
  "adaptationTimeout": boolean,
  "timeoutMessage": string
}
字段
adaptationTimeout

boolean

应用语音自适应时是否超时。如果为 true，则自适应对响应转写内容没有影响。
timeoutMessage

string

如果设置了此字段，则返回一条消息，指明语音转写请求的哪个部分超时。