语音识别 API

语音识别接口接收音频文件，并使用设备上运行的语音识别模型返回文本结果。本文示例使用 AI Pyramid 的 SenseVoice 模型。

准备工作

调用接口前，需要在设备上安装语音识别模型和示例所需的工具。模型支持情况请参考模型库。

使用 apt 包管理工具安装 SenseVoice 模型包。

apt install llm-model-sense-voice-small-10s-ax650

安装 ffmpeg 工具。

apt install ffmpeg

安装完成后，重启 OpenAI 服务以使新模型生效。

systemctl restart llm-openai-api

Python SDK 调用

以下示例在 PC 端使用 OpenAI Python SDK 提交音频文件。调用远程设备时，请将 base_url 中的地址替换为设备的实际 IP 地址。

from openai import OpenAI
client = OpenAI(
    api_key="sk-",
    base_url="http://192.168.20.186:8000/v1"
)

audio_file = open("speech.mp3", "rb")
transcript = client.audio.transcriptions.create(
  model="sense-voice-small-10s-ax650",
  file=audio_file
)

print(transcript) 

请求参数

参数名称	类型	必选	示例值	描述
file	file	是	-	要转录的音频文件对象（非文件名），支持格式包括 flac、mp3、mp4、mpeg、mpga、m4a、ogg、wav、webm
model	string	是	sense-voice-small-10s-ax650	SenseVoice 模型支持中英日粤韩等多语言自动识别
language	string	否	-	模型内部自动识别语言
response_format	string	否	json	返回格式，目前仅支持 `json`，默认值为 `json`

返回示例

Transcription(text=' Thank you. Thank you everybody. All right everybody go ahead and have a seat. How\'s everybody doing today? .....', 
logprobs=None, task='transcribe', language='en', duration=334.234, segments=12, sample_rate=16000, channels=1, bit_depth=16) 