語音翻譯 API 簡介

概念解釋

語音翻譯：將一段源語言音頻文件轉換成目標語言文本/語音，大大減輕傳統(tǒng)文本翻譯的讀寫成本，翻譯更輕松

說明

Hi，您好，歡迎使用有道智云語音翻譯API接口服務。

本文檔主要針對需要集成HTTP API的技術開發(fā)工程師，詳細描述語音翻譯能力相關的技術內容。

如果您有與我們商務合作的需求，可以通過以下方式聯(lián)系我們：

商務郵箱： AIcloud_Business@corp.youdao.com

如果您對文檔內容有任何疑問，可以通過以下幾種方式聯(lián)系我們：

客服QQ：1906538062

智云翻譯技術交流QQ 1群: 652880659

智云翻譯技術交流QQ 2群: 669384425

智云翻譯技術交流QQ 3群: 807539209

智云翻譯技術交流QQ 4群: 936752411

聯(lián)系郵箱： zhiyun@corp.youdao.com

溫馨提示：

• 本文檔主要針對開發(fā)人員，接入測試前需要獲取應用ID和應用密鑰；如果您還沒有，請按照新手指南獲取。
• 平臺向每個賬戶贈送50元的體驗金，供用戶集成前測試所用，具體資費規(guī)則詳見 語音翻譯服務報價 。

接口說明

語音翻譯API接口提供有道的語音翻譯服務，包含了中文和其他有道自有語種的互譯功能。您只需要通過調用有道語音翻譯API，傳入待翻譯的音頻文件，并指定要翻譯的源語言（支持源語言語種自動檢測）和目標語言種類，以POST方式請求就可以得到相應的翻譯結果。

有道語音翻譯API HTTPS地址：

https://openapi.youdao.com/speechtransapi

注：上傳的語音文件時長不能超過15s，文件大小不能超過2M。

協(xié)議須知

調用方在集成語音翻譯API時，請遵循以下規(guī)則。

接口調用參數(shù)

調用API需要向接口發(fā)送以下字段來訪問服務。

簽名生成方法如下： signType=v3； sign=sha256(應用ID+input+salt+curtime+應用密鑰)； 其中，input的計算方式為：input=q前10個字符 + q長度 + q后10個字符（當q長度大于20）或 input=q字符串（當q長度小于等于20）；

注意:

1. 請先將需要識別的音頻文件轉換為 Base64 編碼。
2. 在發(fā)送HTTP請求之前需要對各字段做 URL encode。
3. 在生成簽名拼接 應用ID+q+salt+應用密鑰 字符串時，q 不需要做 URL encode，在生成簽名之后，發(fā)送 HTTP 請求之前才需要對要發(fā)送的 q 做URL encode。
4. 簽名和請求有疑問，可以參考文檔最后的常用語言demo。

輸出結果

返回的結果是json格式，包含字段與FROM和TO的值有關，具體說明如下：

示例

使用good單詞查詢作為示例進行說明：

發(fā)送請求，調用接口：

{
    "q":"xxx",    //xxx為音頻的base64編碼
    "salt":123,
    "docType":"json",
    "format":"wav",
    "channel":1,
    "sign":"ACE8373C54C82A9C793A480B55138F3E",
    "type":1,
    "version":"v1",
    "rate":16000,
    "signType":"v1",
    "appKey":"test",
    "from":"zh-CHS",
    "to":"en"
}

輸出結果與FROM和TO的值有關：

如果源語言和目標語言一致，直接返回識別結果。

若不一致，按如下格式返回如下結果：

{
    "tSpeakUrl": "https://openapi.youdao.com/ttsapi?q=北京科技館&langType=en&sign=40133A29285AD7F85D62DC9EBFE36955&salt=1512458805233&appKey=apiTest",    //翻譯結果發(fā)音地址，翻譯成功一定存在
    "query": "北京科技館",    //識別結果，翻譯成功一定存在
    "translation": [
        "Beijing science and technology museum"
    ],    //翻譯結果
    "errorCode": "0",    //錯誤碼。一定存在
    "dict": {
        "url": "yddict://m.youdao.com/dict?le=eng&q=%E5%8C%97%E4%BA%AC%E7%A7%91%E6%8A%80%E9%A6%86"
    },    //詞典deeplink
    "webdict": {
        "url": "http://m.youdao.com/dict?le=eng&q=%E5%8C%97%E4%BA%AC%E7%A7%91%E6%8A%80%E9%A6%86"
    },    //webdict deeplink
    "speakUrl": "https://openapi.youdao.com/ttsapi?q=%E5%8C%97%E4%BA%AC%E7%A7%91%E6%8A%80%E9%A6%86&langType=zh-CHS&sign=25FA4EFF0F453867B8D5EAD9C0EF5D07&salt=1512458805232&appKey=zhudytest123"    //源語言發(fā)音地址
}

支持語言

注意

1. 越南語和印尼語目前只支持和中文的互譯。
2. 支持自動識別的語種包括：中文、英文。
3. 若列表語言出現(xiàn)不支持的問題，請參考產品定價列表語種互譯的限制

語音支持

格式支持：wav格式 / mp3格式（不壓縮、pcm編碼）。

采樣率：推薦16k。

編碼：16bit位深的單聲道

服務配置

錯誤代碼列表

音頻切換

本部分描述如何把其他格式的音頻轉成符合語音識別輸入要求的格式文件。

語音識別底層使用的是wav格式，因此推薦使用wav格式音頻。音頻格式轉換推薦使用ffmpeg。

PCM文件音頻介紹

pcm保存的是未壓縮的音頻信息,沒有頭文件

16bits編碼是指每次采樣信息用2個字節(jié)保存。

16000采樣率，是指1秒采樣16000次，常見的音頻是44100HZ，即一秒采樣44100次。

單聲道： 只有一個聲道。

根據這些信息，可以得出：

1ms的16采樣率音頻文件大小是 2*16 = 32字節(jié) 。

1ms的8采樣率音頻文件大小是 2*8 = 16字節(jié)，由此即可得到音頻的長度。

ffmpeg簡介

ffmpeg是一個自由軟件，可以運行音頻、視頻多種格式的錄影、轉換、流功能，包含libavcodec--這是一個用于多個項目中的音頻、視頻的解碼器庫，以及l(fā)ibavformat--一個音頻和視頻格式轉換庫。

ffmpeg官網：https://www.ffmpeg.org/

ffmpeg的github地址：https://github.com/FFmpeg/FFmpeg

ffmpeg編譯參數(shù)

ffmpeg默認支持pcm和wav（pcm編碼）格式，額外的編譯參數(shù)如下：

—enable-libopencore-amrnb 支持amr-nb(8000 采樣率) 讀寫

—enable-libopencore-amrwb 支持amr-wb(16000 采樣率) 讀取

—enable-libvo-amrwbenc 支持amr-wb(16000 采樣率) 寫入

—enable-libmp3lame 支持mp3 寫入

ffmpeg -codecs 可以查看所有的格式：

    D..... = Decoding supported  # 讀取
    .E.... = Encoding supported  # 寫入
    ..A... = Audio codec      # 音頻編碼
    ....L. = Lossy compression # 有損
    .....S = Lossless compression # 無損
    DEA..S pcm_s16le    PCM signed 16-bit little-endian
    DEA.LS wavpack      WavPack
    DEA.L. mp3          MP3 (MPEG audio layer 3)
    DEA.L. amr_nb       AMR-NB (Adaptive Multi-Rate NarrowBand)
    DEA.L. amr_wb       AMR-WB (Adaptive Multi-Rate WideBand)

主要參數(shù)

-i 設定輸入流

-f 設定格式

-ss 開始時間

wav、mp3、amr格式都自帶頭部，包含采樣率、編碼、多聲道等信息。而pcm為原始音頻信息，沒有頭部信息。wav（pcm編碼）就是pcm文件加了wav的頭部信息。

輸入wav、mp3、amr：

-i audio.wav/audio.mp3/audio.amr

輸入pcm格式：pcm需要額外告知編碼格式，采樣率，單聲道信息

-f s16le -ac 1 -ar 16000 -i 16k.pcm //單聲道、16000采樣率、16bits編碼的pcm文件

音頻參數(shù)

-ar 設定采樣率

-ac 設定聲音的channel數(shù)

-acodec 設定聲音編解碼器，未設定時則使用與輸入流相同的編解碼器

-an 不處理音頻

-ab 設置比特率（單位：bit/s,也許老版是kb/s），前面ac設置為立體聲時要以一半的比特率來設置，比如192kbps的就設置為96，轉換默認比特率都較小，要聽到高品質聲音的話建議設到160kbps（80）以上。

在原始采樣率 大于或者接近16000的時候，推薦使用16000,8000采樣率會降低識別效果。

輸出wav和amr時，如果沒有指定聲音編解碼器，則會選擇默認的編碼器。

輸出pcm：

-f s16le -ac 1 -ar 16000 16k.pcm // 單聲道 16000 采樣率 16bits編碼 pcm文件

輸出wav：

-ar 1 -ar 16000 16k.wav //單聲道 16000 采樣率 16bits編碼 pcm編碼的wav文件

amr-nb:全稱是：Adaptive Multi-Rate，自適應多速率，是一種音頻編碼文件格式，專用于有效地壓縮語音頻率。amr-nb格式只能選 8000采樣率。bit rates越高音質越好，但是文件越大

bit rates 4.75k, 5.15k, 5.9k, 6.7k, 7.4k, 7.95k, 10.2k or 12.2k

輸出 amr-wb 格式，采樣率 16000。 bit rates越高音質越好，但是文件越大。

6600 8850 12650 14250 15850 18250 19850 23050 23850

常用參數(shù)

-y 覆蓋同名文件

-v 日志輸出 基本如-v ERROR -v quiet等

轉換命令示例

ffmpeg {常用參數(shù)} {輸入音頻參數(shù)} {輸出音頻參數(shù)}

• wav 文件轉 16k 16bits 位深的單聲道pcm文件

ffmpeg -y -i 16k.wav -acodec pcm_s16le -f s16le -ac 1 -ar 16000 16k.pcm

• pcm文件轉wav：

ffmpeg -y -f s16le -ar 16000 -ac 1 -acodec pcm_s16le 16k.pcm 16k.wav

• m4a文件轉16k 16bits 位深的單聲道pcm文件

D:\ffmpeg\bin>ffmpeg -y -i test.m4a -acodec pcm_s16le -f s16le -ac 1 -ar 16000 16k.pcm

常用語言 Demo

Java 示例

語音翻譯 Java demo

Python3 示例

語音翻譯 python demo

C#示例

語音翻譯 c# demo

PHP 示例

語音翻譯 php demo

go 示例

語音翻譯 go demo