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(zhuǎn)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(wù)。

本文檔主要針對需要集成HTTP API的技術(shù)開發(fā)工程師，詳細描述語音翻譯能力相關(guān)的技術(shù)內(nèi)容。

如果您有與我們商務(wù)合作的需求，可以通過以下方式聯(lián)系我們：

商務(wù)郵箱： AIcloud_Business@corp.youdao.com

如果您對文檔內(nèi)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(shù)交流QQ 1群: 652880659

智云翻譯技術(shù)交流QQ 2群: 669384425

智云翻譯技術(shù)交流QQ 3群: 807539209

智云翻譯技術(shù)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(yīng)用ID和應(yīng)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(wù)報價 。

接口說明

語音翻譯API接口提供有道的語音翻譯服務(wù)，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(diào)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(yīng)的翻譯結(jié)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(diào)用方在集成語音翻譯API時，請遵循以下規(guī)則。

接口調(diào)用參數(shù)

調(diào)用API需要向接口發(fā)送以下字段來訪問服務(wù)。

簽名生成方法如下：
signType=v3；
sign=sha256(應(yīng)用ID+input+salt+curtime+應(yīng)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(zhuǎn)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(yīng)用ID+q+salt+應(yīng)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(jié)果

返回的結(jié)果是json格式，包含字段與FROM和TO的值有關(guān)，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(diào)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(jié)果與FROM和TO的值有關(guān)：

如果源語言和目標語言一致，直接返回識別結(jié)果。

若不一致，按如下格式返回如下結(jié)果：

{
    "tSpeakUrl": "https://openapi.youdao.com/ttsapi?q=北京科技館&langType=en&sign=40133A29285AD7F85D62DC9EBFE36955&salt=1512458805233&appKey=apiTest",    //翻譯結(jié)果發(fā)音地址，翻譯成功一定存在
    "query": "北京科技館",    //識別結(jié)果，翻譯成功一定存在
    "translation": [
        "Beijing science and technology museum"
    ],    //翻譯結(jié)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(chǎn)品定價列表語種互譯的限制

語音支持

格式支持：wav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(wù)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(zhuǎn)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(zhuǎn)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(jù)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(zhuǎn)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(zhuǎn)換庫。

ffmpeg官網(wǎng)：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(shè)定輸入流

-f 設(shè)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(shè)定采樣率

-ac 設(shè)定聲音的channel數(shù)

-acodec 設(shè)定聲音編解碼器，未設(shè)定時則使用與輸入流相同的編解碼器

-an 不處理音頻

-ab 設(shè)置比特率（單位：bit/s,也許老版是kb/s），前面ac設(shè)置為立體聲時要以一半的比特率來設(shè)置，比如192kbps的就設(shè)置為96，轉(zhuǎn)換默認比特率都較小，要聽到高品質(zhì)聲音的話建議設(shè)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(yīng)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(zhì)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(zhì)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(zhuǎn)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(zhuǎn) 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(zhuǎn)wav：

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

• m4a文件轉(zhuǎn)16k 16bits 位深的單聲道pcm文件

D:ffmpegbin>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