ASR 语音识别接口封装和分析

这个文档主要是介绍一下我自己封装了 6 家厂商的短语音识别和实时流语音识别接口的一个包，以及对这些接口的一个对比。分别是，阿里，快商通，百度，腾讯，科大，字节。

zxmfke/asrfactory (github.com)

之前刚好在测试各家的语音识别相关功能，但是每家的返回值都不同，调用方式都不同，所以就封装了这么一个包。主要就是用简易工厂模式封装了一下，可以用来内部做测试。

功能方面，只是单纯的返回识别结果，实时流也是，正常是要再返回时间戳的，不过各家在时间戳上更是五花八门，就之后有空再封装。

有什么需求也欢迎讨论，另外，接口的app，账号需要自己去生成。

本文档偏主观，不喜勿喷

---

接口官方文档地址

短语音识别	URL
阿里	智能语音交互RESTfulAPI（ROA）示例_智能语音交互-阿里云帮助中心 (aliyun.com)
快商通	快商通AI开放平台-短语音识别
百度	短语音识别标准版API - 语音技术 (baidu.com)
腾讯	语音识别 一句话识别-一句话识别相关接口-API 中心-腾讯云 (tencent.cn)
科大	语音听写_语音识别-讯飞开放平台 (xfyun.cn)
字节	一句话识别–语音技术-火山引擎 (volcengine.com)

实时流语音识别	URL
阿里	如何自行开发代码访问阿里语音服务_智能语音交互-阿里云帮助中心 (aliyun.com)
快商通	快商通AI开放平台-实时语音识别
百度	语音技术 (baidu.com)
腾讯	语音识别 实时语音识别（websocket）-API 文档-文档中心-腾讯云 (tencent.com)
科大	实时语音转写_实时语音识别服务-讯飞开放平台 (xfyun.cn)
字节	流式语音识别–语音技术-火山引擎 (volcengine.com)

---

包封装实现

短语音识别

短语音比较简单，主要就是一个 http 请求，实现 Do 方法就可以了。

type Asr interface {
	Do(fileName string, sampleRate define.AudioSampleRate) (string, error)
}

实时流语音识别

实时流识别主要是抽象成 5 个函数，均通过 websocket 的方式对接

type AsrWs interface {
    
    // 初始化，创建 websocket 连接。把创建和发送 start 的逻辑封在一起。
	Init() error

    // 发送语音流数据
	Send([]byte) error

    // 接收识别结果
	Recv(chan<- define.Output)

    // 发送结束标识
	End() error

    // 关闭 websocket 连接
	Close()
}

实时流语音识别可以分成 7 个步骤：

1. 建立 web socket 连接；
2. 发送 start 的 Text message；

这两步就是在 Init 里面实现，如果 start 没有，那 Init 里面就不会做 start 的逻辑

3. 发送完 start 后，会返回给 client 可以发送的 message；

4. 循环发送语音，通过 Send 方法；

5. 同时接收识别结果，Recv 来接收识别结果；

6. 语音数据发送结束后，发送给 server 端数据发送完毕的标识，即 End 方法；

7. 发送 End 后，不要立马断开 web socket 连接。End 只是发送我没有要 server 端识别的数据了，不过还是要等 server 端把所有语音数据都是识别完成，返回全部识别结束。这时候才能 Close 连接。

Recv 和 End 方法在各家的实现里面是最不同的，所以抽象的地方主要是在这两个函数。不过无论后面要再加什么厂商的接口，基本上按照这 5 个方法，是没什么问题的。字节的就是，我在最后才加的。

---

接口语音要求

我只列常用的

	语音要求
阿里	16k/8k wav/pcm
快商通	16k/8k wav
百度	16k pcm
腾讯	16k/8k wav/pcm
科大	16k/8k pcm
字节	16k/8k wav/pcm

---

接口文档是否易懂

	文档易懂
阿里	有完整文档，字段描述清晰，范例代码挺多。
快商通	有完整文档，字段描述清晰，范例代码就一个js。
百度	有完整文档，字段描述清晰，逻辑性不是很强。
腾讯	有完整文档，字段描述清晰，逻辑性强，范例代码多
科大	有完整文档，字段描述清晰，过于复杂，字段命名不直观
字节	看文档看不懂，只能看懂调用逻辑，字段怎么用，只能直接看范例，范例也不知道为什么这么写

---

接口对接难易度

对接难易度这边更多指的是最后抽象成几个方法的难易度。

	调用难易度
阿里	易，发数据前要先发，开始message
快商通	没有 go 范例，得自己写，不过逻辑还算比较简单清晰
百度	易，发数据前要先发，开始message
腾讯	易，创建 ws 连接的时候得先获取 signature
科大	有点麻烦，范例太过复杂，创建 ws 连接的时候得先获取 signature。嵌套多层，且字段名不直观，抽象过程麻烦。
字节	有点麻烦，范例太过复杂，发数据前要先发，开始message，抽象过程麻烦。

---

接口识别效果

识别效果我只测了中文，16k。8k 跟 16k 结果差不多。在正常语音，正常噪音情况下，腾讯，阿里排在前两位，后面的差不多。在有噪音前提下，大体相差不了多少。其中，快商通不支持多方言和多语种，其他的都可以。

响应时间，识别速度，腾讯 > 阿里 > 百度 > 快商通 > 科大 > 字节

---

接口免费调用次数

各平台免费调用次数都比较充足，价格就直接官网看比较直观，因为有阶梯的不好比较。直接跟商务谈的也会有所区别。

---

总结

这个包就是来封装一下各家的语音识别接口，方便调用。选哪家因人而异，考量的点挺多。我个人觉得腾讯的是最好的，它文档很丰富，逻辑清晰，范例也很清楚，识别效果，识别速度都是最好的。快商通的简单，识别也还行，就是支持的功能太少了。科大的应该是不错的，不过不知道为什么识别效果怪怪的。字节的每太理解需要这么设计的逻辑，会给使用者增加一些不必要的麻烦，可能是我功力还不能理解他们的设计巧思。