這個文檔主要是介紹一下我自己封裝了 6 家廠商的短語音識別和實時流語音識別接口的一個包，以及對這些接口的一個對比。分別是，阿里，快商通，百度，騰訊，科大，字節。

zxmfke/asrfactory (github.com)

之前剛好在測試各家的語音識別相關功能，但是每家的返回值都不同，調用方式都不同，所以就封裝了這么一個包。主要就是用簡易工廠模式封裝了一下，可以用來內部做測試。

功能方面，只是單純的返回識別結果，實時流也是，正常是要再返回時間戳的，不過各家在時間戳上更是五花八門，就之后有空再封裝。

有什么需求也歡迎討論，另外，接口的app，賬號需要自己去生成。

本文檔偏主觀，不喜勿噴

---

接口官方文檔地址

短語音識別	URL
阿里	智能語音交互RESTfulAPI（ROA）示例_智能語音交互-阿里云幫助中心 (aliyun.com)
快商通	快商通AI開放平臺-短語音識別
百度	短語音識別標準版API - 語音技術 (baidu.com)
騰訊	語音識別 一句話識別-一句話識別相關接口-API 中心-騰訊云 (tencent.cn)
科大	語音聽寫_語音識別-訊飛開放平臺 (xfyun.cn)
字節	一句話識別–語音技術-火山引擎 (volcengine.com)

實時流語音識別	URL
阿里	如何自行開發代碼訪問阿里語音服務_智能語音交互-阿里云幫助中心 (aliyun.com)
快商通	快商通AI開放平臺-實時語音識別
百度	語音技術 (baidu.com)
騰訊	語音識別 實時語音識別（websocket）-API 文檔-文檔中心-騰訊云 (tencent.com)
科大	實時語音轉寫_實時語音識別服務-訊飛開放平臺 (xfyun.cn)
字節	流式語音識別–語音技術-火山引擎 (volcengine.com)

---

包封裝實現

短語音識別

短語音比較簡單，主要就是一個 http 請求，實現 Do 方法就可以了。

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

實時流語音識別

實時流識別主要是抽象成 5 個函數，均通過 websocket 的方式對接

type AsrWs interface {// 初始化，創建 websocket 連接。把創建和發送 start 的邏輯封在一起。Init() error// 發送語音流數據Send([]byte) error// 接收識別結果Recv(chan<- define.Output)// 發送結束標識End() error// 關閉 websocket 連接Close()
}

實時流語音識別可以分成 7 個步驟：

1. 建立 web socket 連接；
2. 發送 start 的 Text message；

這兩步就是在 Init 里面實現，如果 start 沒有，那 Init 里面就不會做 start 的邏輯

3. 發送完 start 后，會返回給 client 可以發送的 message；

4. 循環發送語音，通過 Send 方法；

5. 同時接收識別結果，Recv 來接收識別結果；

6. 語音數據發送結束后，發送給 server 端數據發送完畢的標識，即 End 方法；

7. 發送 End 后，不要立馬斷開 web socket 連接。End 只是發送我沒有要 server 端識別的數據了，不過還是要等 server 端把所有語音數據都是識別完成，返回全部識別結束。這時候才能 Close 連接。

Recv 和 End 方法在各家的實現里面是最不同的，所以抽象的地方主要是在這兩個函數。不過無論后面要再加什么廠商的接口，基本上按照這 5 個方法，是沒什么問題的。字節的就是，我在最后才加的。

---

接口語音要求

我只列常用的

	語音要求
阿里	16k/8k wav/pcm
快商通	16k/8k wav
百度	16k pcm
騰訊	16k/8k wav/pcm
科大	16k/8k pcm
字節	16k/8k wav/pcm

---

接口文檔是否易懂

	文檔易懂
阿里	有完整文檔，字段描述清晰，范例代碼挺多。
快商通	有完整文檔，字段描述清晰，范例代碼就一個js。
百度	有完整文檔，字段描述清晰，邏輯性不是很強。
騰訊	有完整文檔，字段描述清晰，邏輯性強，范例代碼多
科大	有完整文檔，字段描述清晰，過于復雜，字段命名不直觀
字節	看文檔看不懂，只能看懂調用邏輯，字段怎么用，只能直接看范例，范例也不知道為什么這么寫

---

接口對接難易度

對接難易度這邊更多指的是最后抽象成幾個方法的難易度。

	調用難易度
阿里	易，發數據前要先發，開始message
快商通	沒有 go 范例，得自己寫，不過邏輯還算比較簡單清晰
百度	易，發數據前要先發，開始message
騰訊	易，創建 ws 連接的時候得先獲取 signature
科大	有點麻煩，范例太過復雜，創建 ws 連接的時候得先獲取 signature。嵌套多層，且字段名不直觀，抽象過程麻煩。
字節	有點麻煩，范例太過復雜，發數據前要先發，開始message，抽象過程麻煩。

---

接口識別效果

識別效果我只測了中文，16k。8k 跟 16k 結果差不多。在正常語音，正常噪音情況下，騰訊，阿里排在前兩位，后面的差不多。在有噪音前提下，大體相差不了多少。其中，快商通不支持多方言和多語種，其他的都可以。

響應時間，識別速度，騰訊 > 阿里 > 百度 > 快商通 > 科大 > 字節

---

接口免費調用次數

各平臺免費調用次數都比較充足，價格就直接官網看比較直觀，因為有階梯的不好比較。直接跟商務談的也會有所區別。

---

總結

這個包就是來封裝一下各家的語音識別接口，方便調用。選哪家因人而異，考量的點挺多。我個人覺得騰訊的是最好的，它文檔很豐富，邏輯清晰，范例也很清楚，識別效果，識別速度都是最好的。快商通的簡單，識別也還行，就是支持的功能太少了。科大的應該是不錯的，不過不知道為什么識別效果怪怪的。字節的每太理解需要這么設計的邏輯，會給使用者增加一些不必要的麻煩，可能是我功力還不能理解他們的設計巧思。