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：
- 建立 web socket 连接；
- 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
-
发送完 start 后，会返回给 client 可以发送的 message；
-
循环发送语音，通过 Send 方法；
-
同时接收识别结果，Recv 来接收识别结果；
-
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；
-
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。
