Асинхроное распознавание

 

Асинхронное распознавание позволяет преобразовывать в текст многоканальные аудиофайлы следующих характеристик:

-Максимальная длительность записи — 4 часа.

-Максимальный размер файла — 1 ГБ.

 

Результаты распознавания хранятся на сервере 3 суток, после чего вы не сможете их получить.

 

Асинхронное распознавание не подходит для распознавания диалога в режиме реального времени. Если вам нужны промежуточные результаты и минимальное время ответа, используйте потоковое распознавание.

 

Список поддерживаемых языков в разделе Поддерживаемые языки распознавания.

 

 

В асинхронном распознавании доступна языковая модель, которая может работать в двух режимах.

 

1. В стандартном режиме распознавание обрабатывается в очереди со стандартным приоритетом. Режим работает при выборе модели general.

2. В отложенном режиме аудиофайл для распознавания попадает в очередь с низким приоритетом и обрабатывается в наименее нагруженное время. На отложенное распознавание действуют специальные тарифы. Время обработки аудиофайла в отложенном режиме не более 24 часов. Распознавание в отложенном режиме доступно при указании тега deferred-general.

 

 

Для асинхронного распознавания речи используются API v2 и v3 SpeechKit. Чтобы распознать предзаписанное аудио.

 

1. Создайте сервисный аккаунт.

 

2. Назначьте ему роли.

2.1 Ai.speechkit-stt.user — для распознавания речи.

2.2 Storage.uploader — для загрузки аудиофайла в бакет Object.

2.3 (Опционально) storage.configurer, kms.keys.encrypter и kms.keys.decrypter — для шифрования и расшифровки объектов в бакете. Эти роли нужны, только если вы используете шифрование в Object.

 

3. Получите IAM-токен или API-ключ для вашего сервисного аккаунта, они понадобятся для аутентификации в API.

 

4. Создайте бакет Object.

 

5. Загрузите аудиофайл в бакет.

 

6. Получите ссылку на загруженный файл.

 

Для бакета с ограниченным доступом в ссылке присутствуют дополнительные query-параметры (после знака ?). Эти параметры не нужно передавать в SpeechKit — они игнорируются.

 

7. Отправьте API-запрос на распознавание файла через gRPC API или REST API. В теле запроса передайте ссылку на аудиофайл. В HTTP-заголовке укажите данные аутентификации.

Authorization: Api-Key <API-ключ> — для аутентификации с API-ключом.

 

В ответе на запрос возвращается идентификатор операции распознавания. Сохраните его — он понадобится в следующем запросе.

 

8. Подождите, пока закончится распознавание. Одна минута одноканального аудио распознается примерно за 10 секунд.

 

9. Отправьте API-запрос на получение результатов распознавания.

 

 

10. В HTTP-заголовке укажите те же данные аутентификации.

 

Результаты содержат распознанный текст целиком и список распознанных слов.