SPR. Руководство пользователя

Общее описание

Сервис Short phrase recognizer предназначен для преобразования речи в текст. Принимает на вход аудиофайл в формате wav и возвращает структурированные данные в формате JSON.

Термины и определения

Short Phrase Recognizer (SPR) - сервис распознавания речи.

Модель — предварительно обученная специализированная нейронная сеть для распознавания естественной речи в аудиозаписях.

Swagger UI – интерактивная веб-консоль с кратким описанием методов АPI и возможностью выполнять запросы к сервису SPR в реальном времени

 

Описание методов API SPR

Запросы осуществляются по протоколу HTTP 1.1 на адрес сервера с доступным сервисом SPR. По умолчанию используется порт 6183/tcp.

Авторизация запросов не требуется. HTTP-запросы должны содержать заголовок "accept: application/json"

Ответ сервиса представляет собой JSON-документ в кодировке UTF-8 или двоичный файл. Содержимое документа зависит от результата выполнения запроса. При наличии ошибки в качестве ответа вернется переменная error=1 и описание в переменной message. Для удобства проверки методов по ссылке http://АДРЕС:6183 будет отображен интерфейс swagger со всеми методами с возможностью их проверки.

GET:/spr/	Вывод списка моделей
Без входных параметров			{ models: [model1,...,modelN] }
GET:/spr/audio/{taskID}	Получение файла аудиозаписи отложенного задания
taskID - идентификатор задания			Файл аудиозаписи или { error: INT , message: DESCRIPTION }
GET:/spr/data/{id}	Получение архива модели
id - идентификатор модели			ZIP-файл с моделью, либо { error: INT , message: DESCRIPTION }
POST:/spr/data/{id}	Добавление модели. Может быть добавлена как из файла архива, так и переименованием существующей модели.
id - идентификатор модели, обязательный параметр. zip-model - zip-архив с файлами модели или from-existing-model - название модели, которая должна перемещена на место id			{ error: INT, message: DESCRIPTION }
DELETE:/spr/data/{id}	Удаление модели
id - идентификатор модели			{ error: INT, message: DESCRIPTION }
GET:/spr/queue	Получение очереди отложенных заданий на распознавание
Без входных параметров			{   "id задания": {    "created": "ХХХХ-ХХ-ХХ ХХ:ХХ:ХХ",    "status": "waiting",    "filename": "wav" } } Статусы ready - готово waiting - ожидание failed - сбой
DELETE:/spr/queue/{taskID}	Удаление отложенных заданий на распознавание
taskID - идентификатор задания в очереди			{ "error": 0, "message": "success" }
POST:/spr/stt/{id}	Отправка файла на распознавание речи. Моно-файлы до 30 секунд распознаются без разбивки на фрагменты. Многоканальные файлы и файлы длиннее 30 секунд предварительно разбиваются на фрагменты по отсутствию речи. Настройка данных параметров описана в руководстве администратора.
id - идентификатор модели denoise - наличие шумоподавления wav - файл для распознавания speakers - опция разделения по говорящим punctuation - опция для расставления знаков препинания normalization - опция обратной нормализации текста vad - используемый VAD, по умолчанию webrtc preset - используемая модель для vad = neuro toxicity - анализировать распознанный текст на токсичность emotion - выявить эмоции из распознанного текста voice_analyzer - анализировать аудиофрагменты каждого из говорящих на эмоции, возраст и пол speaker_counter - количество докладчиков, по умолчанию - 0, автоматическое определение количества async - отложенный_запуск_распознавания В случае отправки переменной speakers=1, дополнительно производится поиск говорящих и получение метаданных по каждому говорящему. (используется сервис sbs с предварительно обученными слепками метаданных говорящих) В случае отправки переменной punctuation=1, дополнительно вызывает метод punctuate в SMC, и расставляет знаки препинания в распознанном тексте (значение по умолчанию берётся из файлы конфигурации). normalization=1 для обратной нормализации текста. В случае использования модели big параметры punctuation и normalization игнорируются - модель всегда расставляет знаки препинания и нормализует текст. При установке параметра toxicity запрашивается в smc метод GET/smc/toxicity Высказывание анализируется по 4 параметрам, по каждому выдается вероятность от 0 до 1: "оскорбление": 0.13, "непристойность": 0, "угроза": 0, "вежливость": 0.53 При установке параметра emotion запрашивается в smc метод GET/smc/emotion Высказывание анализируется на эмоциональность (negative, neutral, positive) При установке параметра voice_analyzer запрашивается в sbs метод POST/sbs/analyze. Аудио говорящего анализируется на возраст (child adult old) эмоции (ANGER BORE DISAPPOINTMENT DISGUST EXCITEMENT FEAR NEUTRAL PAIN PLEASURE SADNESS SUPRISE) пол (male female)			В случае async=1 возвращается только taskID, результат по taskID смотреть в методе /spr/result. Для коротких файлов:{   "model": "call",   "text": "текст фрагментв",   "words": [ { "word": "текст",       "start": 520,       "stop": 1240 },     { "word": "фрагмента",       "start": 1240,       "stop": 1920  } ] } Для транскрибации больших файлов ответ состоит из нескольких списков 1) "speakers": [     { "id": null,       "duration": 18980,       "fragments": 3,       "age": "old",       "gender": "female" }] - параметры каждого говорящего, если voice_analyzer = 1, то будут отображены предположительные возраст и пол говорящего 2)  "splitted": [     {  "start": "00:00:01.870",       "text": "текст фрагмента",       "words": [         { "word": "текст.",           "start": 1870,           "stop": 2710,           "confidence": 0.95263671875  },         {  "word": "фрагмента,",           "start": 2730,           "stop": 3330,           "confidence": 0.9986572265625  }  ],       "stop": "00:00:05.510",       "channel": 0,       "duration": "00:00:03.640",       "start_ms": 1870,       "stop_ms": 5510,       "duration_ms": 3640,       "speaker": 4,       "speakerConfidence": 0.8699063646965216,       "toxicity": {         "insult": 0,         "obscenity": 0,         "threat": 0,         "politeness": 0.99  },       "emotion": { "neutral": -0.3315   },       "voice_analysis": {         "emotion": {           "class": "NEUTRAL",           "confidence": 0.7554781436920166  } } } ] - для каждой фразы отдельно целиком фраза, затем по словам, для каждого слова временные параметры и вероятность. Также при установке соответствующих параметров в 1 будут для каждой фразы выведены toxicity emotion voice_analysis.
GET:/spr/result/{taskID}	Получение результата отложенного распознавания
taskID - идентификатор задания		Вывод по окончанию распознавания аналогичен выводу метода stt + добавлено поле status, которое содержит информацию о статусе отложенной задачи: ready - готово waiting - ожидание not found - не найдена failed - сбой
GET:/spr/waveform/{taskID}	Служебный метод для отображения аудио в графическом виде, содержит пики сигнала
taskID - идентификатор задания		{ <"error": 0, "waveform": [    0.016,   ..........   ..........    0.015,    0.01 ] }