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 API 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", # ready | waiting | failed     "filename": "wav" } }
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 wav — файл для распознавания speakers — опция поиска говорящих по базе SBS punctuation — опция для расстановки знаков препинания normalization — опция обратной нормализации текста vad — используемый VAD, по умолчанию webrtc 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 файла 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: { "speakers": [     {  "id": null,       "duration": 18980,       "fragments": 3,       "age": "old", # только для voice_analyzer=1       "gender": "female" # только для voice_analyzer=1 } ], "splitted": [     { "start": "00:00:01.870",       "text": "текст.",       "words": [       {  "word": "текст.",           "start": 1870,           "stop": 2710,           "confidence": 0.95263671875 } ],       "stop": "00:00:05.510",       "channel": 0,       "duration": "00:00:03.640",       "start_ms": 1870,       "stop_ms": 5510,       "duration_ms": 3640,       "speaker": 4,       "speakerConfidence": 0.87,       "toxicity": { # только для toxicity=1         "insult": 0,         "obscenity": 0,         "threat": 0,         "politeness": 0.99 },       "emotion": { "neutral": -0.3315 }, # только для emotion=1       "voice_analysis": { # только для voice_analyzer=1         "emotion": {           "class": "NEUTRAL",           "confidence": 0.7554781436920166  }  } } ] }
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 ] }