Audio

Authentication

参考接入 BytePower

Pronunciation Assessment

接口功能：语音发音评估，支持准确性、流利度、完整性等多维度评估

Method & Path

• POST {domain}/bp/ai/audio/pronunciation
• POST {domain}/bp/server/user/{user_id}/ai/audio/pronunciation

Request

说明：

• request body 是 chunk 格式，需要分段发送
• request body 编码为 Transfer-Encoding，但是不能在 header 添加 Transfer-Encoding
• 第一个 chunk 为 pronunciation 的参数
• 后续 chunk 为 audio stream 内容
• audio stream，需要使用 base64 编码，并且不能添加 data:audio/mp3;base64, 前缀
• audio stream 除开最后一个 chunk，其它 chunk base64 编码时不能填充
• 目前只支持 pcm,16hz,1 声道，16bit 音频格式

第一个 chunk 的参数:

Parameters	Type	Required	Desc
strategy	string	true	评估策略，目前支持 azure_pronunciation
data	object	true	评估配置参数

data 对象参数：

Parameters	Type	Required	Default	Desc
language	string	false	en-US	语言，默认 en-US
reference_text	string	true	-	用于评估的标准参考文本
grading_system	string	false	HundredMark	分数系统：FivePoint(0-5) 或 HundredMark(0-100)
granularity	string	false	Phoneme	评估粒度：Phoneme、Word 或 FullText
enable_miscue	boolean	false	false	启用误读检测 (Omission/Insertion)
enable_prosody_assessment	boolean	false	false	启用韵律评估 (重音、语调、语速、节奏)

example:

POST /bp/ai/audio/pronunciation HTTP/1.1
Content-Type: text/plain

B7\r\n{"strategy":"azure_pronunciation","data":{"reference_text":"Hello world","grading_system":"HundredMark","granularity":"Phoneme","enable_miscue":true,"enable_prosody_assessment":true}}\r\nx\r\{x_byte_audio}\r\n0\r\n\r\n

Response

{
  "text": "Hello world",
  "raw_data": {
    "Duration": 235600000,
    "Id": "5246cbcca9c94da6b88fe7e3800483ec",
    "NBest": [
      {
        "Confidence": 0.9827747,
        "PronunciationAssessment": {
          "AccuracyScore": 88,
          "CompletenessScore": 92,
          "FluencyScore": 95,
          "PronScore": 88.1,
          "ProsodyScore": 82.7
        }
      }
    ]
  },
  "unit_price": {
    "input_per_price": 0.0277,
    "output_per_price": 0,
    "input_token": 415,
    "output_token": 0
  },
  "strategy": "azure_pronunciation"
}

响应字段说明：

Field	Type	Desc
text	string	识别到的音频文本
raw_data	object	Azure 语音评估服务原始返回数据
unit_price	object	计费信息，包含输入输出单价和 token 消耗
strategy	string	使用的评估策略

PronunciationAssessment 评分说明：

Score	Desc
AccuracyScore	准确性评分，指示语音发音与参考文本的匹配程度
CompletenessScore	完整性评分，指示说出了参考文本的多少内容
FluencyScore	流利度评分，指示语音的自然程度
PronScore	综合发音评分
ProsodyScore	韵律评分，评估重音、语调、语速和节奏（需启用韵律评估）

Error

参数错误：

{
  "error": {
    "error_type": "invalid_parameter",
    "message": "invalid_parameter: reference_text is required"
  }
}

请求第三方失败：

{
  "error": {
    "error_type": "backend unavailable",
    "message": "XXX"
  }
}

附录

客户端传输数据格式

Transfer-Encoding

支持的音频格式

• PCM 16kHz 单声道 16bit
• 建议录音时长：1-60 秒
• 最大文件大小：10MB