语音识别实时语音翻译（WebSocket）

注意：
此接口为实时语音翻译接口，在参数风格、错误码等方面有区别于云 API 接口，请知悉。
接口描述
本接口服务采用 WebSocket 协议，对实时音频流进行识别翻译，同步返回识别翻译后的结果，达到一边说一边翻译的效果。
在使用该接口前，需要 开通语音识别服务，如需使用语音合成功能，需先 开通语音合成服务，语音合成单独计费，详细计费见 语音合成-计费概述 。进入 API 密钥管理页面 新建密钥，生成 AppID、SecretID 和 SecretKey，用于 API 调用时生成签名，签名将用来进行接口鉴权。
接口要求
集成实时语音翻译 API 时，需按照以下要求。
内容
说明
语言种类
支持中文、英语等语言的互译。可通过接口参数 source 和 target 设置对应语言类型。
音频属性
采样率：16000Hz
采样精度：16bits
声道：单声道（mono）
音频格式
pcm、wav
请求协议
wss 协议
请求地址
wss://asr.cloud.tencent.com/asr/speech_translate/?{请求参数} 
接口鉴权
签名鉴权机制，详情请参见 签名生成。
响应格式
统一采用 JSON 格式。
数据发送
建议每 200ms 发送 200ms 时长（即1:1实时率）的数据包，对应 PCM 大小为：16k 采样率6400字节。
音频发送速率过快超过1:1实时率或者音频数据包之间发送间隔超过6秒，可能导致引擎出错，后台将返回错误并主动断开连接。
并发限制
默认单账号限制并发数为5路，如您有提高并发限制的需求，请 前往购买。
调用限制
如使用语音合成功能，同一个流式会话中，总合成字数不超过10000字。
接口调用流程
接口调用流程分为两个阶段：握手阶段和识别翻译阶段。两阶段后台均返回 text message，内容为 JSON 序列化字符串，以下是格式说明：
字段名
类型
描述
code
Integer
状态码，0代表正常，非0值表示发生错误。
message
String
错误说明，发生错误时显示这个错误发生的具体原因，随着业务发展或体验优化，此文本可能会经常变更或更新。
voice_id
String
音频流全局唯一标识，一个 WebSocket 连接对应一个，用户自己生成（推荐使用 UUID），最长128位。
注意：每次建立 WebSocket 连接都必须重新生成 voice_id，任何情况下中断了翻译或者 WebSocket 连接(如连接失败、正常结束、翻译返回错误码等)，voice_id 作废，重新发起翻译必须使用新的 voice_id。
sentence_id
String
当前句唯一 ID。
result
Result
最新语音翻译结果。
final
Integer
该字段返回1时表示音频流全部翻译结束，返回2时表示译文全部合成结束。
其中翻译结果 Result 结构体格式为：
字段名
类型
描述
source
String
源语言类型，如 "zh"、"en"、"zh_en" 等。
zh：中文
en：英文
zh_en：中英混合
ja：日语
ko：韩语
yue：粤语
示例值：zh
target
String
目标语言类型，如 "zh"、"en"、"zh_en" 等。
zh：中文
en：英文
zh_en：中英混合
ja：日语
ko：韩语
yue：粤语
示例值：en
source_text
String
识别出的源语言文本内容，编码为 UTF-8。
示例值：ASR 语音识别结果
target_text
String
翻译后的目标语言文本内容，编码为 UTF-8。
示例值：ASR speech recognition results
start_time
Integer
当前句子在整个音频流中的起始时间，单位毫秒。
示例值：1000
end_time
Integer
当前句子在整个音频流中的结束时间，单位毫秒。
示例值：3000
sentence_end
Boolean
当前句子是否结束。true 表示句子结束，false 表示句子未结束。
示例值：true
握手阶段
请求格式
握手阶段，客户端主动发起 WebSocket 连接请求，请求 URL 格式为：
wss://asr.cloud.tencent.com/asr/speech_translate/<appid>?{请求参数}
其中 <appid> 需替换为腾讯云注册账号的 AppID，可通过 API 密钥管理页面 获取，{请求参数}格式为：
key1=value2&key2=value2...
参数说明：
参数名称
必填
类型
描述
secretid
是
String
腾讯云注册账号的密钥 SecretID，可通过 API 密钥管理 页面获取。
示例值：*****Qq1zhZMN8dv0******
signature
是
String
接口签名参数
示例值：*****g1JfeBi%2FYnTjyjekxfDA%3D
timestamp
是
Integer
当前 UNIX 时间戳，单位为秒。如果与当前时间相差过大，会引起签名过期错误。
示例值：1745932688
expired
是
Integer
签名的有效期截止时间 UNIX 时间戳，单位为秒。expired 必须大于 timestamp 且 expired - timestamp 小于90天。
示例值：1746019088
nonce
是
Integer
随机正整数。用户需自行生成，最长10位。
示例值：8743357
voice_id
是
String
音频流全局唯一标识，一个 WebSocket 连接对应一个，用户自己生成（推荐使用 UUID），最长128位。
注意：每次建立 WebSocket 连接都必须重新生成 voice_id，任何情况下中断翻译或者 WebSocket 连接（如连接失败、正常结束、翻译返回错误码等），voice_id 作废，重新发起翻译必须使用新的 voice_id
示例值：TBgVFCsxdn3i2DGt
voice_format
是
Integer
语音编码方式。 1：pcm；12：wav
示例值：1
source
是
String
源语言类型。支持的语言类型：
zh：中文
en：英文
zh_en：中英混合
ja：日语
ko：韩语
yue：粤语
示例值：zh
target
是
String
目标语言类型。各源语言的目标语言支持列表如下：
zh(中文)：zh(中文)、en(英文)、ja(日语)、ko(韩语)、yue(粤语)
en(英文)：zh(中文)、en(英文)、ja(日语)、ko(韩语)、yue(粤语)
zh_en(中英混合)：zh_en(中英混合)、zh(中文)、en(英文)、ja(日语)、ko(韩语)、yue(粤语)
ja(日语)：zh(中文)、en(英文)、ja(日语)、ko(韩语)、yue(粤语)
ko(韩语)：zh(中文)、en(英文)、ja(日语)、ko(韩语)、yue(粤语)
yue(粤语)：zh(中文)、en(英文)、ja(日语)、ko(韩语)、yue(粤语)
注意：source、target 都传 zh_en，中文自动翻译成英文、英文自动翻译成中文。
示例值：en
trans_model
是
String
翻译模型类型。支持的模型：
hunyuan-translation-lite：轻量版
hunyuan-translation：标准版
示例值：hunyuan-translation-lite
enable_tts
否
Integer
语音合成。传 1 代表开启， 0 代表关闭， 默认关闭 注意：仅在 target 为 zh、en、zh_en 时生效。
voice_type
否
Integer
音色 ID，完整的音色 ID 列表请参见 语音合成。
注意：
请使用和 target 目标语种一致。
若使用一句话版声音复刻，请填入固定值“200000000”。
fast_voice_type
否
String
一句话版声音复刻音色 ID，使用一句话版声音复刻音色时需填写。
sample_rate
否
Integer
音频采样率：
24000：24k（部分音色支持，请参见 语音合成）
16000：16k（默认）
8000：8k
speed
否
Float
语速，范围：[-2，6]，分别对应不同语速：
-2：代表0.6倍 
-1：代表0.8倍 
0：代表1.0倍（默认） 
1：代表1.2倍 
2：代表1.5倍 
6：代表2.5倍 
如果需要更细化的语速，可以保留小数点后 2 位，例如0.5/1.25/2.81等。 
参数值与实际语速转换，请参见 代码示例。
volume
否
Float       
音量大小，范围[-10，10]，对应音量大小。默认为0，代表正常音量，值越大音量越高。
codec
否
String
返回音频格式： 
pcm：返回二进制 pcm 音频 
mp3：返回二进制 mp3 音频
hotword_list
否
String
临时热词表：该参数用于提升识别准确率。
● 单个热词限制："热词|权重"，单个热词不超过30个字符（最多10个汉字），权重[1-11]或者100，如：“腾讯云|5” 或 “ASR|11”。
● 临时热词表限制：多个热词用英文逗号分割，最多支持128个热词，如：“腾讯云|10,语音识别|5,ASR|11”。
注意：
● 热词权重设置为11时，当前热词将升级为超级热词，建议仅将重要且必须生效的热词设置到11，设置过多权重为11的热词将影响整体字准率。
● 热词权重设置为100时，当前热词开启热词增强同音同调替换功能（仅支持 8k_zh,16k_zh），举例：热词配置“蜜制|100”时，与“蜜制”同拼音（mizhi）的“秘制”的识别结果会被强制替换成“蜜制”。因此建议客户根据自己的实际情况开启该功能。建议仅将重要且必须生效的热词设置到100，设置过多权重为100的热词将影响整体字准率。
● 热词不能包含空格，如：ASR 腾讯云
示例值：语音助理|10
﻿signature 签名生成
﻿
1. 对除 signature 之外的所有参数按字典序进行排序，拼接请求 URL （不包含协议部分：wss://）作为签名原文，这里以 appid=125922***，secretid=*****Qq1zhZMN8dv0****** 为例拼接签名原文，则拼接的签名原文为：
asr.cloud.tencent.com/asr/speech_translate/125922***?expired=1673494772&nonce=1673408372&secretid=*****Qq1zhZMN8dv0******&source=zh&target=en&timestamp=1673408372&trans_model=hunyuan-translation-lite&voice_format=1&voice_id=c64385ee-3e5c-4fc5-bbfd-7c71addb35b0
2. 对签名原文使用 SecretKey 进行 HMAC-SHA1 加密，之后再进行 base64 编码。例如对上一步的签名原文， secretkey=*****SkqpeHgqmSz*****，使用 HMAC-SHA1 算法进行加密并做 base64 编码处理：
Base64Encode(HmacSha1("asr.cloud.tencent.com/asr/speech_translate/125922***?expired=1673494772&nonce=1673408372&secretid=*****Qq1zhZMN8dv0******&source=zh&target=en&timestamp=1673408372&trans_model=hunyuan-translation-lite&voice_format=1&voice_id=c64385ee-3e5c-4fc5-bbfd-7c71addb35b0", "*****SkqpeHgqmSz*****"))
得到 signature 签名值为：
G8jDQBRg1JfeBi/YnTjyjekxfDA=
3. 将 signature 值进行 urlencode（必须进行 URL 编码，编码函数必须要支持对+、=等特殊字符的编码，否则将导致鉴权失败偶现）后拼接得到最终请求 URL 为：
 wss://asr.cloud.tencent.com/asr/speech_translate/125922****?expired=1673494772&nonce=1673408372&secretid=A*********************************0r&source=zh&target=en&timestamp=1673408372&trans_model=hunyuan-translation-lite&voice_format=1&voice_id=c64385ee-3e5c-4fc5-bbfd-7c71addb35b0&signature=G8jDQBRg1JfeBi%2FYnTjyjekxfDA%3D
请求响应
客户端发起连接请求后，后台建立连接并进行签名校验，校验成功则返回 code 值为0的确认消息表示握手成功；如果校验失败，后台返回 code 为非0值的消息并断开连接。
 {"code":0,"message":"success","voice_id":"RnKu9FODFHK5FPpsrN"}
翻译阶段
握手成功之后，进入翻译阶段，客户端上传语音数据并接收翻译结果消息，如果开启语音合成还需要接收二进制音频数据。
上传数据
在翻译过程中，客户端持续上传 binary message 到后台，内容为音频流二进制数据。建议每 200ms 发送 200ms 时长（即1:1实时率）的数据包，对应 PCM 大小为：16k 采样率6400字节。音频发送速率过快超过1:1实时率或者音频数据包之间发送间隔超过6秒，可能导致引擎出错，后台将返回错误并主动断开连接。
音频流上传完成之后，客户端需发送以下内容的 text message，通知后台结束翻译。
{"type": "end"}
接收消息
客户端上传数据的过程中，需要同步接收后台返回的实时翻译结果，结果示例：
{"code":0,"message":"success","voice_id":"RnKu9FODFHK5FPpsrN","sentence_id":"0669d099-ffdf-404e-ad91-5eaff18b20df","result":{"source":"zh","target":"en","source_text":"实时","target_text":"Real time","start_time":0,"end_time":1240,"sentence_end":false}}
{"code":0,"message":"success","voice_id":"RnKu9FODFHK5FPpsrN","sentence_id":"0669d099-ffdf-404e-ad91-5eaff18b20df","result":{"source":"zh","target":"en","source_text":"实时语音翻译","target_text":"Real time voice translation","start_time":0,"end_time":2840,"sentence_end":true}}
后台翻译完所有上传的语音数据之后，最终返回 final 值为1的消息，客户端收到后，需主动断开 WebSocket 连接。
注意：
如果开启了语音合成，需要等待 final 值为2的消息再断开。
{"code":0,"message":"success","voice_id":"CzhjnqBkv8lk5pRUxhpX","final":1}
如果开启语音合成，后台合成完所有的译文信息后，最终返回 final 值为2的消息，客户端收到后，需主动断开 WebSocket 连接。
{"code":0,"message":"success","voice_id":"CzhjnqBkv8lk5pRUxhpX","final":2}
翻译过程中如果出现错误，后台返回 code 为非0值的消息并断开连接。
{"code":6008,"message":"客户端超过15秒未发送音频数据。","voice_id":"CzhjnqBkv8lk5pRUxhpX"}
开发者资源
SDK
Tencent Cloud Speech SDK for Go:GitHub﻿
Tencent Cloud Speech SDK for Python:GitHub﻿
Tencent Cloud Speech SDK for Java:GitHub﻿
SDK 调用示例
﻿Golang 示例﻿
﻿Python 示例﻿
﻿Java 示例﻿
错误码
数值
说明
6000
音频数据发送过多，请1秒内最多发送3秒音频数据。
注意：实时翻译的效果是"边说边出识别翻译的结果"，1秒内发送的音频数据总时长应为1秒。
6001
参数不合法。
6002
鉴权失败。
6003
账号未开通本服务，请在控制台开通服务。
6004
资源包耗尽，请开通后付费或者购买资源包。
6005
账户欠费停止服务，请及时充值。
6006
账号当前调用并发超限。
6007
音频解码失败，请检查上传音频数据格式与调用参数一致。
6008
客户端超过15秒未发送音频数据。
6009
客户端连接断开。
6010
客户端上传未知文本消息。
6011
分片音频数据太大，请按照文档指引调整分片大小。
6012
因机器负载过高、网络抖动等导致失败，请重新发起新请求。
注意：该问题通常为偶发，少量出现可忽略，发起新请求即可。
6013
因机器负载过高、网络抖动等导致失败，请重新发起新请求。
注意：该问题通常为偶发，少量出现可忽略，发起新请求即可。
6014
语音合成识别，错误说明详见 语音合成。
7000
因机器负载过高、网络抖动等导致失败，请重新发起新请求。
注意：该问题通常为偶发，少量出现可忽略，发起新请求即可。
﻿
﻿

内容	说明
语言种类	支持中文、英语等语言的互译。可通过接口参数 source 和 target 设置对应语言类型。
音频属性	采样率：16000Hz 采样精度：16bits 声道：单声道（mono）
音频格式	pcm、wav
请求协议	wss 协议
请求地址	`wss://asr.cloud.tencent.com/asr/speech_translate/?{请求参数}`
接口鉴权	签名鉴权机制，详情请参见签名生成。
响应格式	统一采用 JSON 格式。
数据发送	建议每 200ms 发送 200ms 时长（即1:1实时率）的数据包，对应 PCM 大小为：16k 采样率6400字节。音频发送速率过快超过1:1实时率或者音频数据包之间发送间隔超过6秒，可能导致引擎出错，后台将返回错误并主动断开连接。
并发限制	默认单账号限制并发数为5路，如您有提高并发限制的需求，请前往购买。
调用限制	如使用语音合成功能，同一个流式会话中，总合成字数不超过10000字。

字段名	类型	描述
code	Integer	状态码，0代表正常，非0值表示发生错误。
message	String	错误说明，发生错误时显示这个错误发生的具体原因，随着业务发展或体验优化，此文本可能会经常变更或更新。
voice_id	String	音频流全局唯一标识，一个 WebSocket 连接对应一个，用户自己生成（推荐使用 UUID），最长128位。注意：每次建立 WebSocket 连接都必须重新生成 voice_id，任何情况下中断了翻译或者 WebSocket 连接(如连接失败、正常结束、翻译返回错误码等)，voice_id 作废，重新发起翻译必须使用新的 voice_id。
sentence_id	String	当前句唯一 ID。
result	Result	最新语音翻译结果。
final	Integer	该字段返回1时表示音频流全部翻译结束，返回2时表示译文全部合成结束。

参数名称	必填	类型	描述
secretid	是	String	腾讯云注册账号的密钥 SecretID，可通过 API 密钥管理页面获取。示例值：***Qq1zhZMN8dv0****
signature	是	String	接口签名参数示例值：*****g1JfeBi%2FYnTjyjekxfDA%3D
timestamp	是	Integer	当前 UNIX 时间戳，单位为秒。如果与当前时间相差过大，会引起签名过期错误。示例值：1745932688
expired	是	Integer	签名的有效期截止时间 UNIX 时间戳，单位为秒。expired 必须大于 timestamp 且 expired - timestamp 小于90天。示例值：1746019088
nonce	是	Integer	随机正整数。用户需自行生成，最长10位。示例值：8743357
voice_id	是	String	音频流全局唯一标识，一个 WebSocket 连接对应一个，用户自己生成（推荐使用 UUID），最长128位。注意：每次建立 WebSocket 连接都必须重新生成 voice_id，任何情况下中断翻译或者 WebSocket 连接（如连接失败、正常结束、翻译返回错误码等），voice_id 作废，重新发起翻译必须使用新的 voice_id 示例值：TBgVFCsxdn3i2DGt
voice_format	是	Integer	语音编码方式。 1：pcm；12：wav 示例值：1
source	是	String	源语言类型。支持的语言类型： zh：中文 en：英文 zh_en：中英混合 ja：日语 ko：韩语 yue：粤语示例值：zh
target	是	String	目标语言类型。各源语言的目标语言支持列表如下： zh(中文)：zh(中文)、en(英文)、ja(日语)、ko(韩语)、yue(粤语) en(英文)：zh(中文)、en(英文)、ja(日语)、ko(韩语)、yue(粤语) zh_en(中英混合)：zh_en(中英混合)、zh(中文)、en(英文)、ja(日语)、ko(韩语)、yue(粤语) ja(日语)：zh(中文)、en(英文)、ja(日语)、ko(韩语)、yue(粤语) ko(韩语)：zh(中文)、en(英文)、ja(日语)、ko(韩语)、yue(粤语) yue(粤语)：zh(中文)、en(英文)、ja(日语)、ko(韩语)、yue(粤语) 注意：source、target 都传 zh_en，中文自动翻译成英文、英文自动翻译成中文。示例值：en
trans_model	是	String	翻译模型类型。支持的模型： hunyuan-translation-lite：轻量版 hunyuan-translation：标准版示例值：hunyuan-translation-lite
enable_tts	否	Integer	语音合成。传 1 代表开启， 0 代表关闭，默认关闭注意：仅在 target 为 zh、en、zh_en 时生效。
voice_type	否	Integer	音色 ID，完整的音色 ID 列表请参见语音合成。注意：请使用和 target 目标语种一致。若使用一句话版声音复刻，请填入固定值“200000000”。
fast_voice_type	否	String	一句话版声音复刻音色 ID，使用一句话版声音复刻音色时需填写。
sample_rate	否	Integer	音频采样率： 24000：24k（部分音色支持，请参见语音合成） 16000：16k（默认） 8000：8k
speed	否	Float	语速，范围：[-2，6]，分别对应不同语速： -2：代表0.6倍 -1：代表0.8倍 0：代表1.0倍（默认） 1：代表1.2倍 2：代表1.5倍 6：代表2.5倍如果需要更细化的语速，可以保留小数点后 2 位，例如0.5/1.25/2.81等。参数值与实际语速转换，请参见代码示例。
volume	否	Float	音量大小，范围[-10，10]，对应音量大小。默认为0，代表正常音量，值越大音量越高。
codec	否	String	返回音频格式： pcm：返回二进制 pcm 音频 mp3：返回二进制 mp3 音频
hotword_list	否	String	临时热词表：该参数用于提升识别准确率。 ● 单个热词限制："热词\|权重"，单个热词不超过30个字符（最多10个汉字），权重[1-11]或者100，如：“腾讯云\|5” 或 “ASR\|11”。 ● 临时热词表限制：多个热词用英文逗号分割，最多支持128个热词，如：“腾讯云\|10,语音识别\|5,ASR\|11”。注意： ● 热词权重设置为11时，当前热词将升级为超级热词，建议仅将重要且必须生效的热词设置到11，设置过多权重为11的热词将影响整体字准率。 ● 热词权重设置为100时，当前热词开启热词增强同音同调替换功能（仅支持 8k_zh,16k_zh），举例：热词配置“蜜制\|100”时，与“蜜制”同拼音（mizhi）的“秘制”的识别结果会被强制替换成“蜜制”。因此建议客户根据自己的实际情况开启该功能。建议仅将重要且必须生效的热词设置到100，设置过多权重为100的热词将影响整体字准率。 ● 热词不能包含空格，如：ASR 腾讯云示例值：语音助理\|10

数值	说明
6000	音频数据发送过多，请1秒内最多发送3秒音频数据。注意：实时翻译的效果是"边说边出识别翻译的结果"，1秒内发送的音频数据总时长应为1秒。
6001	参数不合法。
6002	鉴权失败。
6003	账号未开通本服务，请在控制台开通服务。
6004	资源包耗尽，请开通后付费或者购买资源包。
6005	账户欠费停止服务，请及时充值。
6006	账号当前调用并发超限。
6007	音频解码失败，请检查上传音频数据格式与调用参数一致。
6008	客户端超过15秒未发送音频数据。
6009	客户端连接断开。
6010	客户端上传未知文本消息。
6011	分片音频数据太大，请按照文档指引调整分片大小。
6012	因机器负载过高、网络抖动等导致失败，请重新发起新请求。注意：该问题通常为偶发，少量出现可忽略，发起新请求即可。
6013	因机器负载过高、网络抖动等导致失败，请重新发起新请求。注意：该问题通常为偶发，少量出现可忽略，发起新请求即可。
6014	语音合成识别，错误说明详见语音合成。
7000	因机器负载过高、网络抖动等导致失败，请重新发起新请求。注意：该问题通常为偶发，少量出现可忽略，发起新请求即可。

实时语音翻译（WebSocket）

本页目录：

接口描述

接口要求

接口调用流程

握手阶段

请求格式

请求响应

翻译阶段

上传数据

接收消息

开发者资源

SDK

SDK 调用示例

错误码