1. 讯飞语音转写API基础配置双人对话场景下的语音转写需求在实际开发中非常常见比如会议记录、访谈整理等场景。讯飞开放平台提供的语音转写API能够很好地支持这类需求但官方文档中的示例代码往往没有包含角色分离的关键参数配置。首先需要完成API的基础配置。在Python中调用讯飞API主要涉及以下几个核心参数appid在讯飞开放平台创建应用后获取的应用IDsecret_key应用对应的密钥upload_file_path待转写的音频文件路径这里有个容易踩坑的地方讯飞API对音频文件有明确要求支持wav、mp3、m4a等格式但需要注意文件大小不超过500MB音频时长建议5分钟以上太短的音频可能影响转写准确率采样率支持8kHz和16kHzclass RequestApi(object): def __init__(self, appid, secret_key, upload_file_path): self.appid appid self.secret_key secret_key self.upload_file_path upload_file_path self.ts str(int(time.time())) self.signa self.get_signa()签名生成是调用API的关键步骤讯飞使用的是HMAC-SHA1加密算法。很多开发者在这里会遇到签名错误的问题主要是因为时间戳格式不正确或密钥处理有误。2. 双人对话角色分离配置要实现双人对话的角色分离关键在于正确设置roleType和roleNum这两个参数roleType1表示开启角色分离功能roleNum2表示对话中有2个说话人在实际项目中我发现如果音频质量较差比如有背景噪音角色分离的准确率会明显下降。建议在录音时使用指向性麦克风确保两个说话人与麦克风的距离相近避免突然的噪音干扰def upload(self): param_dict { appId: self.appid, signa: self.signa, ts: self.ts, fileSize: os.path.getsize(self.upload_file_path), fileName: os.path.basename(self.upload_file_path), duration: 200, # 预估音频时长 roleNum: 2, # 双人对话 roleType: 1 # 开启角色分离 } # 其余上传代码...实测中发现角色分离的效果与音频质量强相关。在安静的会议室环境下角色识别的准确率能达到90%以上但在嘈杂的咖啡厅等环境准确率可能下降到70%左右。3. 获取与解析转写结果API返回的结果是复杂的嵌套JSON结构提取有效信息需要理解其数据结构。主要包含以下几个关键字段content包含转写结果的核心内容orderInfo任务状态信息lattice详细的转写结果包含时间戳和说话人信息{ content: { orderId: 123456789, # 任务ID lattice: [ { json_1best: { st: { rt: [ { ws: [ { cw: [ { w: 你好, # 转写文本 wp: n # 词性标注 } ] } ], speaker: 0 # 说话人标识 } ] } } } ] } }处理这个JSON时我建议使用递归方式遍历数据结构比多层嵌套的for循环更清晰。下面是我在实际项目中总结出的解析方法def parse_result(result): dialogues [] for lattice in result[content][lattice]: rt_list lattice[json_1best][st][rt] for rt in rt_list: speaker rt.get(speaker, 0) for ws in rt[ws]: for cw in ws[cw]: dialogues.append({ speaker: speaker, text: cw[w], pos: cw.get(wp, ) }) return dialogues4. 结构化数据转换与输出将解析后的数据转换为结构化格式如DataFrame可以方便后续分析处理。Pandas库非常适合这种场景import pandas as pd def to_dataframe(dialogues): df pd.DataFrame(dialogues) # 添加时间序列信息 df[time] pd.to_datetime(df.groupby(speaker).cumcount(), units) # 按说话人分组 speaker_df df.groupby(speaker).agg({text: .join}) return df, speaker_df对于需要导出为文档的场景可以进一步处理def export_to_txt(dialogues, filename): with open(filename, w, encodingutf-8) as f: current_speaker None for item in dialogues: if item[speaker] ! current_speaker: f.write(f\nSpeaker {item[speaker]}:\n) current_speaker item[speaker] f.write(item[text] )在实际项目中我还遇到过需要将转写结果与原始音频时间轴对齐的需求。这时可以利用返回结果中的时间戳信息bg/ed字段实现点击文本跳转到对应音频位置的功能。5. 错误处理与性能优化API调用过程中常见的错误包括签名错误检查时间戳和密钥音频格式不支持转换音频格式请求频率限制添加延时重试机制建议的异常处理方式import time from requests.exceptions import RequestException def safe_get_result(api, max_retries3): for i in range(max_retries): try: result api.get_result() if result[content][orderInfo][status] 4: return result time.sleep(5) except RequestException as e: print(f请求失败重试 {i1}/{max_retries}: {str(e)}) time.sleep(2**i) # 指数退避 raise Exception(获取结果失败)对于长音频文件超过30分钟建议使用分片上传添加进度提示考虑使用回调通知机制6. 实际应用案例以一个真实的访谈场景为例我们处理了45分钟的双人对话音频。关键处理步骤预处理使用ffmpeg统一音频格式ffmpeg -i input.m4a -ar 16000 -ac 1 output.wav转写后得到结构化数据speaker | text | pos ------------------------------------------- 0 | 您好请简单介绍一下自己 | n 1 | 我是某公司产品经理... | n 0 | 您如何看待AI技术... | n后续分析计算每个说话人的发言时长占比提取关键词生成访谈摘要构建对话轮次关系图在另一个在线会议场景中我们实现了实时转写功能关键技术点使用WebSocket保持长连接每5秒发送一次音频片段实时更新前端显示支持中英文混合识别7. 进阶技巧与注意事项经过多个项目的实践我总结出以下经验音频预处理很重要使用sox工具降噪sox input.wav output.wav noisered noise.prof 0.2提升角色分离准确率在安静环境下录音说话人保持适当距离避免同时说话处理特殊场景中英文混合设置language参数专业术语上传术语表方言识别开启对应方言选项性能优化使用异步IO处理多个文件缓存常用音频的转写结果批量处理时限制并发数最后提醒几个容易忽视的问题注意API的QPS限制结果缓存时间通常72小时后删除企业级应用考虑私有化部署方案