接口概览

云知声 Token Hub大模型服务平台 API 接口能力概览，包括语音、视觉和文件管理等多模态能力。

获取 API Key

通过 项目管理 > API Key，创建新的 API Key，获取 API Key

异步长音频语音转写

该 API 支持基于长音频的语音转写，单次最大支持音频时长 5小时，生成结果支持异步方式进行检索。

该接口支持以下功能：

1. 支持 mp3、opus、wav、amr、m4a、ogg 等格式音频
2. 支持通过声道或声纹特征进行说话人分离
3. 识别结果中支持时间戳信息

提交语音转写任务，会生成 task_id，通过 task_id 调用检索任务状态接口获取状态及结果。

适用场景：会议转写、客服质检、字幕生成。

支持模型

以下为云知声提供的语音模型及其特性说明。

接口说明

整体包含 2 个 API：创建异步语音转写任务、查询语音转写任务状态。使用步骤如下：

1. 创建语音转写任务得到 task_id；
2. 基于 task_id 查询语音转写任务状态；
3. 任务成功后，获取语音转写结果。

异步长文本语音合成

该 API 支持基于文本到语音的异步生成，单次文本生成传输最大支持 5 万字符，生成的完整音频结果支持异步的方式进行检索。

该接口支持以下功能：

1. 系统音色、克隆音色自主选择；
2. 支持语调、语速、音量、采样率、输出格式自主调整；
3. 支持直接传入字符串与上传文本文件 file_id 两种方式进行待合成文本的输入；

提交长文本语音合成请求后，会生成 task_id，通过 task_id 进行合成任务状态检索及结果获取。

适用场景：整本书籍等长文本的语音合成。

支持模型

以下为云知声提供的语音模型及其特性说明。

接口说明

整体包含 2 个 API：创建异步语音合成任务、查询语音合成任务状态。使用步骤如下：

1. 创建语音合成任务得到 task_id（如果选择以 text_file_id 的形式传入待合成文本，需要前置使用 File(Upload) 接口进行文件上传）；
2. 基于 task_id 查询语音合成任务状态；
3. 如果发现任务生成成功，那么可以使用本接口返回的 file_id 通过 File API 进行结果查看和下载。

快速声音克隆

本接口支持基于用户上传需要克隆的音频，以及示例音频，进行音色的克隆。

本接口适用场景：IP 声音克隆等需要快速克隆某一音色的相关场景。

支持模型

以下为云知声提供的语音模型及其特性说明。

接口说明

1. 上传待克隆音频 调用 上传克隆音频 上传待克隆的音频文件并获取 file_id。
2. 上传示例音频 (可选) 若需要提供示例音频以增强克隆效果，需要再次调用 上传示例音频 上传示例音频文件并获得对应的 file_id。
3. 调用克隆接口 基于获取的 file_id 和自定义的 voice_id 作为输入参数，调用 快速克隆 克隆音色。

异步文档解析

该 API 支持对文档内容智能解析，异步检索解析状态及结果。

该接口支持以下功能：

1. 支持 JPG、PNG、PDF 等格式文档；
2. 支持对指定页码内容解析；

提交文档解析任务，会生成 task_id，通过 task_id 调用检索任务状态接口获取状态及结果。

适用场景：合同、财务报表、病历、卷宗、发票等文档内容解析。

支持模型

以下为云知声提供的 OCR 模型及其特性说明。

接口说明

整体包含 2 个 API：创建异步文档解析任务、查询文档解析任务状态。使用步骤如下：

1. 创建异步文档解析任务得到 task_id；
2. 基于 task_id 查询文档解析任务状态；
3. 任务成功后，获取文档解析结果，包含 Markdown 内容及版面信息。

图片信息抽取

本接口支持对图片信息进行结构化抽取。

适用场景：合同、票据、表单的数据结构抽取。

支持模型

以下为云知声提供的 OCR 模型及其特性说明。

接口说明

通过图片信息抽取接口，指定图片和提示词，按照提示词要求进行图片信息结构化抽取。