接口概览

云知声Maas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 按量计费&资源包 > API Key 管理，创建新的 API Key，获取 API Key

文本生成

和指定模型对话，模型根据请求内容生成回答。

支持模型

接口说明

包含多类对话交互接口，分别适配不同模型与协议：

决策模型

企业级决策大模型，让正确的任务找到正确的智能，直接输出带概率与置信度的结构化判定。

支持模型

接口说明

本接口基于 SystemOne 协议提供结构化决策调用能力：

实时语音转写

本接口通过 WebSocket 接收音频流并实时转写为带标点的文本，适用于直播字幕、在线会议、语音聊天、智能助手等场景。

该接口支持以下功能：

1. 支持普通话及粤语、四川话等多种方言的高精度语音识别；
2. 具备应对复杂声学环境的能力，支持自动语种检测与智能非人声过滤；
3. 支持热词定制，可提升特定词汇的识别准确率；
4. 支持说话人分离，生成结构化识别结果。

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

本接口基于 WebSocket 协议为长时语音场景提供稳定的流式转写服务。

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。

同步语音合成

本接口支持基于文本到语音的同步生成，单次可处理最长 500 字符 的文本。

该接口支持以下功能：

1. 支持系统音色、复刻音色、设计音色自主选择
2. 支持语调、语速、音量、输出格式调整
3. 支持流式输出。

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

本接口基于 WebSocket 协议提供文本到语音的同步合成能力，支持流式返回音频。使用步骤如下：

1. 建立 WebSocket 连接；
2. 发送文本帧 start，在其中携带待合成全文 text，并配置 voice_setting / audio_setting；
3. 按序接收服务端二进制音频帧，并解析文本控制帧；
4. 当控制帧 end=true 时，本轮合成结束。

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、设计音色自主选择；
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。

声音克隆

本接口支持基于用户上传需要克隆的音频，以及风格音频，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. 上传风格音频 (可选) 若需要提供风格音频以增强克隆效果，需要再次调用 上传风格音频 上传风格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。

音色设计

本接口支持基于用户输入的声音描述 prompt，生成个性化定制音色。

本接口支持使用生成的音色（voice_id）在异步长文本语音合成接口中进行语音生成。

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

调用设计接口 传入音色描述 prompt，可选传入 preview_text / 自定义 voice_id，调用 音色设计 生成个性化定制音色。

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。

文档信息抽取与分类

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

通过文档信息抽取与分类接口，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。