AI MediaKit 的语音端点识别工具，能够自动定位您输入的音频或视频文件中有效语音的起止时间，将人声和静音、背景噪声等无效片段区分开来，返回一个包含所有有效人声片段起止时间戳的列表，为后续识别、分析、剪辑和训练提供更干净的音频输入。
本篇开发指南将引导您：

• 理解语音端点识别的核心能力与应用场景。
• 快速从一段媒体文件中检测出所有有效人声片段的时间戳。

效果预览 #

通过语音端点识别工具，您可以实现以下效果：

[
  {"start_time": 5.52, "end_time": 7.28},
  {"start_time": 7.52, "end_time": 8.56},
  {"start_time": 9.68, "end_time": 10.96},
  ...
  (共识别出 27 个片段)
]

快速体验：从音频中识别语音片段 #

本场景演示如何从一段包含人声、静音和背景音的音频文件中，识别出所有包含有效人声的片段及其起止时间。

准备工作 #

• 获取访问凭证：在开始之前，访问 AI MediaKit 控制台 API Key 管理页面，创建并获取 AI MediaKit API Key（用于媒体处理功能鉴权）。
• 准备媒体文件：准备一个待处理的视频或音频文件，并将其上传至公网可访问的服务器或视频点播服务中，以获取可供 API 调用的 URL。为方便您快速测试，本文后续步骤的示例代码中提供了一个可直接使用的演示音频 URL。

操作流程 #

语音端点识别是一个异步任务，完整调用流程如下：

1. 成功调用 POST /api/v1/tools/detect-voice-activity 提交任务后，API 将返回一个任务 ID (task_id)。
2. 您可以轮询查询任务信息 API 接口，直到任务状态 status 变为 completed；或者使用事件回调自动接收任务状态变化。
3. 任务完成后，解析响应中的 result 字段，即可在 voice_segments 数组中获取每段视频的分析结果。

第 1 步：提交任务

您需要调用提交语音端点识别任务 API。可直接复制以下 cURL 命令提交请求。

curl -X POST 'https://mediakit.cn-beijing.volces.com/api/v1/tools/detect-voice-activity' \
--header 'Content-Type: application/json' \
--header 'Authorization: Bearer {Your_API_Key}' \
--data '{
  "audio_url": "https://vod-ai-test.tos-cn-beijing.volces.com/demo/demo_audio_noisy_monologue_wind_bgm.wav"
}'

请求成功后，您会收到如下包含 task_id 的响应，请保存此 ID 用于后续查询。

{
  "success": true,
  "task_id": "amk-tool-detect-voice-activity-123456789",
  "request_id": "20240521100000ABCDEFG12345"
}

第 2 步：获取结果

您需要轮询查询任务信息 API，直到任务状态 status 变为 completed。

curl -X GET 'https://mediakit.cn-beijing.volces.com/api/v1/tasks/{task_id}' \
--header 'Authorization: Bearer {Your_API_Key}'

当任务成功完成后，您将收到如下响应。result.voice_segments 是一个对象数组，其中每个对象都包含 start_time 和 end_time 字段，代表一个有效语音片段的起止时间（单位为秒）。

{
    "success": true,
    "task_id": "amk-tool-detect-voice-activity-786355206146",
    "task_type": "detect-voice-activity",
    "status": "completed",
    "result": {
        "duration": 94.68,
        "segment_count": 27,
        "voice_segments": [
            {"start_time": 5.52, "end_time": 7.28},
            {"start_time": 7.52, "end_time": 8.56},
            {"start_time": 9.68, "end_time": 10.96},
            {"start_time": 11.44, "end_time": 12.48},
            {"start_time": 13.68, "end_time": 14.72},
            {"start_time": 15.04, "end_time": 15.76},
            {"start_time": 17.92, "end_time": 19.12},
            {"start_time": 22.72, "end_time": 23.84},
            {"start_time": 26.4, "end_time": 27.44},
            {"start_time": 29.52, "end_time": 30.24},
            {"start_time": 32.4, "end_time": 34.08},
            {"start_time": 34.8, "end_time": 36},
            {"start_time": 37.2, "end_time": 38.16},
            {"start_time": 40.24, "end_time": 41.36},
            {"start_time": 42.56, "end_time": 43.28},
            {"start_time": 47.44, "end_time": 48.72},
            {"start_time": 49.6, "end_time": 50.56},
            {"start_time": 52.16, "end_time": 53.36},
            {"start_time": 55.2, "end_time": 56.96},
            {"start_time": 59.28, "end_time": 60.64},
            {"start_time": 61.36, "end_time": 62.4},
            {"start_time": 71.76, "end_time": 73.2},
            {"start_time": 73.76, "end_time": 75.04},
            {"start_time": 77.52, "end_time": 78.32},
            {"start_time": 80.24, "end_time": 81.44},
            {"start_time": 86.56, "end_time": 87.2},
            {"start_time": 89.76, "end_time": 91.68}
        ]
    },
    "expires_at": 1788888888,
    "created_at": 1788666666,
    "finished_at": 1788666777,
    "request_id": "202607091640268A72AFA8623C4A0E68C6"
}

参考信息 #

使用限制 #

相关 API 文档 #

• 提交语音端点识别任务 API
• 查询任务信息 API
• 事件回调