讯飞听见实时语音转写API实战开发教程

Java调用讯飞听见实时语音转写API需满足音频格式、鉴权签名、WebSocket帧序三条件；须获取AppID/API Key/APISecret，构造带HMAC-SHA256签名的wss URL，发送含language/aue/auf等字段的启动帧，按1280字节PCM帧长采集并推送音频，最后发结束帧。

用Java调用讯飞听见实时语音转写API，实现麦克风语音流边录边转、低延迟返回文字结果，必须严格满足音频格式、鉴权签名、WebSocket帧序三个硬性条件，缺一不可。

准备开发环境与认证凭证

访问讯飞开放平台官网（https://www.xfyun.cn），完成企业实名认证并登录控制台。

在“我的应用”中创建新应用，服务类型选择【实时语音转写】，开通后记录下【AppID、API Key、APISecret】三项——后续所有签名计算都依赖这组密钥，丢失需重新生成且旧密钥立即失效。

确认本地JDK版本≥1.8，使用Maven管理依赖，在pom.xml中添加：

org.java-websocketJava-WebSocket1.5.1com.alibabafastjson1.2.78

构造合法鉴权URL

讯飞要求每次WebSocket连接前，必须生成带时间戳和HMAC-SHA256签名的wss地址，不能直接拼接固定域名。

第一步：拼接原始参数字符串，格式为host=rtasr.xfyun.cn&date=RFC1123格式时间&algorithm=hmac-sha256&headers=host&signature=base64(hmac-sha256(密钥, 签名内容))，其中date必须是GMT时区，误差超过15分钟即拒绝连接。

第二步：对完整参数串做URL编码，再组合成最终URL：wss://rtasr.xfyun.cn/v1/ws?host=rtasr.xfyun.cn&date=...&signature=...

注意：签名密钥由API Key + API Secret拼接生成，不是单独使用任一字段——填错任意一个字符都会导致403 Forbidden错误，且无具体提示。

建立WebSocket连接并发送启动参数

方法一：使用Java-WebSocket库创建客户端，重写onOpen()回调，在连接就绪后立即发送JSON启动帧。

启动帧必须包含language（如zh_cn）、accent（如mandarin）、aue（pcm为raw）、auf（audio/L16;rate=16000）等字段，缺省值不会自动补全，漏填会导致连接后秒断。

方法二：在onOpen()中调用send()发送以下JSON：

{"common":{"app_id":"你的AppID"},"business":{"language":"zh_cn","accent":"mandarin","domain":"iat","aue":"raw","auf":"audio/L16;rate=16000","ent":"general"},"data":{"status":0,"format":"audio","encoding":"raw","sample_rate":16000,"channel":1,"bit_depth":16}}

这一步必须在WebSocket状态变为OPEN后立刻执行，延迟超过3秒服务器将主动关闭连接。

采集并分帧推送PCM音频数据

第一步：用javax.sound.sampled.AudioSystem获取目标混音器，设置音频格式为16kHz/16bit/单声道LINEAR，打开TargetDataLine。

第二步：以40ms为单位读取音频缓冲区——16kHz × 16bit × 1ch × 0.04s = 【1280字节】，这是讯飞强制要求的帧长，多1字节或少1字节都会触发frame error并中断会话。

第三步：每读满1280字节，立即通过WebSocket.send()推送二进制数据帧；最后一帧不足1280字节时，必须补零填充至该长度，否则识别结果截断。

第四步：全部音频发送完毕后，发送结束帧：{"data":{"status":2}}，通知服务端停止识别并返回最终结果。