short-speech-recognition

name	short-speech-recognition
description	将60秒以内的语音文件（wav/m4a）识别为文字，适用于语音输入、语音指令、语音搜索等短语音交互场景。
license	MIT

能力概述

短语音识别标准版 API：将60秒以内的语音精准识别为文字，支持 wav（不压缩 PCM 编码）和 m4a（压缩格式）两种格式。

属性	值
Endpoint	https://app-bo4w33bsdqm9-api-Aa2PZnjEw5NL-gateway.appmiaoda.com/server_api
Method	POST
Content-Type	application/json
Plugin ID	4ce92d6c-eb93-4c59-be9c-7f265903e2c8
API ID	api-Aa2PZnjEw5NL
认证模式	platform_managed（密钥由平台注入）

Auth Header 为 X-Gateway-Authorization: Bearer ${INTEGRATIONS_API_KEY}（注意不是标准的 Authorization）。

核心约束：

• 语音文件需进行 base64 编码后作为请求体中的 speech 字段传输
• 采样率支持 16000 或 8000（8000 仅支持普通话模型）
• 编码要求：16bit 位深单声道
• 最大时长：60 秒
• Web 录音时 MediaRecorder 默认产出 audio/webm，需转换为 audio/wav 后再 base64 编码
• MiniProgram 支持直接上传 x-m4a 格式
• App（expo-audio）录音直接产出 m4a 格式，无需转换

平台说明：

平台	录音格式	转换要求
Web	audio/webm（MediaRecorder 默认）	需转换为 audio/wav，采样率 16000
MiniProgram	audio/x-m4a（原生录音）	无需转换，直接 base64 编码
App	audio/m4a（expo-audio）	无需转换，录音时指定 16000Hz 单声道

响应示例：

{
  "corpus_no": "6433214037620997779",
  "err_no": 0,
  "err_msg": "success.",
  "sn": "371191073711497849365",
  "result": ["北京科技馆"]
}

详细参数表和响应字段说明见 references/server-api.md。

---

生成期用法（Agent 直接调用）

通过平台注入的 INTEGRATIONS_API_KEY 直接调用上游 API，适用于 Agent 在生成阶段处理语音数据。

详见 references/server-api.md → 生成期代码 章节。

---

生成后用法（应用内通过 Edge Function 调用）

应用内通过 Supabase Edge Function 调用，Edge Function 负责注入密钥，前端不直接接触 INTEGRATIONS_API_KEY。

各平台的前端实现差异：

差异点	Web	MiniProgram	App
录音格式	audio/webm → 需转为 wav	audio/x-m4a → 直接用	audio/m4a → 直接 base64
采样率设置	录音时指定 16000	录音时指定 16000	录音时指定 16000
调用方式	supabase.functions.invoke	supabase.functions.invoke	supabase.functions.invoke

详见 references/server-api.md → Edge Function 代码 和 前端调用代码 章节。