本文介绍如何通过WebSocket连接访问Gummy一句话识别、翻译服务。
DashScope SDK目前仅支持Java和Python。若想使用其他编程语言开发Gummy实时语音识别、翻译应用程序，可以通过WebSocket连接与服务进行通信。
WebSocket是一种支持全双工通信的网络协议。客户端和服务器通过一次握手建立持久连接，双方可以互相主动推送数据，因此在实时性和效率方面具有显著优势。
对于常用编程语言，有许多现成的WebSocket库和示例可供参考，例如：
Go：gorilla/websocket
PHP：Ratchet
建议您先了解WebSocket的基本原理和技术细节，再参照本文进行开发。
音频时长不能超过一分钟，否则将报错断连。
模型名
模型简介
单价
gummy-chat-v1
0.00015元/秒
语音识别与翻译功能分别计费，费用按各自调用量独立计算。两项服务的单价一致。
建立连接：客户端与服务端建立WebSocket连接。
开启任务：
客户端发送run-task指令以开启任务。
客户端收到服务端返回的task-started事件，标志着任务已成功开启，可以进行后续步骤。
发送音频流：
客户端开始发送音频流，并同时接收服务端持续返回的result-generated事件，该事件包含语音识别结果。
通知服务端结束任务：
客户端发送finish-task指令通知服务端结束任务，并继续接收服务端返回的result-generated事件。
任务结束：
客户端收到服务端返回的task-finished事件，标志着任务结束。
关闭连接：客户端关闭WebSocket连接。
在编写WebSocket客户端代码时，为了同时发送和接收消息，通常采用异步编程。您可以按照以下步骤来编写程序：
建立WebSocket连接：首先，初始化并建立与服务器的WebSocket连接。
异步监听服务器消息：启动一个单独的线程（具体实现方式因编程语言而异）来监听服务器返回的消息，根据消息内容进行相应的操作。
发送消息：在不同于监听服务器消息的线程中（例如主线程，具体实现方式因编程语言而异），向服务器发送消息。
关闭连接：在程序结束前，确保关闭WebSocket连接以释放资源。
当然，编程思路不止这一种，您或许有更好的想法。本文主要介绍通过WebSocket连接访问服务时的鉴权细节及客户端与服务端之间的消息交互。由于篇幅有限，其他思路将不再赘述。
接下来将按照上述思路，为您详细说明。
调用WebSocket库函数（具体实现方式因编程语言或库函数而异），将请求头和URL传入以建立WebSocket连接。
请求头中需添加如下鉴权信息：
WebSocket URL固定如下：
如上所述，您可以启动一个线程（具体实现因编程语言而异）来监听服务器返回的消息。WebSocket库通常会提供回调函数（观察者模式）来处理这些消息。您可以在回调函数中根据不同的消息类型实现相应的功能。
服务端返回给客户端的消息叫做事件，事件代表不同的处理阶段，为JSON格式，由header和payload这两部分组成：
header：包含基础信息，格式较为统一。
除task-failed外，所有事件的header格式统一。
header示例：
header参数：
参数
类型
说明
header
object
请求头
string
事件类型
task-started
result-generated
task-finished
task-failed
详细说明参见下文。
string
客户端生成的task_id
payload：包含基础信息外的其他信息。不同事件的payload格式可能不同。
共有如下四种事件：
当监听到服务端返回的task-started事件时，标志着任务已成功开启。只有在接收到该事件后，才能向服务器发送待识别音频或finish-task指令；否则，任务将执行失败。
task-started事件的payload没有内容。
示例：
客户端发送待识别音频和finish-task指令的同时，服务端持续返回result-generated事件，该事件包含语音识别的结果。
可以通过result-generated事件中的sentence_end是否为True来判断该结果是中间结果还是最终结果。
示例：
当sentence_end=false时，为中间结果，在中间结果中，不保证识别和翻译进度同步，需要等待一句话结束（sentence_end=true）时同步。
payload参数说明：
参数
类型
说明
output
object
参数
类型
说明
sentence_id
integer
句子ID。
begin_time
integer
句子开始时间，单位为ms。
end_time
integer
句子结束时间，单位为ms。
text
string
识别文本。
words
array[Word]
字时间戳信息。
sentence_end
boolean
当前文本是否构成完整的句子。
true：当前文本构成完整句子，识别结果为最终结果。
false：当前文本未构成完整句子，识别结果可能会更新。
参数
类型
说明
sentence_id
integer
句子ID。
lang
string
翻译语种。
begin_time
integer
句子开始时间，单位为ms。
end_time
integer
句子结束时间，单位为ms。
text
string
识别文本。
words
array[Word]
字时间戳信息。
sentence_end
boolean
当前文本是否构成完整的句子。
true：当前文本构成完整句子，翻译结果为最终结果。
false：当前文本未构成完整句子，翻译结果可能会更新。
transcription或translations中的words为字时间戳信息，其中每一个word格式如下：
参数
类型
说明
begin_time
integer
字开始时间，单位为ms。
end_time
integer
字结束时间，单位为ms。
text
string
字。
当监听到服务端返回的task-finished事件时，说明任务已结束。此时可以关闭WebSocket连接并结束程序。
示例：
如果接收到task-failed事件，表示任务失败。此时需要关闭WebSocket连接并处理错误。通过分析报错信息，如果是由于编程问题导致的任务失败，您可以调整代码进行修正。
示例：
header参数说明：
参数
类型
说明
string
报错类型描述。
string
具体报错原因。
在与监听服务器消息不同的线程中（比如主线程，具体实现因编程语言而异），向服务器发送消息。
客户端发送给服务端的消息有两种：
音频流（须为单声道音频）。
指令：以Text Frame方式发送的JSON格式的数据，用于控制任务的起止和标识任务边界。
指令由header和payload这两部分组成：
header：包含基础信息，格式统一。
header示例：
header参数：
参数
类型
是否必选
说明
header
object
请求头
string
指令类型，可以选填
"run-task"
"finish-task"
用法参见下文。
string
当次任务ID，随机生成的32位唯一ID。
为32位通用唯一识别码（UUID），由32个随机生成的字母和数字组成。可以带横线（如 "2bf83b9a-baeb-4fda-8d9a-xxxxxxxxxxxx"）或不带横线（如 "2bf83b9abaeb4fda8d9axxxxxxxxxxxx"）。大多数编程语言都内置了生成UUID的API，例如Python：
string
固定字符串："duplex"
payload：包含基础信息外的其他信息。不同指令的payload格式可能不同。
向服务器发送消息需要遵循如下时序，否则会导致任务失败：首先发送run-task指令，待监听到服务器返回的task-started事件后，再发送待识别的音频流。在音频流发送结束后，发送finish-task指令。
该指令用于开启语音识别、翻译任务。task_id在后续发送finish-task指令时也需要使用，必须保持一致。
示例：
payload参数说明：
参数
类型
是否必选
说明
string
固定字符串："audio"。
string
固定字符串："asr"。
string
固定字符串："recognition"。
string
object
固定格式：{}。
参数
类型
默认值
是否必须
说明
sample_rate
integer
设置待识别音频采样率（单位Hz）。只支持16000Hz。
format
string
设置待识别音频格式。
支持的音频格式：pcm、wav、mp3、opus、speex、aac、amr。
opus/speex：必须使用Ogg封装；
wav：必须为PCM编码；
amr：仅支持AMR-NB类型。
vocabulary_id
string
设置热词ID，若未设置则不生效。
source_language
string
auto
设置源（待识别/翻译语言）语言代码。如果无法提前确定语种，可不设置，默认为auto。
支持语音识别的语言代码：
zh：中文
en：英文
ja：日语
ko：韩语
yue：粤语
de：德语
fr：法语
ru：俄语
es：西班牙语
it：意大利语
pt：葡萄牙语
id：印尼语
ar：阿拉伯语
th：泰语
支持翻译的语言代码：
zh：中文
en：英文
ja：日语
ko：韩语
yue：粤语
de：德语
fr：法语
ru：俄语
es：西班牙语
it：意大利语
pt：葡萄牙语
id：印尼语
ar：阿拉伯语
th：泰语
hi：印地语
da：丹麦语
ur：乌尔都语
tr：土耳其语
nl：荷兰语
ms：马来语
vi：越南语
transcription_enabled
boolean
true
设置是否启用识别功能。
模型支持单独开启识别或翻译功能，也可同时启用两种功能，但至少需要开启其中一种能力。
语音识别与翻译功能分别计费，费用按各自调用量独立计算。两项服务的单价一致。
translation_enabled
boolean
false
设置是否启用翻译功能。要正常输出翻译结果，需配置translation_target_languages参数。
模型支持单独开启识别或翻译功能，也可同时启用两种功能，但至少需要开启其中一种能力。
translation_target_languages
array[string]
设置翻译目标语言代码。目标语言的代码与source_language参数一致。
目前支持的翻译包括：
中文（zh） → 英文（en）／日语（ja）／韩语（ko）／法语（fr）／德语（de）／西班牙语（es）／俄语（ru）／意大利语（it）
英文（en） → 中文（zh）／日语（ja）／韩语（ko）／葡萄牙语（pt）／法语（fr）／德语（de）／俄语（ru）／越南语（vi）／西班牙语（es）／荷兰语（nl）／丹麦语（da）／阿拉伯语（ar）／意大利语（it）／印地语（hi）／粤语（yue）／土耳其语（tr）／马来语（ms）／乌尔都语（ur）／印尼语（id）
日语（ja） → 泰语（th）／英文（en）／中文（zh）／越南语（vi）／法语（fr）／意大利语（it）／德语（de）／西班牙语（es）
韩语（ko） → 泰语（th）／英文（en）／中文（zh）／越南语（vi）／法语（fr）／西班牙语（es）／俄语（ru）／德语（de）
法语（fr） → 泰语（th）／英文（en）／日语（ja）／中文（zh）／越南语（vi）／德语（de）／意大利语（it）／西班牙语（es）／俄语（ru）／葡萄牙语（pt）
德语（de） → 泰语（th）／英文（en）／日语（ja）／中文（zh）／法语（fr）／越南语（vi）／俄语（ru）／西班牙语（es）／意大利语（it）／葡萄牙语（pt）
西班牙语（es） → 泰语（th）／英文（en）／日语（ja）／中文（zh）／法语（fr）／越南语（vi）／意大利语（it）／德语（de）／俄语（ru）／葡萄牙语（pt）
俄语（ru） → 泰语（th）／英文（en）／日语（ja）／中文（zh）／法语（fr）／越南语（vi）／德语（de）／西班牙语（es）／意大利语（it）／粤语（yue）／葡萄牙语（pt）
意大利语（it） → 泰语（th）／英文（en）／日语（ja）／中文（zh）／法语（fr）／越南语（vi）／西班牙语（es）／俄语（ru）／德语（de）
葡萄牙语（pt） → 英文（en）
印尼语（id） → 英文（en）
阿拉伯语（ar） → 英文（en）
泰语（th） → 日语（ja）／越南语（vi）／法语（fr）
印地语（hi） → 英文（en）
丹麦语（da） → 英文（en）
乌尔都语（ur） → 英文（en）
土耳其语（tr） → 英文（en）
荷兰语（nl） → 英文（en）
马来语（ms） → 英文（en）
越南语（vi） → 日语（ja）／法语（fr）
粤语（yue） → 中文（zh）／英文（en）
目前暂不支持同时翻译为多种语言，请仅设置一个目标语言以完成翻译。
max_end_silence
integer
700
设置最大结束静音时长，单位为毫秒（ms），取值范围为200ms至6000ms。
若语音结束后静音时长超过该预设值，系统将判定当前语句已结束。
客户端需在收到task-started事件后，再发送待识别的音频流。
可以发送实时音频流（比如从话筒中实时获取到的）或者录音文件音频流，音频应是单声道。
音频通过WebSocket的二进制通道上传。建议每次发送100ms的音频，并间隔100ms。
该指令用于结束语音识别任务。音频发送完毕后，客户端可以发送此指令以结束任务。
示例：
payload参数说明：
参数
类型
是否必选
说明
object
固定格式：{}。
在程序正常结束、运行中出现异常或接收到task-finished、task-failed事件时，关闭WebSocket连接。通常通过调用工具库中的close函数来实现。
WebSocket服务支持连接复用以提升资源的利用效率，避免建立连接开销。
当服务收到 run-task 指令后，将启动一个新的任务，并在任务完成时下发 task-finished 指令以结束该任务。结束任务后webSocket连接可以被复用，发送run-task指令开启下一个任务。
在复用连接中的不同任务需要使用不同 task_id。
如果在任务执行过程中发生失败，服务将依然下发 task-failed 指令，并关闭该连接。此时这个连接无法继续复用。
如果在任务结束后60秒没有新的任务，连接会超时自动断开。
语音服务选择 WebSocket 而非 HTTP/HTTPS/RESTful，根本在于其依赖全双工通信能力——WebSocket 允许服务端与客户端主动双向传输数据（如实时推送语音合成/识别进度），而基于 HTTP 的 RESTful 仅支持客户端发起的单向请求-响应模式，无法满足实时交互需求。
需将参数translation_enabled设置为true。
需通过参数translation_target_languages指定翻译目标语言。注意，该参数类型为数组而非字符串。
关注阿里云公众号或下载阿里云APP，关注云资讯，随时随地运维管控云服务