Skip to content

语音识别接口 ​

← 返回语音

上传音频文件(或给一个公网音频地址),直接拿回识别文本。基地址 https://api.jcaigc.cn/v1, 请求头带 Authorization: Bearer <密钥>(也接受 x-api-key),密钥是控制台里的 apiKey。

接口一览 ​

接口方法与路径说明
语音转写POST /v1/audio/transcriptions上传音频,返回识别文本
语音翻译POST /v1/audio/translations与转写走同一条通道,行为完全一致,不做翻译

/audio/translations 不做翻译

网关把翻译与转写都按转写处理,两个端点返回的都是原文文本。需要译文请把结果再交给大语言模型翻译。

支持的模型 ​

模型由调用方自带(model 参数),网关按模型选上游与链路:

上游模型单价音频怎么给说明
豆包语音(火山)volc.bigasr.auc_turbo0.00022 元/秒上传文件,或给公网地址极速版:一次请求同步返回。单文件 ≤ 2 小时、≤ 100MB
豆包语音(火山)volc.seedasr.auc0.00025 元/秒只能给公网地址标准版:识别效果最好,网关提交后在内部轮询,默认最多等 10 分钟
阿里云百炼qwen3-asr-flash0.00022 元/秒只能上传文件音频当消息发给大模型,响应最快,适合短音频
阿里云百炼fun-asr0.00022 元/秒只能上传文件与 qwen3-asr-flash 同一条链路、同一个单价

按秒计价,1 小时音频约 0.79 元。

豆包语音的两个模型怎么挑

要传本地文件就用 volc.bigasr.auc_turbo(豆包侧唯一收文件的链路,0.00022 元/秒); 音频已经在公网上(比如刚上传到对象存储)就用 volc.seedasr.auc,识别效果更好,单价略高一点 (0.00025 元/秒)。拿本地文件去打 volc.seedasr.auc,网关会直接告诉你改用极速版或给 file_url。

请求参数 ​

请求体是 multipart/form-data:

参数必填说明
file二选一音频文件本体;也可以直接填一个音频地址(网关认得出)
file_url二选一公网可访问的音频地址,适合音频已经在对象存储上的场景
model是语音识别模型,取值见上表
response_format否json(默认)、verbose_json 或 text
language否语种提示(如 zh、en),指定后准确率更高
timestamp_granularities[]否传 word 时,在 verbose_json 的每个分句里额外返回逐词时间线 words(与 OpenAI 同名字段;豆包链路支持)

支持的音频格式按上游分,两边不一样:

上游支持的格式
豆包语音wav、mp3、ogg、aac、m4a、mp4、spx、amr、opus(flac / webm / wma 不支持,网关会直接拒绝)
阿里云百炼mp3、mpeg、mp4、m4a、wav、aac、flac、ogg、opus、amr、webm、wma

上传文件的体积上限因链路而异

  • 豆包极速版(volc.bigasr.auc_turbo):单文件 ≤ 100MB,且时长 ≤ 2 小时,超限会被网关拦下。
  • 阿里两条(qwen3-asr-flash、fun-asr):音频要 base64 后当消息发(膨胀约 4/3), 原始文件需小于约 7.5MB,超长音频先切片再分别转写。
  • 长音频走豆包标准版(volc.seedasr.auc):只给公网地址、不受文件体积限制, 但网关提交后要在内部轮询,默认最多等 10 分钟。

请求示例 ​

bash
# 上传本地文件(豆包极速版;阿里云的模型同样可以这样传)
curl -X POST https://api.jcaigc.cn/v1/audio/transcriptions \
  -H "Authorization: Bearer 123e4567-e89b-12d3-a456-426614174000" \
  -F "file=@./audio.mp3" \
  -F "model=volc.bigasr.auc_turbo" \
  -F "language=zh" \
  -F "response_format=verbose_json"

# 音频已在公网:给地址就行,长音频优先走豆包标准版
curl -X POST https://api.jcaigc.cn/v1/audio/transcriptions \
  -H "Authorization: Bearer 123e4567-e89b-12d3-a456-426614174000" \
  -F "file_url=https://example.com/audio.mp3" \
  -F "model=volc.seedasr.auc" \
  -F "language=zh"

示例代码 ​

Python(上传本地文件) ​

python
import requests

with open("audio.mp3", "rb") as f:
    resp = requests.post(
        "https://api.jcaigc.cn/v1/audio/transcriptions",
        headers={"Authorization": "Bearer 123e4567-e89b-12d3-a456-426614174000"},
        files={"file": ("audio.mp3", f, "audio/mpeg")},
        data={
            "model": "volc.bigasr.auc_turbo",  # 豆包极速版,收本地文件
            "language": "zh",
            "response_format": "verbose_json",
        },
        timeout=600,
    )
resp.raise_for_status()
result = resp.json()
print(result["text"])
for seg in result.get("segments", []):          # 分句时间线(秒)
    print(f"[{seg['start']:.2f} → {seg['end']:.2f}] {seg['text']}")

Node.js(音频在对象存储上,直接给地址) ​

javascript
const form = new FormData()
form.append('file_url', 'https://example.com/audio.mp3')
form.append('model', 'volc.seedasr.auc')        // 豆包标准版,只收公网地址
form.append('language', 'zh')

const resp = await fetch('https://api.jcaigc.cn/v1/audio/transcriptions', {
    method: 'POST',
    headers: { Authorization: 'Bearer 123e4567-e89b-12d3-a456-426614174000' },   // 别手动设 Content-Type,FormData 会带 boundary
    body: form,
})

if (!resp.ok) throw new Error(`识别失败:${resp.status} ${await resp.text()}`)
const { text, duration } = await resp.json()
console.log(duration, text)

响应 ​

response_format=json(默认)与 verbose_json 都返回 JSON,text 直接返回纯文本(Content-Type: text/plain)。

json
{
  "text": "把音频变成文字,再交给下游使用。"
}

verbose_json 在识别出时长时额外带上 duration(秒)与 segments(分句时间线,秒):

json
{
  "task": "transcribe",
  "text": "把音频变成文字,再交给下游使用。",
  "duration": 12.34,
  "segments": [
    { "id": 0, "start": 0, "end": 2.16, "text": "把音频变成文字," },
    { "id": 1, "start": 2.16, "end": 5.02, "text": "再交给下游使用。" }
  ]
}

请求时传 timestamp_granularities[]=word,每个分句还会带上 words(逐词时间线,秒)。 词的粒度由上游决定(中文通常逐字),没有有效时间的空格/占位词会被过滤:

json
{
  "task": "transcribe",
  "text": "把音频变成文字。",
  "duration": 2.5,
  "segments": [
    {
      "id": 0,
      "start": 0,
      "end": 2.5,
      "text": "把音频变成文字。",
      "words": [
        { "word": "把", "start": 0.0, "end": 0.2 },
        { "word": "音", "start": 0.2, "end": 0.4 },
        { "word": "频", "start": 0.4, "end": 0.6 }
      ]
    }
  ]
}

静音音频不算失败

音频里没有人声时,返回的是空 text(不是报错)——这条音频本来就没有可识别的内容。

计费说明 ​

按音频时长计费,识别成功之后扣费,失败请求不计费:

模型单价备注
volc.bigasr.auc_turbo(豆包极速版)0.00022 元/秒折合 0.0132 元/分钟,1 小时约 0.79 元
qwen3-asr-flash、fun-asr(阿里)0.00022 元/秒同上
volc.seedasr.auc(豆包标准版)0.00025 元/秒折合 0.015 元/分钟,1 小时约 0.9 元

相关模块 ​