主题切换
语音识别接口
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_turbo | 0.00022 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.auc | 0.00025 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-flash | 0.00022 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-asr | 0.00022 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 |
- 时长以上游返回的为准;上游没返回时长时按 60 秒估算。
- 与语音概览的 ASR 计费是同一套口径。
相关模块
- 语音合成 — 把文字读成音频
- 独立服务 autosubrt — 需要 SRT 字幕或逐字时间线时用它
- 大语言模型 — 把识别结果交给模型做翻译或润色
