---
url: /voice/transcriptions.md
description: >-
  简创AIGC 语音识别接口：POST /v1/audio/transcriptions 与 /v1/audio/translations，multipart
  上传音频或给公网地址，返回文本、纯文本或带分句时间线的 verbose_json，含 Python 与 Node.js 示例代码。
---

# 语音识别接口

[← 返回语音](/voice/)

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](https://jcaigc.cn)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 |

::: warning `/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](/llm/)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。

::: tip 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` |

::: warning 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 }
      ]
    }
  ]
}
```

::: tip 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](/voice/#asr-计费)是同一套口径。

## 相关模块

* [语音合成](/voice/tts) — 把文字读成音频
* [独立服务 autosubrt](/capcut-mate/asr.zh) — 需要 SRT 字幕或逐字时间线时用它
* [大语言模型](/llm/) — 把识别结果交给模型做翻译或润色
