天府新谷开普勒公共算力服务平台
返回平台
产品文档

Doubao-录音文件识别（ASR 极速版） ​

对已上传的音频文件做语音转文字，返回整段文本与句级时间戳。适用于 混剪、字幕生成、口播拆条 等「先有音频 URL、再批量识别」的场景。

与 流式 ASR（WebSocket） 的区别：

能力极速版（本文）流式 ASR
协议HTTP POSTWebSocket
输入公网可访问的 audio.url实时 PCM 分片或文件流
典型场景混剪、离线转写、字幕麦克风实时听写
平台模型Doubao-ASR-FlashDoubao-ASR-Stream

URL：$BASE_URL/v3/auc/bigmodel/recognize/flash

Method：POST

Content-Type：application/json

平台模型：Doubao-ASR-Flash（固定；请求体中的 model_name 为火山上游参数，填 bigmodel 即可）

鉴权 ​

公共变量见 API 接入 · 公共参数。

方式说明
Authorization: Bearer $API_KEY推荐（服务端 / curl / SDK）
X-Api-App-Key: $API_KEY与火山头同名，值填 平台 API Key
x-goog-api-key: $API_KEY兼容 Google 风格客户端

API Key 需 scope 为 chat 或 all，且租户 可用余额 > 0。

请求体 ​

Body 原样转发火山 openspeech，结构如下。

顶层字段 ​

字段类型必填说明
userobject否业务用户标识
user.uidstring否建议填业务侧 uid，便于排查（如 bosshome-voice）
audioobject是音频输入
audio.urlstring是公网可访问的音频地址（wav / mp3 等）
audio.formatstring否如 wav、mp3
audio.rateint否采样率，如 16000
audio.languagestring否如 zh-CN
requestobject否识别参数
request.model_namestring否火山参数，通常填 bigmodel
request.enable_itnbool否逆文本归一化（数字、日期等）
request.enable_puncbool否启用标点
request.show_utterancesbool否混剪建议 true：返回句级 start_time / end_time

混剪推荐参数 ​

混剪 / 字幕场景建议至少开启：

  • enable_punc: true — 带标点，便于展示字幕
  • show_utterances: true — 返回分句与时间戳（毫秒），用于卡点、字幕轴

请求示例 ​

json
{
  "user": {
    "uid": "bosshome-voice"
  },
  "audio": {
    "url": "https://static.example.com/upload/2026/06/demo.wav",
    "format": "wav",
    "rate": 16000
  },
  "request": {
    "model_name": "bigmodel",
    "enable_itn": true,
    "enable_punc": true,
    "show_utterances": true
  }
}

响应 ​

成功时 HTTP 200，JSON 示例：

json
{
  "audio_info": {
    "duration": 12345
  },
  "result": {
    "text": "大家好，欢迎收看本期视频。",
    "utterances": [
      {
        "text": "大家好，",
        "start_time": 0,
        "end_time": 1200,
        "definite": true,
        "words": [
          {
            "text": "大家",
            "start_time": 0,
            "end_time": 600
          }
        ]
      }
    ]
  }
}
字段说明
audio_info.duration音频时长（毫秒），用于计费
result.text整段识别文本
result.utterances[]句级分句（需 show_utterances: true）
utterances[].start_time / end_time句起止时间（毫秒）
utterances[].words[]词级时间戳（若上游返回）

部分响应头可能透传：X-Api-Status-Code、X-Api-Message、X-Tt-Logid。

CURL 示例 ​

先设置 公共变量：

bash
BASE_URL="https://ai.open.thinkzoneai.com"
API_KEY="替换为你的API Key"

混剪 / 字幕（与 aisee 生产调用一致） ​

bash
curl -s -X POST "$BASE_URL/v3/auc/bigmodel/recognize/flash" \
  -H "Authorization: Bearer $API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "user": { "uid": "bosshome-voice" },
    "audio": {
      "url": "https://static.example.com/upload/demo.wav",
      "format": "wav",
      "rate": 16000
    },
    "request": {
      "model_name": "bigmodel",
      "enable_itn": true,
      "enable_punc": true,
      "show_utterances": true
    }
  }'

最简识别（仅 URL） ​

bash
curl -s -X POST "$BASE_URL/v3/auc/bigmodel/recognize/flash" \
  -H "Authorization: Bearer $API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "user": { "uid": "test-user" },
    "audio": { "url": "https://static.example.com/audio.mp3" },
    "request": {
      "model_name": "bigmodel",
      "show_utterances": true
    }
  }'

Go SDK ​

go
import (
    "code.keplerjai.com/keplerjai/campus-amags/pkg"
    "code.keplerjai.com/keplerjai/campus-amags/sdk/amagssdk"
)

// Init 略：amagssdk.Init(host); amagssdk.SetAPIKey(key)

// 方式一：快捷（默认 ITN + utterances，不含 enable_punc）
result, err := amagssdk.RecognizeAsrFlashByURL(audioURL, "bosshome-voice")

// 方式二：混剪完整参数（推荐）
enableITN, enablePunc, showUtterances := true, true, true
result, err = amagssdk.RecognizeAsrFlash(pkg.VolcengineAsrFlashReq{
    User: &pkg.VolcengineAsrFlashUser{UID: "bosshome-voice"},
    Audio: pkg.VolcengineAsrFlashAudio{
        URL:    audioURL,
        Format: "wav",
        Rate:   16000,
    },
    Request: &pkg.VolcengineAsrFlashRequest{
        ModelName:      "bigmodel",
        EnableITN:      &enableITN,
        EnablePunc:     &enablePunc,
        ShowUtterances: &showUtterances,
    },
})

text := amagssdk.AsrFlashText(result)
for _, u := range amagssdk.AsrFlashUtterances(result) {
    // u.StartTime, u.EndTime, u.Text — 用于字幕轴 / 混剪卡点
}

计费 ​

  • 模型：Doubao-ASR-Flash（type=audio）
  • 维度：asr_duration_ms（识别音频时长，毫秒）
  • 任务：每次调用创建 audio 类型任务，成功后按时长结算

常见错误 ​

HTTP原因处理
401API Key 无效 / 未传检查 Authorization: Bearer
400模型未启用、doubao-speech 配置 JSON 非法、余额为 0、scope 不足查响应 resultMsg 或任务表 error_message
4xx/5xx（上游 body）音频 URL 不可达、格式不支持确保 URL 公网可访问，格式为 wav/mp3 等

注意：audio.url 必须能被 服务端（平台 → 火山）拉取，内网地址或需鉴权的私有链通常会失败。

接入说明（aisee 混剪） ​

aisee 混剪管线典型流程：

  1. 导出或上传混剪音频到 OSS/CDN，得到公网 URL
  2. POST $BASE_URL/v3/auc/bigmodel/recognize/flash（不要用 WebSocket 流式接口）
  3. 解析 result.utterances 生成字幕轨或按句切分素材

业务侧 user.uid 可使用固定标识（如 bosshome-voice）便于日志关联。

参考 ​