语音识别 (ASR)Speech Recognition (ASR)

基于端到端深度学习的语音识别 API，支持 100+ 语言，提供批量识别和实时流式两种模式。支持说话人分离、关键词检测、标点还原、数字规范化等高级能力。

快速概览

端点	Endpoint	`POST /v1/speech/recognize`
认证方式	Auth	Bearer Token
输入方式	Input	文件上传 (multipart) / Base64 / 音频 URL	File upload (multipart) / Base64 / Audio URL
音频上限	Max Size	100 MB
最长时长	Max Duration	4 小时（WAV/MP3/AAC）/ 2 小时（FLAC）	4 hours (WAV/MP3/AAC) / 2 hours (FLAC)
支持语言	Languages	100+ 语言
超时时间	Timeout	60 秒

请求端点

POST/v1/speech/recognize

认证

Authorization: Bearer {access_token}

请求头

请求头	Header	必填	Required	说明	Description
Authorization	required	Bearer 认证，格式：`Bearer {access_token}`	Bearer authentication, format: `Bearer {access_token}`
Content-Type	required	文件上传时使用 `multipart/form-data`；JSON 模式使用 `application/json`	Use `multipart/form-data` for file upload; `application/json` for JSON mode

请求参数

参数	Parameter	类型	Type	必填
audio	file / string	required	音频文件（multipart 上传）、Base64 编码字符串或音频 URL（JSON 模式）。≤100MB	Audio file (multipart), Base64 string, or audio URL (JSON). ≤100MB
lang	string	optional	音频语言代码，默认 `auto` 自动检测。显式指定可提升准确率并减少处理时间。详见语种列表	Language code; default `auto`. Explicitly specifying improves accuracy and speed. See Language List
format	string	optional	音频格式：`wav` / `mp3` / `flac` / `aac` / `ogg` / `opus` / `m4a`。默认根据文件头自动检测	Audio format: `wav` / `mp3` / `flac` / `aac` / `ogg` / `opus` / `m4a`. Auto-detected by default
sample_rate	integer	optional	音频采样率（Hz），如 8000、16000、44100、48000。默认从文件头读取，若文件头信息缺失则建议指定	Audio sample rate (Hz), e.g., 8000, 16000, 44100, 48000. Read from file header by default; specify if header info is missing
model	string	optional	声学模型：`default`（通用，默认）、`phone_call`（电话语音，8kHz 优化）、`video`（视频场景，远场优化）、`medical`（医疗专业领域）	Acoustic model: `default` (general), `phone_call` (telephony, 8kHz optimized), `video` (far-field), `medical` (medical domain)
enable_timestamps	boolean	optional	是否返回词级/段级时间戳（开始/结束时间），默认 `false`	Return word/segment-level timestamps (start/end), default `false`
enable_punctuation	boolean	optional	是否自动添加标点符号和大小写修正，默认 `true`	Auto-add punctuation and case correction, default `true`
enable_itn	boolean	optional	是否开启逆文本归一化（将"一千二百三十四"转为"1234"，"百分之五十"转为"50%"），默认 `true`	Enable inverse text normalization (e.g., "twelve thirty-four" → "1234"), default `true`
enable_diarization	boolean	optional	是否开启说话人分离（区分不同说话人），默认 `false`。开启后每段文本会标注 `speaker_id`	Enable speaker diarization (identify different speakers), default `false`. Each segment will have `speaker_id`
speaker_count	integer	optional	预期说话人数量，仅 enable_diarization=true 时有效。范围 1–10，未指定时自动估算	Expected number of speakers, only when enable_diarization=true. Range 1–10, auto-estimated if not specified
enable_keywords	array	optional	关键词识别列表，传入需要重点识别的一组词/短语，可提高这些词的识别优先级。如 `["人工智能", "机器学习"]`	Keyword spotting list: provide words/phrases to boost their recognition priority. E.g., `["AI", "machine learning"]`
enable_profanity_filter	boolean	optional	是否开启敏感词过滤，将识别结果中的不当词语替换为 `***`，默认 `false`	Filter profanity, replacing inappropriate words with `***`, default `false`
enable_partial_results	boolean	optional	是否返回阶段性结果（流式模式下有效），默认 `false`	Return partial/interim results (streaming mode), default `false`
callback_url	string	optional	异步回调地址。长音频（>10 分钟）建议使用此模式，识别完成后通过 HTTP POST 推送结果	Async callback URL. Recommended for long audio (>10 min); results pushed via HTTP POST on completion

声学模型选择

model	适用场景	Use Case	采样率建议	Sample Rate	特点
`default`	通用场景：会议、演讲、播客	General: meetings, speeches, podcasts	16kHz	泛化能力最强，适用大多数场景	Best generalization, fits most scenarios
`phone_call`	电话录音、呼叫中心、VoIP	Phone recordings, call centers, VoIP	8kHz	针对窄带电话语音优化，8kHz 下准确率最高	Optimized for narrowband telephony; highest accuracy at 8kHz
`video`	视频配音、直播、远场拾音	Video dubbing, live streaming, far-field	16-48kHz	远场优化，支持背景噪音抑制和多声道处理	Far-field optimized with noise suppression and multi-channel support
`medical`	医疗听写、病历语音录入	Medical dictation, EHR voice input	16kHz	内置医学术语词库，对药品名、疾病名有更高识别率	Built-in medical lexicon; higher accuracy on drug/disease names

支持音频格式

格式	Format	MIME 类型	MIME Type	采样率	Sample Rate	最大时长
WAV	`audio/wav`	8-48kHz	4 小时	4 hours	无损、推荐格式，支持 PCM/ALAW/ULAW 编码	Lossless, recommended; supports PCM/ALAW/ULAW encoding
MP3	`audio/mpeg`	16-48kHz	4 小时	4 hours	最通用压缩格式，建议码率 ≥ 64kbps	Most common compressed format; recommend ≥64kbps bitrate
FLAC	`audio/flac`	8-48kHz	2 小时	2 hours	无损压缩，高保真场景首选	Lossless compression; preferred for high-fidelity scenarios
AAC	`audio/aac`	16-48kHz	4 小时	4 hours	高效压缩，移动端录制常用	Efficient compression; common for mobile recordings
OGG / Opus	`audio/ogg`	8-48kHz	2 小时	2 hours	WebRTC 流媒体常用，低延迟场景适用	Common in WebRTC streaming; suitable for low-latency scenarios
M4A	`audio/mp4`	16-48kHz	4 小时	4 hours	iOS 录音默认格式，内部通常为 AAC 编码	Default iOS recording format; typically AAC-encoded

请求示例

cURL — 基础识别（文件上传）

curl -X POST https://api.itranslator.cc/v1/speech/recognize \
  -H "Authorization: Bearer YOUR_ACCESS_TOKEN" \
  -F "audio=@meeting.mp3" \
  -F "lang=zh" \
  -F "enable_timestamps=true" \
  -F "enable_punctuation=true"

cURL — 高级识别（说话人分离 + 关键词）

curl -X POST https://api.itranslator.cc/v1/speech/recognize \
  -H "Authorization: Bearer YOUR_ACCESS_TOKEN" \
  -F "audio=@conference.wav" \
  -F "lang=zh" \
  -F "model=default" \
  -F "enable_diarization=true" \
  -F "speaker_count=4" \
  -F "enable_itn=true" \
  -F "enable_punctuation=true"

cURL — URL 模式 + 异步回调

curl -X POST https://api.itranslator.cc/v1/speech/recognize \
  -H "Authorization: Bearer YOUR_ACCESS_TOKEN" \
  -H "Content-Type: application/json" \
  -d '{
    "audio": "https://cdn.example.com/lecture.mp3",
    "lang": "en",
    "enable_timestamps": true,
    "enable_diarization": true,
    "callback_url": "https://myapp.com/webhook/asr-result"
  }'

Python — 文件上传

import requests

with open("meeting.mp3", "rb") as audio:
    resp = requests.post(
        "https://api.itranslator.cc/v1/speech/recognize",
        headers={"Authorization": f"Bearer {token}"},
        files={"audio": audio},
        data={
            "lang": "zh",
            "enable_timestamps": True,
            "enable_diarization": True,
            "enable_punctuation": True
        }
    )

result = resp.json()
for seg in result.get("segments", []):
    speaker = seg.get("speaker_id", "?")
    print(f"[{seg['start']:.1f}s–{seg['end']:.1f}s] 说话人{speaker}: {seg['text']}")

JavaScript (Node.js)

const fs = require("fs");

const form = new FormData();
form.append("audio", fs.createReadStream("./meeting.mp3"));
form.append("lang", "zh");
form.append("enable_diarization", "true");
form.append("enable_timestamps", "true");

const resp = await fetch(
  "https://api.itranslator.cc/v1/speech/recognize",
  {
    method: "POST",
    headers: { Authorization: `Bearer ${token}` },
    body: form
  }
);
const data = await resp.json();
console.log("识别文本:", data.text);
data.segments.forEach(s => console.log(
  `[${s.start}-${s.end}] ${s.text}`));

Java

import java.net.URI;
import java.net.http.*;
import java.nio.file.*;

HttpClient client = HttpClient.newHttpClient();
byte[] audioBytes = Files.readAllBytes(Path.of("meeting.mp3"));

// 使用 Base64 模式
String base64 = java.util.Base64.getEncoder()
    .encodeToString(audioBytes);
String json = String.format(
  "{\"audio\":\"%s\",\"lang\":\"zh\",\"enable_timestamps\":true}",
  base64);

HttpRequest req = HttpRequest.newBuilder()
  .uri(URI.create("https://api.itranslator.cc/v1/speech/recognize"))
  .header("Authorization", "Bearer " + token)
  .header("Content-Type", "application/json")
  .POST(HttpRequest.BodyPublishers.ofString(json))
  .build();

HttpResponse<String> resp = client.send(req,
  HttpResponse.BodyHandlers.ofString());
System.out.println(resp.body());

响应字段说明

字段	Field	类型	Type
text	string	完整识别文本，已拼接为一段	Full recognized text, concatenated as one paragraph
lang	string	识别使用的语言代码	Language code used for recognition
detected_lang	string	自动检测到的语言（lang=auto 时返回）	Auto-detected language (returned when lang=auto)
duration_seconds	float	音频总时长（秒）	Total audio duration in seconds
segments	array	语音分段数组，每段含 start/end 时间戳、text 文本、confidence 置信度、speaker_id（开启说话人分离时）	Segment array, each with start/end timestamps, text, confidence, speaker_id (when diarization enabled)
segments[].start	float	分段起始时间（秒）	Segment start time in seconds
segments[].end	float	分段结束时间（秒）	Segment end time in seconds
segments[].speaker_id	integer	说话人编号（仅 enable_diarization=true 时返回），从 0 开始	Speaker ID (only when enable_diarization=true), starting from 0
words	array	词级时间戳数组（仅 enable_timestamps=true），每词含 word、start、end、confidence	Word-level timestamp array (enable_timestamps=true), each with word, start, end, confidence
overall_confidence	float	整段音频的平均识别置信度（0–1），≥ 0.90 为高可信	Average confidence for the entire audio (0–1); ≥0.90 considered highly reliable
keywords_matched	array	匹配到的关键词列表及出现位置（仅启用关键词识别时返回）	Matched keywords and their positions (only when keyword spotting enabled)
processing_time_ms	integer	处理耗时（毫秒）	Processing time in milliseconds

响应示例

示例 1：基础识别

{
  "text": "今天我们要讨论的产品规划包含三个重点方向，分别是用户体验优化、AI 能力集成以及多平台适配。",
  "lang": "zh",
  "duration_seconds": 12.5,
  "overall_confidence": 0.97,
  "processing_time_ms": 450
}

示例 2：带时间戳的段级识别

{
  "text": "今天我们要讨论的产品规划包含三个重点方向，分别是用户体验优化、AI 能力集成以及多平台适配。",
  "lang": "zh",
  "duration_seconds": 12.5,
  "overall_confidence": 0.97,
  "segments": [
    { "start": 0.0, "end": 3.2, "text": "今天我们要讨论的产品规划", "confidence": 0.96 },
    { "start": 3.2, "end": 6.5, "text": "包含三个重点方向，", "confidence": 0.98 },
    { "start": 6.5, "end": 12.5, "text": "分别是用户体验优化、AI 能力集成以及多平台适配。", "confidence": 0.97 }
  ],
  "processing_time_ms": 480
}

示例 3：说话人分离 + 词级时间戳

{
  "text": "我觉得这个方案可以尝试。 具体怎么落地呢？ 我们可以先做个小范围试点。",
  "lang": "zh",
  "duration_seconds": 8.2,
  "overall_confidence": 0.95,
  "segments": [
    {
      "speaker_id": 0, "start": 0.0, "end": 2.8,
      "text": "我觉得这个方案可以尝试。", "confidence": 0.96,
      "words": [
        { "word": "我", "start": 0.0, "end": 0.3, "confidence": 0.98 },
        { "word": "觉得", "start": 0.3, "end": 0.7, "confidence": 0.97 },
        { "word": "这个", "start": 0.7, "end": 1.0, "confidence": 0.99 },
        { "word": "方案", "start": 1.0, "end": 1.3, "confidence": 0.95 },
        { "word": "可以", "start": 1.3, "end": 1.8, "confidence": 0.97 },
        { "word": "尝试", "start": 2.0, "end": 2.5, "confidence": 0.94 }
      ]
    },
    {
      "speaker_id": 1, "start": 3.0, "end": 5.5,
      "text": "具体怎么落地呢？", "confidence": 0.97,
      "words": [
        { "word": "具体", "start": 3.0, "end": 3.4, "confidence": 0.98 },
        { "word": "怎么", "start": 3.4, "end": 3.8, "confidence": 0.97 },
        { "word": "落地", "start": 3.8, "end": 4.3, "confidence": 0.96 },
        { "word": "呢", "start": 4.5, "end": 4.7, "confidence": 0.99 }
      ]
    },
    {
      "speaker_id": 0, "start": 5.8, "end": 8.2,
      "text": "我们可以先做个小范围试点。", "confidence": 0.94,
      "words": [
        { "word": "我们", "start": 5.8, "end": 6.1, "confidence": 0.96 },
        { "word": "可以", "start": 6.1, "end": 6.5, "confidence": 0.95 },
        { "word": "先做", "start": 6.5, "end": 6.9, "confidence": 0.94 },
        { "word": "个", "start": 6.9, "end": 7.1, "confidence": 0.98 },
        { "word": "小范围", "start": 7.1, "end": 7.5, "confidence": 0.92 },
        { "word": "试点", "start": 7.5, "end": 7.9, "confidence": 0.93 }
      ]
    }
  ],
  "words": [
    { "word": "我", "speaker_id": 0, "start": 0.0, "end": 0.3, "confidence": 0.98 },
    { "word": "觉得", "speaker_id": 0, "start": 0.3, "end": 0.7, "confidence": 0.97 }
  ],
  "processing_time_ms": 850
}

示例 4：关键词识别结果

{
  "text": "我们的人工智能项目需要引入大语言模型和强化学习来提升效果。",
  "lang": "zh",
  "duration_seconds": 6.8,
  "overall_confidence": 0.96,
  "keywords_matched": [
    { "keyword": "人工智能", "start": 0.5, "end": 1.0, "confidence": 0.98 },
    { "keyword": "大语言模型", "start": 2.8, "end": 3.5, "confidence": 0.97 },
    { "keyword": "强化学习", "start": 3.8, "end": 4.3, "confidence": 0.96 }
  ],
  "processing_time_ms": 380
}

错误码

状态码	Status	错误码	Code
400	INVALID_AUDIO_FORMAT	音频格式不支持或文件已损坏	Unsupported or corrupted audio format
400	AUDIO_TOO_LARGE	音频超过 100MB 限制	Audio exceeds 100MB limit
400	AUDIO_TOO_LONG	音频时长超过当前格式的最大限制	Audio duration exceeds the format's maximum limit
400	NO_SPEECH_DETECTED	音频中未检测到有效语音，可能为静音或纯噪音	No valid speech detected; may be silence or pure noise
400	INVALID_LANGUAGE	不支持的语言代码	Unsupported language code
400	INVALID_AUDIO_URL	音频 URL 无效、无法访问或超时	Invalid, inaccessible or timed-out audio URL
401	UNAUTHORIZED	缺少或无效的 Access Token	Missing or invalid access token
403	FORBIDDEN	无权访问该资源或配额已耗尽	Access denied or quota exceeded
413	PAYLOAD_TOO_LARGE	请求体超过服务器限制	Request body too large
415	UNSUPPORTED_MEDIA_TYPE	Content-Type 不正确或媒体类型不支持	Incorrect or unsupported Content-Type
422	LOW_CONFIDENCE	识别置信度过低，可能因背景噪音过大或语言不匹配	Confidence too low; possible excessive background noise or language mismatch
429	RATE_LIMITED	请求频率超限，请降低并发数	Rate limit exceeded; reduce concurrency
500	INTERNAL_ERROR	服务器内部错误，请稍后重试	Internal server error; try again later
503	SERVICE_UNAVAILABLE	服务暂时不可用，请稍后重试	Service temporarily unavailable

最佳实践

音频质量第一：清晰、无噪音的音频可获得最高的识别准确率。建议录音时使用外置麦克风，保持距离适中，背景安静。
Audio Quality First: Clear, noise-free audio yields the highest accuracy. Use an external mic, maintain proper distance, and keep the environment quiet.
指定语言代码：尽量显式指定 lang 而非依赖 auto，既提高准确率又减少处理时间。
Specify Language: Explicitly set lang rather than relying on auto to improve accuracy and reduce processing time.
选对声学模型：电话录音用 phone_call 模型，会议/演讲用 default，远场/视频用 video，医疗场景用 medical。
Choose the Right Model: Use phone_call for telephony, default for meetings/speeches, video for far-field, medical for healthcare.
长音频异步处理：超过 10 分钟的音频建议使用 callback_url 异步模式，避免请求超时。回调结果格式与同步响应一致。
Async for Long Audio: Use callback_url async mode for audio over 10 minutes to avoid timeouts. Callback format matches sync response.
说话人分离的技巧：如果已知会议参与人数，通过 speaker_count 指定可显著提升分离精度。两人对话设为 2，小组讨论设为 4–5。
Diarization Tips: Specify speaker_count when the number of participants is known; set 2 for dialogue, 4–5 for group discussions.
关键词提升：对领域专有名词（产品名、人名、专业术语），通过 enable_keywords 传入可减少同音误识。
Keyword Boosting: Pass domain-specific terms (product names, person names, jargon) via enable_keywords to reduce homophone errors.
错误重试：对于 429（频率限制）和 5xx（服务器错误），建议实现指数退避重试策略。
Retry Strategy: Implement exponential backoff for 429 (rate limit) and 5xx (server errors).

常见应用场景

场景	Scenario	推荐参数组合
会议纪要自动生成	Meeting Minutes	`enable_diarization=true, speaker_count=N, enable_timestamps=true, enable_itn=true`
呼叫中心质检	Call Center QA	`model=phone_call, enable_diarization=true, enable_profanity_filter=true`
视频字幕生成	Video Subtitles	`model=video, enable_timestamps=true, enable_punctuation=true`
直播实时转写	Live Transcription	`enable_partial_results=true, model=video`
医疗语音病历	Medical Dictation	`model=medical, enable_itn=true, enable_keywords=["诊断","用药","处方"]`
访谈/调研整理	Interview Transcription	`enable_diarization=true, enable_timestamps=true, enable_punctuation=true`
语音搜索/语音助手	Voice Search/Assistant	`enable_itn=true, enable_punctuation=false`

语言支持概览

语言	Language	代码	Code	标点	Punctuation
中文（普通话）	Chinese (Mandarin)	zh	✅	✅	✅
英语	English	en	✅	✅	✅
日语	Japanese	ja	✅	✅	✅
韩语	Korean	ko	✅	✅	✅
德语	German	de	✅	✅	✅
法语	French	fr	✅	✅	✅
西班牙语	Spanish	es	✅	✅	✅
葡萄牙语	Portuguese	pt	✅	—	✅
意大利语	Italian	it	✅	—	✅
俄语	Russian	ru	✅	—	✅
阿拉伯语	Arabic	ar	✅	—	—
印地语	Hindi	hi	—	—	—

注：完整 100+ 语言列表请参见语种列表 Language List。

使用说明

文件上传使用 multipart/form-data 编码，Content-Type 请勿手动设置，让 HTTP 客户端自动生成。
Use multipart/form-data encoding; let the HTTP client auto-generate Content-Type.
Base64 编码后字符串会比原文件大约 33%，注意请求体大小限制。
Base64 encoding increases size by ~33%; mind the request body size limit.
长音频（>10 分钟）建议使用 callback_url 异步模式，避免请求超时。单次同步请求超时时间为 60 秒。
For long audio (>10 min), use callback_url async mode to avoid timeouts. Sync request timeout is 60 seconds.
请勿在客户端代码中暴露 Access Token，建议通过后端代理调用。
Do not expose your Access Token in client-side code; use a backend proxy.
如需将识别结果翻译为其他语言，请将 text 传入文本翻译 API，或直接使用语音翻译 API 一步完成。
To translate recognition results, pass text to Text Translation API, or use Speech Translation API for one-step solution.

语音识别 (ASR)Speech Recognition (ASR)

请求端点

Endpoint

认证

Authentication

请求头

Request Headers

请求参数

Request Parameters

声学模型选择

Acoustic Model Selection

支持音频格式

Supported Audio Formats

请求示例

Request Examples

cURL — 基础识别（文件上传）

cURL — Basic Recognition (File Upload)

cURL — 高级识别（说话人分离 + 关键词）

cURL — Advanced (Diarization + Keywords)

cURL — URL 模式 + 异步回调

cURL — URL Mode + Async Callback

Python — 文件上传

Python — File Upload

JavaScript (Node.js)

JavaScript (Node.js)

Java

Java

响应字段说明

Response Fields

响应示例

Response Examples

示例 1：基础识别

Example 1: Basic Recognition

示例 2：带时间戳的段级识别

Example 2: Segment-level with Timestamps

示例 3：说话人分离 + 词级时间戳

Example 3: Speaker Diarization + Word-level Timestamps

示例 4：关键词识别结果

Example 4: Keyword Spotting Result

错误码

Error Codes

最佳实践

Best Practices

常见应用场景

Common Use Cases

语言支持概览

Language Support Overview