本接口提供语音转文本能力，专为批量、非实时场景设计，利用闲时算力执行识别任务；上传文件需小于 512 MB, 时长不超过 5 小时，支持 raw、wav、mp3、ogg 等格式；上传后可通过查询接口获取识别结果，结果在24h内返回。 POST https://openspeech.bytedance.com/api/v3/auc/bigmodel/idle/submit ### 请求头 **X\-Api\-Key ** `string` 必选 API Key 可以从 [控制台>API Key管理](https://console.volcengine.com/speech/new/setting/apikeys?projectName=default.) 获取注意： * 本接口同时支持[旧版控制台](https://console.volcengine.com/speech/service/10035)的鉴权方式，详见[旧版控制台鉴权参考](https://www.volcengine.com/docs/6561/2534847?lang=zh) **X\-Api\-Resource\-Id ** `string` 必选请求的模型版本，可选值：`volc.bigasr.auc_idle` **X\-Api\-Request\-Id ** `string` 必选用于提交和查询任务的任务ID，推荐传入随机生成的UUID **X\-Api\-Sequence ** `string` 必选发包序号，固定值: `-1` ### 请求体 **audio ** `dict` 必选 **url ** `string` 必选音频链接 **language ** `string` 指定识别语种。当前支持识别以下语种 * 中文普通话：`zh-CN` * 英语：`en-US` * 日语：`ja-JP` * 印尼语：`id-ID` * 西班牙语：`es-MX` * 葡萄牙语：`pt-BR` * 德语：`de-DE` * 法语：`fr-FR` * 韩语：`ko-KR` * 菲律宾语：`fil-PH` * 马来语：`ms-MY` * 泰语：`th-TH` * 阿拉伯语：`ar-SA` * 意大利语：`it-IT` * 孟加拉语：`bn-BD` * 希腊语：`el-GR` * 荷兰语：`nl-NL` * 俄语：`ru-RU` * 土耳其语：`tr-TR` * 越南语：`vi-VN` * 波兰语：`pl-PL` * 罗马尼亚语：`ro-R0` * 尼泊尔语：`ne-NP` * 乌克兰语：`uk-UA` * 粤语：`yue-CN` 注意：当 `language` 参数为空时，模型支持识别以下语种：中文、英文、上海话、闽南话、四川话、陕西话、粤语 **format ** `string` 必选音频格式。可选值：`raw` / `wav` / mp3 / ogg / pcm / spx / amr / aac / m4a **codec** `string` 音频编码格式。默认raw（pcm）可选值：`raw` / `opus` **rate** `int` 音频采样率。默认值为 `16000` **bits** `int` 音频采样点位数。默认支持16bits **channel** `int` 音频声道数，默认值为 `1` 可选值： `1`:mono `2`:stereo **request** `object` **model_name** `string` 必选模型名称。目前仅支持 `bigmodel` **enable_itn** `bool` 是否将语音识别结果转换为规范的书面格式，默认为`true`。开启后，系统会把语音里的口语化数字、金额、日期等自动转成阿拉伯数字和符号形式，让文本更简洁、更易读。效果示例: * "一九七零年" → "1970 年" * "一百二十三美元" → "$123" **enable_punc** `bool` 是否启用标点，默认值为`false`。开启后，识别结果会自动添加逗号、句号、问号等标点符号，提升文本可读性 **enable_ddc** `bool` 是否启用语义顺滑，默认 `false`。开启后，系统会删除或修正识别结果中的停顿词、语气词、语义重复词等不流畅内容，让文本更连贯、更易读。 **enable_channel_split** `bool` 是否启用双声道识别，默认 `false`。开启后，返回结果会用 `channel_id` 标记声道 `1` :左声道 `2` :右声道 **show_utterances** `bool` 是否输出分句、分词及语音停顿信息，默认 `false`。 **show_speech_rate** `bool` 分句信息是否携带语速，默认 `false`。开启后，会在分句 `additions` 中返回语速信息，单位为 token/s。 **show_volume** `bool` 分句信息是否携带音量，默认 `false`。开启后，会在分句 `additions` 中返回音量信息，单位为分贝。 **enable_auto_lang** `bool` 是否自动识别语种，默认 `false`。开启后，系统会自动检测音频所属语种。支持自动识别以下语种： * 中文普通话 `zh-CN` * 英语：`en-US` * 日语：`ja-JP` * 印尼语：`id-ID` * 西班牙语：`es-MX` * 葡萄牙语：`pt-BR` * 德语：`de-DE` * 法语：`fr-FR` * 韩语：`ko-KR` * 菲律宾语：`fil-PH` * 马来语：`ms-MY` * 泰语：`th-TH` * 阿拉伯语 `ar-SA` * 意大利语 `it-IT` * 孟加拉语 `bn-BD` * 希腊语 `el-GR` * 荷兰语 `nl-NL` * 俄语 `ru-RU` * 土耳其语 `tr-TR` * 越南语 `vi-VN` * 波兰语 `pl-PL` * 罗马尼亚语 `ro-RO` * 尼泊尔语 `ne-NP` * 乌克兰语 `uk-UA` * 粤语 `yue-CN` **enable_lid** `bool` 是否启用中英文及方言识别，默认 `false`。支持识别以下语言：中文、英文、上海话、闽南话、四川话、陕西话、粤语开启后，会在 `additions` 中返回语种/场景标签，取值如下： * `singing_en`：英文唱歌 * `singing_mand`：普通话唱歌 * `singing_dia_cant`：粤语唱歌 * `speech_en`：英文说话 * `speech_mand`：普通话说话 * `speech_dia_nan`：闽南语 * `speech_dia_wuu`：吴语（含上海话） * `speech_dia_cant`：粤语说话 * `speech_dia_xina`：西南官话（含四川话） * `speech_dia_zgyu`：中原官话（含陕西话） * `other_langs`：其它语种（其它语种人声） * `others`：检测不出（非语义人声和非人声） * 返回为空则代表无法判断（例如传入音频过短等） **enable_emotion_detection** `bool` 启用情绪检测。如果设为`True`，则会在分句`additions`中返回对应的情绪标签。默认 `False` 支持的情绪标签包括： * `angry`：表示情绪为生气 * `happy`：表示情绪为开心 * `neutral`：表示情绪为平静或中性 * `sad`：表示情绪为悲伤 * `surprise`：表示情绪为惊讶 **enable_gender_detection** `bool` 启用性别检测。如果设为`True`，则会在分句`additions`中返回性别标签（male/female），默认 `False` **vad_segment** `bool` 语义分句（VAD分句），默认为`false` 注意：当`enable_channel_split`设置为`true`时，建议同时使用语义分句 **end_window_size** `int` 语音活动检测 (VAD) 的静音判停阈值，单位 ms。当检测到的连续静音时长达到该值时，判定一句话结束并触发分句。范围：`[300,5000]` 推荐值：`[800,1000]` **sensitive_words_filter** `string` 是否开启敏感词过滤功能。开启后，可对识别结果中的敏感词做屏蔽或替换处理。示例 ```Bash "sensitive_words_filter":{\"system_reserved_filter\":true,\"filter_with_empty\":[\"敏感词\"],\"filter_with_signed\":[\"敏感词\"]}" ``` **system_reserved_filter ** `bool` 是否启用系统内置敏感词库。启用后，命中的系统敏感词会被替换为 `*` **filter_with_empty ** `string` 需替换为空字符串的自定义敏感词列表 **filter_with_signed ** `string` 需替换为 `*` 的自定义敏感词列表 **enable_poi_fc** `bool` 开启 POI function call。能调用专业的地图领域推荐词服务辅助识别，提高识别准确率。示例： ```SQL "request": { "enable_poi_fc": true, "corpus": { "context": "{\"loc_info\":{\"city_name\":\"北京市\"}}" } } ``` **enable_music_fc** `bool` 对于语音识别困难的词语，能调用专业的音领域推荐词服务辅助识别 **corpus** `object` 语境词典。可自定义配置热词、替换词，配置后可提高特定语境下的词语识别准确率 **boosting_table_name ** `string` 热词词表名称。配置热词可优化该类词语的识别效果热词可在[控制台>自学习平台](https://console.volcengine.com/speech/new/hot-word?projectName=default)中设置 **boosting_table_id ** `string` 热词词表id。配置热词可优化该类词语的识别效果 * 热词可在[控制台>自学习平台](https://console.volcengine.com/speech/new/hot-word?projectName=default)中设置 * 若传入的`boosting_table_name`和`boosting_table_id`对应的热词词表不一致，则以`boosting_table_id`为准 **correct_table_name ** `string` 替换词词表名称。配置替换词，可将模型识别出的特定词汇替换为目标词汇替换词可在[控制台>自学习平台](https://console.volcengine.com/speech/new/correct-word?projectName=default)中配置 **correct_table_id ** `string` 替换词词表名称。配置替换词，可将模型识别出的特定词汇替换为目标词汇 * 替换词可在[控制台>自学习平台](https://console.volcengine.com/speech/new/correct-word?projectName=default)中配置 * 若传入的`correct_table_name`和`correct_table_id`对应的热词词表不一致，则以`correct_table_id`为准 **regex_correct_table_name**`string` 正则替换词表名称。相较于替换词的精确匹配替换，正则替换词适合批量格式转换（如日期格式统一、符号标准化）、模糊模式匹配等复杂场景 * 正则替换词可在[控制台>自学习平台](https://console.volcengine.com/speech/new/correct-word?projectName=default)中配置 **regex_correct_table_id ** `string` 正则替换词表id。 * 正则替换词可在[控制台>自学习平台](https://console.volcengine.com/speech/new/correct-word?projectName=default)中配置 **context ** `string` 上下文功能。在识别前传入辅助信息，帮助模型更准确地识别。支持热词直传、传入对话历史、场景等信息辅助理解用法，可查询[热词与上下文](https://docs.volcengine.com/docs/6561/2604976?lang=zh)最佳实践了解更多信息示例： ```Python { "corpus": { "context": { "hotwords": [ { "word": "豆包" }, { "word": "火山引擎" }, { "word": "奥迪A4L" } ], "context_type": "dialog_ctx", "context_data": [ { "text": "最近一轮助手的回答" }, { "text": "最近一轮用户的提问" }, { "text": "更早一轮助手的回答" }, { "text": "更早一轮用户的提问" } ] } } } ``` **hotwords ** `string` 热词列表直传，用于提升指定词汇的识别准确率。可查询[热词与上下文](https://docs.volcengine.com/docs/6561/2604976?lang=zh)最佳实践了解更多信息 **word** `string` 热词内容 **context_type** `string` 上下文类型，目前仅支持`dialog_ctx` **context_data** `object` 上下文数据列表，用于传入历史对话等语境信息，需要和`context_type`一起使用 **text ** `string` 历史对话文本，帮助模型理解语境，提升识别准确率 **image_url ** `string` 图片 URL，用于提供视觉上下文，辅助理解语音内容 **callback ** `string` 回调地址。示例： ```Python "callback": "http://xxx" ``` **callback_data** `string` 回调信息。 ```Python "callback_data":"$Request-Id" ``` ### 响应 **task_id ** `string` 任务 ID，可通过该 ID 调用识别结果查询接口获取识别结果 **X\-Tt\-Logid ** `string` 服务端返回的 logid，方便定位问题 **X\-Api\-Status\-Code ** `string` 提交任务后服务端返回的状态码 **X\-Api\-Message ** `string` 提交任务后服务端返回的信息，`OK` 表示成功，其他值表示失败

豆包语音