豆包语音
豆包语音
API参考
请输入
- 文档首页
豆包语音语音识别大模型录音文件识别录音文件识别极速版
复制全文
下载 pdf录音文件识别极速版
文档反馈
问问助手本接口提供录音文件转文本能力。上传音频文件后同步返回完整识别结果，无需轮询查询接口。最大支持 100MB 且不超过 2 小时的音频文件，支持wav、mp3、ogg opus格式
说明
POST https://openspeech.bytedance.com/api/v3/auc/bigmodel/recognize/flash
请求头
X-Api-Resource-Id string 必选
请求的模型版本，可选值：volc.bigasr.auc_turbo
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
指定音频链接
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-RO
- 尼泊尔语：ne-NP
- 乌克兰语：uk-UA
- 粤语：yue-CN
说明
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、冀鲁官话、兰银官话、江淮官话
format string 必选
指定音频格式
可选值：wav / mp3 / ogg / spx / amr / aac / m4a
codec string
指定音频编码格式，默认为raw（pcm）
可选值：raw / opus
rate int
指定音频采样率，默认值为 16000
bits int
指定音频采样点位数，默认值为16
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
指定模型名称，目前仅支持 bigmodel
enable_itn bool
启用将语音识别结果转换为规范的书面格式，默认为true
开启后，系统会将语音里口语化的数字、金额及日期等自动转成阿拉伯数字和符号形式，使文本更简洁、更易读
效果示例:
- "一九七零年" → "1970 年"
- "一百二十三美元" → "123 美元"
enable_punc bool
启用标点，默认为true
开启后，系统会在识别结果中添加逗号、句号、问号等标点符号，提升文本可读性
enable_ddc bool
启用语义顺滑，默认为 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
启用双声道识别，默认为false
开启后，返回结果中将以 channel_id 标记声道
1 :左声道
2 :右声道
show_utterances bool
启用输出分句、分词、说话人及语音停顿信息，默认为false
enable_auto_lang bool
启用自动识别语种，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
启用中英文及方言识别，默认 false
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
开启后，系统将在 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）
vad_segment bool
语音活动检测 (VAD) 分句参数，默认为false。开启后系统将根据VAD规则进行分句，否则根据语义进行分句
说明
- 当enable_channel_split设置为true时，建议使用语义分句，即将vad_segment设置为false
- 若同时配置了end_window_size，此参数不生效
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。默认值为 800
范围：[300,5000]
推荐值：[800,1000]
sensitive_words_filter string
启用敏感词过滤功能。开启后，可对识别结果中的敏感词做屏蔽或替换处理
示例
system_reserved_filter bool
启用系统内置敏感词库，默认为false，启用后，命中的系统敏感词会被替换为 *
filter_with_empty string
设置需替换为空字符串的自定义敏感词列表
filter_with_signed string
设置需替换为 * 的自定义敏感词列表
enable_poi_fc bool
启用 POI Function Call，默认为false，启用后可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：
enable_music_fc bool
启用 Music Function Call，默认为false，开启后，对于语音识别困难的词语，能调用专业的音乐领域推荐词服务辅助识别
corpus object
配置语境词典，可自定义配置热词、替换词和上下文信息，配置后可提高特定语境下的词语识别准确率
说明
- 使用该能力时，不支持同时设置enable_auto_lang参数
- 热词总长度不得超过5000词（含context直传热词与热词表热词）。当热词总长度超过5000词时，系统按热词传入顺序从前向后截断，仅前5000热词生效
- 热词属于提示性参数，用于引导模型优先识别特定词汇，但并非强制约束。模型会在识别过程中优先考虑热词，但受语音清晰度、语境等多种因素影响，不保证所有热词都能 100% 正确转写
- 识别效果与热词的选词策略、上下文信息有关，为达到最佳效果建议根据热词与上下文最佳实践配置热词和上下文
boosting_table_name string
boosting_table_id string
说明
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
correct_table_id string
说明
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
context string
上下文功能。在识别请求中传入辅助上下文信息，帮助模型结合语境提升识别准确率。支持传入热词、对话历史、场景描述等多种类型的上下文信息
说明
- 使用该能力时，不支持同时设置enable_auto_lang参数
- 实际传参时 context 需序列化为 JSON 字符串传入，如："context": "{\"hotwords\":[{\"word\":\"自定义热词A\"},,\"context_type\":\"dialog_ctx\",\"context_data\":[{\"speaker\":\"bot\",\"text\":\"最近一轮助手的回答\"}"
- 上下文最大支持上传500 tokens；超出限制时，按时间顺序保留最新内容，截断最早的历史对话
- 识别效果与热词的选词策略、上下文信息有关，为达到最佳效果建议根据热词与上下文最佳实践配置热词和上下文
示例：
hotwords string
热词列表直传，用于提升指定词汇的识别准确率
word string
热词内容
说明
- 热词属于提示性参数，用于引导模型优先识别特定词汇，但并非强制约束。模型会在识别过程中优先考虑热词，但受语音清晰度、语境等多种因素影响，不保证所有热词都能 100% 正确转写
- 识别效果与热词的选词策略、上下文信息有关，为达到最佳效果建议根据热词与上下文最佳实践配置热词
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，需同时配置context_type
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
说明
最多传入 1 张图片，单张大小不超过 500 KB，支持格式为 jpeg /jpg/png
callback string
指定回调地址
示例：
callback_data string
指定回调信息
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
result list
识别结果，识别成功后返回
text string
音频识别结果文本，识别成功后返回
utterances string
语音分句信息。满足以下条件时返回：
- 请求参数show_utterances设置为true
- 识别成功
text string
语音文本内容。满足以下条件时返回：
- 请求参数show_utterances设置为true
- 识别成功
start_time int
起始时间（毫秒）
end_time int
结束时间（毫秒）
cURL
Python
Go
输入示例
curl -X POST "https://openspeech.bytedance.com/api/v3/auc/bigmodel/recognize/flash" \
-H "Content-Type: application/json" \
-H "X-Api-Key: <your_api_key>" \
-H "X-Api-Resource-Id: volc.bigasr.auc_turbo" \
-H "X-Api-Request-Id: $(uuidgen)" \
-H "X-Api-Sequence: -1" \
-d '{
"audio": {
"url": "<audio_file_url>"
},
"request": {
"model_name": "bigmodel",
"enable_itn": true,
"enable_punc": true,
"enable_ddc": true,
"show_utterances": true
}
}'输出示例
{
"headers": {
"X-Api-Status-Code": "20000000",
"X-Api-Message": "OK",
"X-Tt-Logid": "20260728145300B323FC3A93347A7A5617"
},
"body": {
"audio_info": {
"duration": 6312
},
"result": {
"additions": {
"duration": "6312"
},
"text": "刚刚还在想你怎么还不来找我聊天，你就来了，真是心有灵犀啊。",
"utterances": [
{
"additions": {
"channel_id": "1",
"speaker": "1"
},
"start_time": 480,
"end_time": 5880,
"text": "刚刚还在想你怎么还不来找我聊天，你就来了，真是心有灵犀啊。",
"words": [
{
"confidence": 0,
"start_time": 480,
"end_time": 600,
"text": "刚"
},
{
"confidence": 0,
"start_time": 680,
"end_time": 800,
"text": "刚"
},
{
"confidence": 0,
"start_time": 800,
"end_time": 960,
"text": "还"
},
{
"confidence": 0,
"start_time": 960,
"end_time": 1120,
"text": "在"
},
{
"confidence": 0,
"start_time": 1120,
"end_time": 1440,
"text": "想"
}
]
}
]
}
}
}最近更新时间：2026.11.02 17:05:39
这个页面对您有帮助吗？
有用
有用
无用
无用