文档中心

豆包语音

接入必读

流式语音识别

功能说明

说明

阅读本文前，请先确保已在控制台开通流式语音识别2.0服务

流式语音识别2.0服务提供将音频转写为文本的能力。针对不同场景需求，提供以下两种接口：

一句话识别：模型等一句话说完后再返回该句的确定文本，显示稍慢但结果更稳定。适用于准确率优先、多语种或无需实时上屏的场景

实时语音识别：模型在接收语音的同时显示识别文字。适用于会议字幕、直播字幕、智能外呼等对响应速度要求较高的场景

对比项	一句话识别 bigmodel_nostream	实时语音识别 bigmodel_async
结果返回方式	一句话结束后返回稳定结果	说话过程中持续返回增量结果
核心特点	准确率优先一句话判停并识别完成后返回首文本稳定返回分句结果	低延迟优先说话过程中持续返回文本中间结果可能随后续音频更新
语言种类	支持多语种，含常用语种、欧洲语种、亚洲语种（详见下方列表）	中文（普通话 / 粤语 / 闽南语 / 四川话 / 陕西话 / 山西话 / 上海话 / 客家话 / 冀鲁官话 / 兰银官话 / 江淮官话）、英语
适用场景	输入法、消息语音转写、命令识别、多语种识别	会议字幕、直播字幕、智能外呼、实时对话
流式分句识别语种列表：常用语种：中文（普通话 / 粤语 / 闽南语 / 四川话 / 陕西话 / 山西话 / 上海话 / 客家话 / 冀鲁官话 / 兰银官话 / 江淮官话）、英语、法语、俄语、西班牙语、阿拉伯语欧洲语种：德语、葡萄牙语、意大利语、希腊语、荷兰语、乌克兰语、波兰语、罗马尼亚语亚洲语种：日语、韩语、尼泊尔语、越南语、泰语、菲律宾语、马来语、印尼语、土耳其语、孟加拉语

选型建议

优先选择一句话识别：需要多语种能力，或业务只消费句级稳定结果

优先选择实时语音识别：如果用户说话后需要尽快看到第一个字，并且应用可以用新结果覆盖屏幕上的临时文字

交互流程

建立连接：客户端发起 WebSocket 连接

发送初始化请求：客户端发送完整请求，包含携带鉴权信息、Resource ID、音频格式及附加参数等，详细请参考接口文档中的参数说明

确认初始化结果：服务端返回首个响应。若初始化成功，客户端进入音频发送阶段；若失败，客户端应记录错误码、请求标识和关键配置，关闭连接或按策略重试，错误码含义请参考：错误码查询

持续发送音频流：按实时音频节奏持续发送音频包，每包时长建议 100~200 ms，发包间隔建议 100~200 ms

持续接收识别结果：服务端在处理音频的过程中持续返回识别结果。客户端可根据 result_type 判断是全量结果还是增量结果，并结合 definite更新临时文本或提交稳定分句

发送最后一包音频：客户端发送携带结束标志（负包：sequence为负值）的最后一包音频

接收尾部结果和最终包：客户端继续接收剩余识别结果，确认收到最终包（is_last_package=true）后，客户端再主动关闭连接

说明

为保证较好的响应速度和识别准确率，建议每隔 200 ms 发送一个时长为 200 ms 的音频包

音频发送和结果接收是并行过程。客户端收到最后一包音频后立即断开连接，可能丢失尾部识别结果

客户端最后一包音频只表示“音频发送完毕”，不代表服务端结果已全部返回

FAQ

Q1：definite字段有什么含义？

字段说明

definite用于标识当前分句识别结果是否已稳定

false：表示当前结果为临时结果，分句未定稿，后续可能被新的识别结果覆盖或修正

true：表示当前结果为最终结果，分句已定稿，不会再被后续结果修改

场景说明

服务端首先返回实时流式识别结果，此时 definite = false，表示结果尚未最终定稿

系统通过检测连续静音时长是否达到 end_window_size 设定值，判断一句话是否说完：

未开启 enable_nonstream：判定一句话说完后，直接返回 definite = true，该句结果为最终稳定结果

开启 enable_nonstream：判定一句话说完后，系统会对这一小段音频重新识别，用更精准的结果替换之前实时显示的文字，最终返回definite=true

注意事项

definite = false 的结果适用于实时展示，定稿前可能受后续音频影响而修改结果

definite = true的结果表示当前分句已定稿，适用于需要稳定结果的场景

Q2：Result_type 取值 full 和 single 有什么区别？

字段说明

result_type 用于控制服务端返回识别结果的组织方式

full：每次都会重复返回“目前为止的全部文字”，每次返回的结果表示从句子开头到当前时刻已识别出的完整内容，后一包为前一包的累计扩展。以用户说“今天天气真不错。明天也很好。”为例：

包序号	返回结果	definite状态
1	今	false
2	今天	false
3	今天天气	false
5	今天天气真不错。	true
6	今天天气真不错。明天	true：今天天气真不错。 false：明天
7	今天天气真不错。明天也很好。	true：今天天气真不错。 true：明天也很好。

single：每次只返回当前一句，每次返回的结果表示当前正在识别的单个分句，中间结果可能被修正，并通过 definite 字段标识该分句是否已定稿（definite 含义见 Q1）。以用户说“今天天气真不错。明天也很好。”为例：

包序号	返回结果	definite状态
1	今	false
2	今天	false
3	今天天气	false
4	今天天气真不错。	true
5	明天	false
6	明天也很好。	true

取值建议

full：适合只关注最终整句结果、无需精细控制中间态的场景

single：适合实时字幕等需要按分句逐句上屏、并区分草稿与定稿的场景，可配合 definite 实现“草稿覆盖 + 定稿提交”的展示效果

最近更新时间：2026.09.29 13:48:00

这个页面对您有帮助吗？

有用

无用