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标准版任务提交
复制全文
下载 pdf任务提交
文档反馈
问问助手本接口可将音频文件异步转写成文本，最大支持 512 MB且时长不超过 5 小时的音频文件，支持wav、mp3、ogg 格式
说明
- 本文仅介绍 API 参数说明，若需了解录音文件识别各版本的应用场景、功能对比等，请先阅读《接入必读》文档
- 任务通常在 3 小时内完成，如遇任务高峰期可能略有延迟。若超过 3 小时仍未获取到结果，请联系技术支持排查
POSThttps://openspeech.bytedance.com/api/v3/auc/bigmodel/submit
请求头
X-Api-Key string 必选
X-Api-Resource-Id string 必选
请求的模型版本，可选值：
- volc.seedasr.auc：豆包录音文件识别模型 2.0
- volc.bigasr.auc：豆包录音文件识别模型 1.0
说明
豆包录音文件识别模型 1.0 为历史版本，新接入用户请优先选择 2.0；现有 1.0 用户可正常使用，不受影响
X-Api-Request-Id string 必选
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
指定音频声道数，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
ssd_version string
指定说话人分离场景对应的模型版本，可选值如下：
- 200：
- 说话人数量建议不超过5人
- 适用于非会议场景
- 需将enable_speaker_info和show_utterances设置为true
- 300：
- 使用声纹匹配能力
- 适用于长音频会议场景，包括线上会议、录音笔、录音卡、笔记 App 等多人说话场景
- 需将enable_speaker_info和show_utterances设置为true
ssd_mode int
指定说话人分离模式，仅ssd_version：200模型支持该参数。可选值如下：
- 0:普通模式（默认），适用于3分钟以内、说话人数小于5的短音频
- 1:聚类模式，适用于3分钟以上的长音频，如售车、售房、一对多销售等非会议场景
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
show_speech_rate bool
启用分句信息携带语速，默认为false
开启后，系统将在分句 additions 中返回语速信息，单位为 token/s
show_volume bool
启用分句信息携带音量，默认 false
开启后，系统将在分句 additions 中返回音量信息，单位为dB
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）
enable_emotion_detection bool
启用情绪检测，默认为 False
开启后，系统将在分句additions中返回对应的情绪标签。支持的情绪标签如下：
- 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，默认为 False
开启后，系统将在分句additions中返回性别标签（male/female）
enable_age_detectionbool
启用年龄检测，默认为False
开启后，系统将在分句additions中返回说话人的年龄（age），返回值为字符串类型的浮点数
说明
年龄检测是模型基于语音特征对说话人年龄做出的估算，结果仅供参考。实际准确率受录音质量、说话语速、及口音等多种因素影响。
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
仅豆包录音文件识别模型 2.0 支持图片输入。当前限制：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
cURL
Python
Go
输入示例
curl --location --request POST 'https://openspeech.bytedance.com/api/v3/auc/bigmodel/submit' \
--header 'Content-Type: application/json' \
--header 'X-Api-Key: <your_api_key>' \
--header 'X-Api-Resource-Id: volc.seedasr.auc' \
--header 'X-Api-Request-Id: 550e8400-e29b-41d4-a716-446655440000' \
--header 'X-Api-Sequence: -1' \
--data-raw '{
"audio": {
"url": "https://lf3-static.bytednsdoc.com/obj/eden-cn/lm_hz_ihsph/ljhwZthlaukjlkulzlp/console/bigtts/zh_female_cancan_mars_bigtts.mp3",
"format": "mp3",
"codec": "raw",
"rate": 16000,
"bits": 16,
"channel": 1
},
"request": {
"model_name": "bigmodel",
"enable_itn": true,
"enable_punc": false,
"enable_ddc": false,
"enable_speaker_info": false,
"enable_channel_split": false,
"show_utterances": false,
"vad_segment": false,
"sensitive_words_filter": ""
}
}'输出示例
{
"task_id": "df05f566-48e4-42f8-b5fa-d5200ec9e2a4",
"X-Api-Status-Code": "20000000",
"X-Api-Message": "OK",
"X-Tt-Logid": "20260723141803A4A502AB634D0113BC7D"
}最近更新时间：2026.11.02 17:05:10
这个页面对您有帮助吗？
有用
有用
无用
无用