AI 数据湖服务
AI 数据湖服务
算子广场
请输入
- 文档首页
AI 数据湖服务音频音频识别语音转文字(Doubao-录音文件识别)增强版
复制全文
下载 pdf语音转文字(Doubao-录音文件识别)增强版
文档反馈
问问助手LAS 语音转文字（Doubao-录音文件识别）增强版算子基于 Doubao 录音文件识别模型，将音频或视频文件中的语音异步转写为文本。算子支持多种音视频格式、音频降噪、大文件处理和 99 种语言识别，适用于内容审核质检、音视频字幕、语音搜索、课堂分析及会议访谈转写等场景。
算子介绍
算子 ID : las_asr_pro
应用场景
- 内容审核质检：将录音识别为文字，通过质检规则对文本进行分析，及时发现违规内容并干预处理；或对内容进行监控分析，发掘潜在商机。
- 音视频字幕：支持自动将音/视频中的语音、歌词识别转换为文本，一键生成与音视频对应的字幕内容。适用于视频剪辑、视频观看、视频会议等多个场景。
- 课堂内容分析：将课堂录音文件进行识别，通过文字还原课堂场景，分析教学内容，提升教学质量。
- 会议访谈转写：将会议、访谈音频异步识别为文字，自动切分有语音部分识别，降本增效；同时自动分段，有效提升会议内容记录效率。
核心能力
- 多格式音频/视频输入识别：
- 支持单个音频或视频文件输入，视频会自动提取音轨
- 音频前处理增强，提升模型效果：
- 内置音频降噪模块，可有效降低背景噪声对识别的影响，提升录音文件转写的准确率。
- 多语种支持：
- 可自动识别语种或按用户指定语言进行识别。
- 扩充识别语种至 99 种，满足多语种、多区域的音频数据处理需求。
- 字幕与结构化转写：
- 通过 show_utterances 返回分句、分词及毫秒级时间信息，可用于生成字幕时间轴；说话人、声道、语速、音量、情感和性别等附加信息由对应开关控制。
支持的地域
- 北京：cn-beijing
- 上海：cn-shanghai
- 广州：cn-guangzhou
支持的语种
- 当前系统仅对以下目标语种开放完整能力支持：英语（en）、日语（ja）、印尼语（id）、西班牙语（es）、葡萄牙语（pt）、德语（de）、法语（fr）、韩语（ko）、菲律宾语（fil）、马来语（ms）、泰语（th）、阿拉伯语（ar）。
- 若目标语种不在上述列表中，支持扩展支持的其他语种，对于扩展的语种，则仅支持基础转录功能，暂不支持自动标点、语义顺滑、说话人识别、数字规整ITN、热词纠错、多模态视觉识别等功能。
算子性能
细分项 | 性能影响说明 |
最大 RPM | 600 |
最大并发度 | 10 |
耗时 |
|
输入与输出要求
输入要求
细分 | 详细说明 |
支持的输入数据模态 |
|
输入格式：音频 |
|
输入格式：视频 |
|
输入路径要求 | 通过请求参数 url提供给算子输入数据，当前支持公网 URL、TOS 路径这两种方式。
|
输出要求
细分 | 详细说明 |
输出数据模态 |
|
输出路径：API 返回 | 算子处理完成输入的音频文件后，会将转换好的文字直接通过算子 Poll 接口的返回参数将结果返回。 |
计费说明
- 计费标准
- 细分项计费标准说明计费项基于输入音频的时长统计用量进行计费。计费类型按量计费，单位：元/小时，按实际的计费用量每小时出账。计费精度：毫秒级精度，去尾单价与选择使用的模型有关。
- 计费详情
- 计费公式：总费用 = 单价 * 用量
- 细分场景单价
- 语音转文字(Doubao-录音文件识别)增强版
（seedasr）即，请求参数中 resource 设置为 seedasr1.6 元/小时- 语音转文字(Doubao-录音文件识别)增强版
（bigasr）请求参数中 resource 设置为 bigasr4.6 元/小时
注意与前提
细分项 | 注意与前提 |
开通 LAS |
|
费用 | |
鉴权（API Key） | |
BaseURL | 调用算子前，您需要先根据您当前使用的LAS服务所在地域，了解算子调用的BaseURL，用于配置算子调用路径参数取值。 |
Rest API 调用
API 调用说明
- 本算子的 API 为异步任务接口，您需要通过 Submit 接口提交任务获得任务的 task_id，再通过 Poll 接口获取对应任务（task_id）运行状态，并获取算子处理结果。
- 注意，任务提交后，任务的 task_id 有效期为 3 天，超过 3 天后即无法通过此 task_id 来获取算子处理结果。
Submit（提交任务）
接口说明
提交音频链接，并获取服务端分配的任务 ID。
请求参数
operator_id string 必选 示例值: las_asr_pro
算子 ID，固定为 las_asr_pro。
operator_version string 必选 示例值: v1
算子版本，固定为 v1。该值不随底层 ASR 服务版本变化。
data SpeechRecognition 必选
识别任务配置。
user UserConfig Optional
用户相关配置。
uid string Optional 示例值: user_123
业务侧用户唯一标识，可用于请求追踪或效果优化。不建议直接传入明文 IMEI、MAC 等设备标识；建议使用匿名化或哈希后的用户 ID。
audio Audio 必选
音频或视频输入配置。每个任务仅支持一个文件。
url string 必选 示例值: https://example.com/input.wav
音频或视频文件链接。支持公网可访问的 HTTPS URL，也支持当前账号具备访问权限的 TOS 内网路径，例如 tos://bucket-name/path/file。任务执行期间链接必须保持可访问。算子层不限制输入文件大小和时长，每个任务仅支持一个文件。
language string Optional 示例值: en-US
指定识别语种。指定时优先按该语种识别；不传时，enable_multi_language=true 表示自动识别语种，否则使用默认中文模型。完整能力语种包括中文，以及 en-US、ja-JP、id-ID、es-MX、pt-BR、de-DE、fr-FR、ko-KR、fil-PH、ms-MY、th-TH、ar-SA。扩展语种仅支持基础转写，完整 99 语种及语言码以服务实际支持列表为准。
format string 必选 示例值: wav
输入文件容器格式。支持 raw、wav、mp3、ogg、mp4、mov、mkv、flac。视频格式会自动提取音轨进行识别；传入不支持的格式返回 Parameter.Invalid。
codec string Optional 示例值: raw
音频编码格式。可选值为 raw、opus，默认为 raw（PCM）。format 与 codec 必须与源文件一致，不支持的组合返回 Parameter.Invalid。
rate integer Optional 示例值: 16000
音频采样率，单位为 Hz，默认为 16000。
bits integer Optional 示例值: 16
音频采样位深，单位为 bit，默认为 16，当前仅支持 16。
channel integer Optional 示例值: 1
音频声道数。可选值为 1（单声道）和 2（双声道），默认为 1。双声道输入如需区分左右声道，请同时开启 enable_channel_split；通常建议按需开启 vad_segment。
resource string Optional 示例值: bigasr
底层识别资源。可选值：
传入其他值返回 Parameter.Invalid。可用区域、实际价格和计费口径以正式计费说明为准。
- bigasr：默认值，对应语音转文字增强版 V1.0，刊例价 4.6 元/小时，支持配置 model_version。
- seedasr：对应语音转文字增强版 V2.0，刊例价 1.6 元/小时，不支持传入 model_version。
request RequestConfig 必选
识别能力和结果输出配置。
model_name string 必选 示例值: bigmodel
模型名称，当前仅支持 bigmodel。
model_version string Optional 示例值: 400
模型版本。仅当 resource=bigasr 时可配置，可选值为 310、400；不传时默认使用 310。400 模型在识别效果和逆文本规范化（ITN）方面有所优化。当 resource=seedasr 时请勿传入，传入时返回 Parameter.Invalid。
enable_itn boolean Optional 示例值: true
是否开启逆文本规范化（ITN），默认为 true。开启后会将口语数字等转换为更易读的书面形式，例如“一九七零年”转换为“1970年”。扩展语种不保证支持该能力。
enable_punc boolean Optional 示例值: false
是否在识别文本中补充标点，默认为 false。扩展语种仅支持基础转写，不保证返回自动标点结果。
enable_ddc boolean Optional 示例值: false
是否开启语义顺滑，默认为 false。开启后会删除或调整停顿词、语气词和语义重复等不流畅内容。扩展语种不保证支持该能力。
enable_speaker_info boolean Optional 示例值: false
是否返回说话人信息，默认为 false。开启后在 utterances[].additions.speaker 中返回说话人编号；10 人以内效果较好，音量或距离变化明显时不保证区分效果。需同时开启 show_utterances，扩展语种不保证支持该能力。
enable_channel_split boolean Optional 示例值: false
是否区分双声道，默认为 false。仅对双声道输入生效；开启后在 utterances[].additions.channel_id 中返回 1（左声道）或 2（右声道）。需同时开启 show_utterances。
show_utterances boolean Optional 示例值: false
是否返回停顿、分句和分词信息，默认为 false。开启后返回 result.utterances；show_speech_rate、show_volume、说话人、情感、性别和声道等分句附加信息依赖该参数。
show_speech_rate boolean Optional 示例值: false
是否在 utterances[].additions.speech_rate 中返回语速，单位为 token/s，默认为 false。需同时开启 show_utterances。
show_volume boolean Optional 示例值: false
是否在 utterances[].additions.volume 中返回音量，单位为 dB，默认为 false。需同时开启 show_utterances。
enable_lid boolean Optional 示例值: false
是否返回语种识别结果，默认为 false。开启后返回整体语种字段 audio_info.language 和附加语种字段 result.additions.language；语言码格式与 audio.language 一致。
enable_emotion_detection boolean Optional 示例值: false
是否返回情感标签，默认为 false。需同时开启 show_utterances；开启后在分句 additions 中返回 emotion，可选值包括 angry、happy、neutral、sad、surprise。扩展语种不保证支持该能力。
enable_gender_detection boolean Optional 示例值: false
是否返回性别标签，默认为 false。需同时开启 show_utterances；开启后在分句 additions.gender 中返回 male 或 female。扩展语种不保证支持该能力。
vad_segment boolean Optional 示例值: false
是否按语音活动检测（VAD）结果分句，默认为 false；不配置时使用语义分句。双声道识别通常建议开启。
end_window_size integer Optional 示例值: 800
VAD 分句的尾部静音窗口，单位为毫秒，取值范围为 [300, 5000]，建议设置为 800 或 1000。配置该参数后不使用语义分句；值越小分句越碎，值越大越不易分开相邻语句。
sensitive_words_filter string Optional 示例值: {"system_reserved_filter":true,"filter_with_empty":["敏感词A"],"filter_with_signed":["敏感词B"]}
敏感词处理配置，值为序列化后的 JSON 字符串，子字段见 SensitiveWordsFilterJson。不传时不处理并返回原文。
system_reserved_filter boolean Optional 示例值: true
是否使用系统敏感词库。开启后将命中的系统敏感词替换为 *，默认为 false。
filter_with_empty list of string Optional
需要替换为空字符串的自定义敏感词列表，默认为空列表。
filter_with_signed list of string Optional
需要替换为 * 的自定义敏感词列表，默认为空列表。同一词不要同时放入两个自定义列表，以免产生歧义。
enable_poi_fc boolean Optional 示例值: false
是否使用地图领域推荐词辅助识别，默认为 false。可通过 corpus.context 中的 loc_info.city_name 提供地级市信息以提高准确率；loc_info 为可选字段。
enable_music_fc boolean Optional 示例值: false
是否使用音乐领域推荐词辅助识别，默认为 false。
enable_denoise boolean Optional 示例值: false
是否在识别前进行音频降噪，默认为 false。开启后不会单独返回降噪后的音频文件。
enable_multi_language boolean Optional 示例值: true
是否开启多语种识别，默认为 true。未指定 language 时自动识别语种；指定 language 时优先按指定语种识别。扩展语种仅支持基础转写，高级能力字段可能不返回。
corpus Corpus Optional
热词、上下文和领域信息配置。
context string Optional 示例值: {"hotwords":[{"word":"八达岭长城"}]}
序列化后的 JSON 字符串，可用于热词、上下文或领域信息。热词模式最多支持 5000 个热词；上下文模式最多支持 20 轮且总计不超过 800 tokens，超出后按从旧到新的顺序截断，优先保留较新的内容。上下文模式示例：{\"context_type\":\"dialog_ctx\",\"context_data\":[{\"text\":\"我当前在北京市海淀区\"}]}。实际传入时需要对 JSON 中的引号进行转义。
hotwords list of HotwordItem Optional
热词列表，最多 5000 个。用于热词模式时配置。
word string 必选 示例值: 八达岭长城
热词文本。
context_type string Optional 示例值: dialog_ctx
上下文类型。传入对话上下文时设置为 dialog_ctx。
context_data list of ContextItem Optional
上下文内容，按从新到旧的顺序排列，最多 20 轮且总计不超过 800 tokens。
text string 必选 示例值: 我当前在北京市海淀区
单轮上下文文本，可包含对话历史、机器人信息、个性化信息或业务场景信息。
loc_info LocInfo Optional
地图领域信息。与 enable_poi_fc=true 配合使用；不传时仍可调用地图领域推荐词服务，但准确率可能降低。
city_name string Optional 示例值: 北京市
城市名称，粒度为地级市。
callback Callback Optional
任务状态回调配置。配置 callback.url 后，任务状态变化时会向该地址发送 POST 请求；不配置时可通过 Poll 查询任务状态和结果。
url string 必选 示例值: https://example.com/callback
回调地址，默认仅支持公网可访问的 HTTPS 地址。任务执行期间地址必须保持可访问。
返回参数
metadata Metadata
请求元信息
task_id string
异步模式下的任务id。
task_status string
异步模式下的任务状态。
business_code string
业务码
error_msg string
如有异常，会返回详细的异常信息。
request_id string
请求requestid
示例
请求示例
返回示例
Poll（查询结果）
接口说明
通过任务 ID 查询录音转写结果。
请求参数
参数 | 类型 | 必填 | 示例值 | 说明 |
operator_id | string | 是 | las_asr_pro | 算子Id |
operator_version | string | 是 | v1 | 算子版本 |
task_id | string | 是 | | 异步任务Id |
返回参数
metadata Metadata
请求元信息和任务状态。
task_id string 示例值: xxxxx123ef24ea40546c
异步任务 ID，与请求中的 task_id 一致。
task_status string 示例值: COMPLETED
异步任务状态。可选值：
- PENDING：排队中，继续轮询。
- RUNNING：处理中，继续轮询。
- COMPLETED：成功终态，可读取 data。
- FAILED：失败终态，查看 business_code 和 error_msg。
- TIMEOUT：超时终态，查看 business_code 和 error_msg。
submit_time string 示例值: 2026-07-21T16:04:06+08:00
任务提交时间，ISO 8601 时间戳。
end_time string 示例值: 2026-07-21T16:04:10+08:00
任务结束时间，ISO 8601 时间戳；终态任务返回。
business_code string 示例值: 0
业务码。0 表示成功，非 0 表示业务异常。
error_msg string
异常详情；成功时为空字符串。
request_id string 示例值: d204c21f5c7c8f8cfeb85d211b9c20ac
请求 ID，用于问题排查。
data AudioResponse
识别结果。仅当 metadata.task_status=COMPLETED 且 metadata.business_code=0 时返回完整数据；PENDING、RUNNING、FAILED 或 TIMEOUT 状态下不返回或返回空值。失败和超时原因通过 business_code 和 error_msg 获取。
audio_info AudioInfo
输入音频或视频的音轨信息。
duration integer 示例值: 3575
音频时长，单位为毫秒。视频输入时表示提取音轨的时长。
language string 示例值: zh-CN
输入内容的整体识别语种。开启 enable_lid 时返回，语言码格式与 Submit 的 audio.language 一致。
result AudioResult
识别结果。
text string 示例值: 参观八达岭长城。
完整识别文本。未配置 sensitive_words_filter 时返回原文。
utterances list of Utterance
分句和分词信息。仅当 Submit 请求中 show_utterances=true 时返回。
additions Additions
分句级附加信息。仅返回 Submit 请求中已开启的说话人、声道、语速、音量、情感或性别等能力字段。
emotion_degree string
情感强度标签。开启 enable_emotion_detection 且 show_utterances=true 时返回；枚举以实际服务返回为准。
emotion_degree_score string
情感强度得分。返回条件同 emotion_degree，分值范围以实际服务返回为准。
emotion string 示例值: neutral
情感类型。可选值包括 angry、happy、neutral、sad、surprise；开启 enable_emotion_detection 且 show_utterances=true 时返回。
emotion_score string
情感类型得分。返回条件同 emotion，分值范围以实际服务返回为准。
gender string 示例值: male
性别标签，可选值为 male、female。开启 enable_gender_detection 且 show_utterances=true 时返回。
gender_score string
性别识别得分。返回条件同 gender，分值范围以实际服务返回为准。
speech_rate string
语速，单位为 token/s。开启 show_speech_rate 且 show_utterances=true 时返回。
volume string
音量，单位为 dB。开启 show_volume 且 show_utterances=true 时返回。
speaker string 示例值: 1
说话人编号。开启 enable_speaker_info 且 show_utterances=true 时返回；编号用于区分当前任务内的不同说话人。
channel_id string 示例值: 1
声道编号，1 表示左声道，2 表示右声道。双声道输入开启 enable_channel_split 且 show_utterances=true 时返回。
confidence integer 示例值: 0
分句置信度。取值范围和分值含义以实际服务返回为准。
end_time integer 示例值: 2080
分句结束时间，单位为毫秒，相对于输入音频或视频音轨起点。
start_time integer 示例值: 640
分句开始时间，单位为毫秒，相对于输入音频或视频音轨起点。
text string 示例值: 参观八达岭长城。
当前分句的识别文本。
words list of Word
当前分句的分词信息。
confidence integer 示例值: 0
单词置信度。取值范围和分值含义以实际服务返回为准。
blank_duration integer
当前单词前的空白时长，单位为毫秒；服务返回该信息时提供。
end_time integer 示例值: 920
单词结束时间，单位为毫秒，相对于输入音频或视频音轨起点。
start_time integer 示例值: 640
单词开始时间，单位为毫秒，相对于输入音频或视频音轨起点。
text string 示例值: 参
单词文本。
additions RequestAdditions
任务级附加信息；对应能力开启时返回相关字段。
duration string 示例值: 3575
字符串形式的音频时长，单位为毫秒。数值信息也会在 audio_info.duration 中以 integer 类型返回。
language string 示例值: zh-CN
附加语种识别结果。开启 enable_lid 或多语种识别时返回；整体语种同时见 audio_info.language。
示例
请求示例
返回示例
最近更新时间：2026.10.22 19:00:05
这个页面对您有帮助吗？
有用
有用
无用
无用