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-Seed-2.0-lite)增强版
复制全文
下载 pdf语音转文字(Doubao-Seed-2.0-lite)增强版
文档反馈
问问助手LAS语音转文字(Doubao-Seed-2.0-lite)增强版算子结合音频与基础转写，使用 Doubao-Seed-2.0-lite 修正专有名词、数字、标点及识别错误。支持自动识别后精修，也支持传入已有转写直接精修；音频、视频和裸 PCM 均可作为输入。
算子介绍
算子 ID : las_asr_seed-2-0-lite
应用场景
- 会议访谈转写：将会议、访谈音频异步识别为文字并精修，提升专有名词与术语的准确率，自动分段，提升记录效率。
- 播客与课程转写：对长音频进行高质量转写与精修，适合内容沉淀与二次创作。
- 音视频字幕：自动将音/视频中的语音识别转换为带时间戳的字幕，并通过精修提升可读性。
- 内容审核质检：将录音识别为文字并精修后，结合质检规则进行分析。
核心能力
- 多模态精修：
- 在基础识别结果之上，调用 Doubao-Seed-2.0-lite 多模态模型，对专有名词、数字、标点、语义连贯性进行纠正与补全，显著提升转写文本质量。
- 精修失败时可回退基础 ASR 结果，保证可用性。
- 多格式音频/视频输入识别：
- 支持音频与视频文件输入，自动提取视频音轨进行识别。
- 支持通过采样率、编码、位深和声道数描述裸 PCM 音频。
- 已有转写精修：
- 可通过已有转写（asr_result）提供分句或完整 LAS 成功响应，配合原音频直接精修，避免重复执行基础识别。
- 丰富的识别能力：
- 支持文本规范化（ITN）、自动标点、语义顺滑（DDC）、说话人分离。
- 热词与敏感词：
- 支持热词直传与热词表增强，热词同时进入底层 ASR 与精修 Prompt。
- 支持敏感词保护：系统脱敏内容可不送精修模型，并支持自定义置空/星号替换。
支持的地域
地域 | region id | Base URL |
华北 2 （北京） | cn-beijing | https://operator.las.cn-beijing.volcesbytepluses.com |
华东 2 （上海） | cn-shanghai | https://operator.las.cn-shanghai.volces.com |
华南1（广州） | cn-guangzhou | https://operator.las.cn-guangzhou.volces.com |
支持的语种
说明
建议显式传入 audio.language。若未传语种，代码默认走 SeedASR 资源；精修阶段会优先使用显式语种，其次使用 SeedASR 返回的 lid_lang，仍未知时默认回退为 zh 进行精修。若语种不受精修模型支持，则跳过精修，仅返回基础识别结果。
语种 | 是否支持精修 |
阿拉伯语（ar） | ✓ |
德语（de） | ✓ |
俄语（ru） | ✓ |
法语（fr） | ✓ |
菲律宾语（fil） | ✓ |
韩语（ko） | ✓ |
荷兰语（nl） | ✓ |
马来语（ms） | ✓ |
葡萄牙语（pt） | ✓ |
日语（ja） | ✓ |
泰语（th） | ✓ |
土耳其语（tr） | ✓ |
西班牙语（es） | ✓ |
英语（en） | ✓ |
印尼语（id） | ✓ |
意大利语（it） | ✓ |
越南语（vi） | ✓ |
中文（zh） | ✓ |
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/视频 |
|
已有转写 |
|
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使用当前算子时，会默认使用精修模型对语言识别结果进行精修，因此，计费项包含语音识别、结果精修两部分：
- 语音识别：基于输入音频/视频的时长统计用量进行计费，单位：元/小时
- 结果精修：按精修模型（Doubao-Seed-2.0-lite）的 token 用量计费，单位：元/百万tokens。
最终费用为两部分费用之和。计费类型按量计费，按实际的计费用量每小时出账。计费精度：毫秒级精度，去尾单价与使用的模型有关。
- 计费详情
- 计费公式：总费用 = 语音识别费用 + 精修费用 = (语音识别单价 * 音频时长）+（精修的梯度单价 * 模型用量）
- 语音识别单价：
- 语音识别模型单价Seed-ASR 2.0 增强版1.6 元/小时
- 精修单价：
-
- 计费示例
- 示例场景：输入了一个 3 分钟的视频，使用当前算子对语音进转文字，处理结果中显示模型用量结果如下。
-
- 费用详情：
- 语音识别费用：
- 语音识别费用 = 1.6 元/小时 * （3/60）小时 = 0.08 元
- 精修费用：
- 模型输入 Token 用量（prompt_tokens）为：2015，在[0, 32] 千 token 阶梯内。
- 缓存相关 Token 均为 0，因此，不涉及缓存相关费用。
- 文本输入 Token 用量（prompt_tokens - audio_tokens）为：2015 - 814 = 1198。
- 音频输入 Token 用量（audio_tokens）：814。
- 输出 Token 用量（completion_tokens）：6429。
- 因此：
-
- 总费用 = 语音识别费用 + 精修费用 = 0.08 元 + 0.239 元 = 0.319 元
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
语音转文字(Doubao-Seed-2.0-lite)增强版算子调用为异步接口，处理流程分为 提交任务 和 查询结果 两个阶段。您需要先创建语音识别任务，再通过任务 ID 查询识别结果。
API 调用说明
- 本算子的 API 为异步任务接口，您需要通过 提交任务 接口提交任务获得任务的 task_id，再通过 查询结果 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。
提交任务
接口说明
提交音频或视频链接，并获取服务端分配的任务 ID。本算子默认开启 Doubao-Seed-2.0-lite 多模态精修。支持裸 PCM 音频，也可通过 asr_result 提供已有转写直接精修；外部转写仍须提供对应的原音频。
请求参数
operator_id string 必选 示例值: las_asr_seed-2-0-lite
算子Id
operator_version string 必选 示例值: v1
算子版本
data SpeechRecognition 必选
请求数据
user UserConfig Optional
用户相关配置
uid string Optional
用户标识，建议采用 IMEI 或 MAC。
audio Audio 必选
音频相关配置，输入的音频统一采用 ffmpeg 转成16K 单声道wav格式。
url string 必选
音频或视频文件链接，服务端必须可下载。支持公网 https url 与 tos 内网路径。
language string Optional 示例值: zh
音频语种（ISO 639-1，如 zh/en/ja）。为保证精修质量，强烈建议显式指定。
精修支持语种：zh/en/yue/ar/nl/vi/fr/de/id/it/ja/ko/ms/pt/ru/es/th/tr/fil。语种未知或不在支持列表时仅返回基础识别结果。
format string Optional 示例值: pcm
输入格式，例如 wav、mp3、pcm。裸 PCM 建议传 pcm；未指定时，URL 路径以 .pcm 结尾也按 PCM 处理。也可使用 raw 或受支持的裸 PCM 编码名。
codec string Optional 示例值: pcm_s16le
裸 PCM 编码，支持 pcm_u8、pcm_s8、pcm_s16le/be、pcm_s24le/be、pcm_s32le/be、pcm_f32le/be、pcm_f64le/be，以及去掉 pcm_ 前缀的短名称。默认 pcm_s16le。
rate integer Optional 示例值: 16000
裸 PCM 采样率，范围 1～384000 Hz，默认 16000。
bits integer Optional 示例值: 16
裸 PCM 位深，必须与编码一致；省略时使用编码位深，否则默认 16。64 位输入需要显式指定浮点编码。
channel integer Optional 示例值: 1
裸 PCM 声道数，范围 1～8，默认 1。PCM 不包含文件头，这些参数必须与实际音频一致；非 PCM 文件不使用这些元数据。
asr_result AsrResult Optional
已有转写。支持简化形式或完整 LAS 成功响应，两种形式不能在同一级混用；省略或传 null 时执行基础识别。内部已定义字段不能传 null，可选字段请省略。
utterances array of ExternalUtterance Conditional
简化形式必填，包含 1～9000 条分句。开始时间和结束时间分别非递减，允许重叠，不自动排序；不能与同级 data 同时出现。
text string 必选
非空、非纯空白的单行分句文本，不能包含 NUL 或换行控制符。
start_time integer 必选 示例值: 0
从原音频开头起算的绝对毫秒，必须是非负整数。
end_time integer 必选 示例值: 1000
必须是大于 start_time 的整数，且不得超过实测音频时长加 10 ms。
speaker string Optional 示例值: 1
数字字符串，不允许前导零或 spk 前缀，默认 1。
additions ExternalUtteranceAdditions Optional
分句附加信息。
speaker string Optional 示例值: 1
规则同分句 speaker；两处同时提供时必须一致。
text string Optional
简化形式的基础转写全文；省略时拼接分句文本。
additions ExternalResultAdditions Optional
简化形式的语言信息。
lid_lang string Optional 示例值: speech_en
LAS 语言标签，例如 speech_mand、speech_en；显式设置的 audio.language 优先。
segments array of object Optional
简化形式的附加分段，不能代替 utterances。
data ExternalAsrData Conditional
完整响应形式必填，不能与同级 utterances 混用。
result ExternalAsrResult 必选
外部基础转写。
utterances array of ExternalUtterance 必选
包含 1～9000 条分句，字段和排序规则与简化形式一致。
text string Optional
基础转写全文；省略时拼接分句文本。
additions ExternalResultAdditions Optional
语言信息，字段规则与简化形式一致。
segments array of object Optional
附加分段，不能代替 utterances。
audio_info ExternalAudioInfo Optional
源响应音频信息；其中 duration 不作为计费时长。
duration integer Optional 示例值: 1000
非负整数，单位毫秒；实际时长以输入音频实测值为准。
language string Optional 示例值: zh
源响应音频语言；精修语言建议通过 audio.language 或 result.additions.lid_lang 指定。
metadata ExternalAsrMetadata Optional
完整响应形式的成功状态信息。
business_code string Optional 示例值: 0
提供时只能为字符串 0。
task_status string Optional 示例值: COMPLETED
提供时只能为 COMPLETED。
request RequestConfig Optional
请求相关配置
enable_itn boolean Optional 示例值: true
默认为 true。文本规范化（ITN），将口语化数字转为书面形式，例如“一九七零年”->“1970年”。
enable_punc boolean Optional 示例值: true
启用标点。
enable_ddc boolean Optional 示例值: true
语义顺滑（DDC），删除或修改停顿词、语气词、语义重复词等不流畅内容，提升可读性。默认为false。
enable_speaker_info boolean Optional 示例值: true
开启后可返回说话人信息，10 人以内效果较好。
end_window_size integer Optional 示例值: 800
范围 300 - 5000ms，建议设置 800ms 或 1000ms。配置该值后根据静音时长来分句，不使用语义分句。
sensitive_words_filter string Optional
敏感词过滤配置（JSON 字符串）。支持不处理(默认)、过滤为空、替换为 *。字段：system_reserved_filter（系统敏感词替换为 *，含 * 的内容不送精修模型并原样合并）、filter_with_empty（精修后替换为空的词列表）、filter_with_signed（精修后替换为同长度 * 的词列表）。
"sensitive_words_filter":"{\"system_reserved_filter\":true,\"filter_with_empty\":[\"删除词\"],\"filter_with_signed\":[\"签名词\"]}"
enable_poi_fc boolean Optional 示例值: false
对于识别困难的词语，调用专业的地图领域推荐词服务辅助识别。可配合 corpus.context 传入 loc_info。
enable_music_fc boolean Optional 示例值: false
对于识别困难的词语，调用专业的音乐领域推荐词服务辅助识别。
corpus Corpus Optional
热词或上下文用于精修；未提供 asr_result 时也用于基础识别。
boosting_table_name string Optional
热词增强词表名称，用于引用预先创建的词表。
context string Optional
热词或上下文（JSON 字符串）。推荐对象数组格式，例如 "context":"{\"hotwords\":[{\"word\":\"火山引擎\"},{\"word\":\"Doubao\"}]}"。
callback string Optional
异步任务完成后的回调地址
callback_data string Optional
回调时原样回传的自定义数据
返回数据
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
以下示例通过裸 PCM 原音频和已有分句直接发起精修：
错误码
查询结果
接口说明
通过任务 ID 查询语音转写与精修结果。
请求参数
名称 | 类型 | 是否必选 | 示例值 | 描述 |
operator_id | string | 是 | las_asr_seed-2-0-lite | 算子Id |
operator_version | string | 是 | v1 | 算子版本 |
task_id | string | 是 | | 异步任务Id |
返回数据
metadata Metadata
请求的元信息，异步任务的id在其中的task_id字段下。
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。
- PENDING, 提交任务排队
- RUNNING, 正在运行
- COMPLETED, 已经完成
- FAILED, 失败
- TIMEOUT, 超时
submit_time string 示例值: 2026-07-21T16:04:06+08:00
任务提交时间，格式为 ISO 8601 时间戳。
end_time string 示例值: 2026-07-21T16:04:06+08:00
任务结束时间，格式为 ISO 8601 时间戳。
business_code string
业务码（如 0 表示成功，非 0 表示具体错误）。
error_msg string
如有异常，会返回详细的异常信息。
request_id string
请求requestid
data AudioResponse
返回的音频识别与精修结果。
audio_info AudioInfo
音频信息
duration integer
音频时长，单位毫秒
language string
音频语种
result AudioResult
音频识别与精修结果
text string
识别出的文本内容
utterances list of Utterance
语音停顿、分句、分词信息
additions Additions
额外信息，如说话人等
speaker string
说话人
end_time integer
结束时间
start_time integer
起始时间
text string
该部分文本内容
words list of Word
单词相关信息
end_time integer
单词结束时间
start_time integer
单词起始时间
text string
单词文本
segments array 示例值: []
底层 segments，通常为空数组
metrics list of Metric
计费指标数组，当前主要为 DURATION_MS
name string 示例值: DURATION_MS
指标名称
value integer 示例值: 10320
指标值，当前为音频时长 ms
token_usages list of TokenUsage
精修模型 token 用量，用于 Seed-2.0 Lite token 计费；未执行精修时为空数组
task_info string 示例值: refine_chunk_001
token 归属任务
model_name string 示例值: doubao-seed-2-0-lite-260428
精修模型名称
token_usage TokenUsageDetail
token 用量明细，用于区分输入、输出、缓存命中、音频输入等计费项
prompt_tokens integer
输入 token 数，prompt_tokens 等于音频输入 tokens 与文本输入 tokens 之和。
completion_tokens integer
输出 token 数
total_tokens integer
总 token 数
cached_tokens integer
输入缓存 token 数
audio_tokens integer
音频 token 数
audio_cached_tokens integer
音频缓存 token 数
reasoning_tokens integer
reasoning token 数
refine_info RefineInfo
精修执行信息
mode string 示例值: on
请求 refine 模式
enabled boolean 示例值: true
本次是否实际执行精修
status string 示例值: SUCCESS
精修状态：SUCCESS / SKIPPED / FALLBACK
reason string
跳过、回退或失败原因
model_name string 示例值: doubao-seed-2-0-lite-260428
精修成功时返回模型名
strategy string 示例值: utterance_dynamic_chunk
精修分块策略
chunk_count integer 示例值: 1
实际 refine chunk 数
warnings list of string
参数覆盖、token 超限等提示
resource string 示例值: seedasr
实际使用的底层 resource
示例
请求示例
返回示例
错误码
HttpStatusCode | 错误码 | 错误信息 | 描述 |
400 | Parameter.Invalid | The parameter is invalid. | 参数不合法 |
401 | Authorization.Missing | Missing Authorization. | 缺少鉴权 |
401 | ApiKey.Invalid | The api key is invalid. | API不合法 |
429 | Server.Busy | Server is Busy, please try again later. | 服务端繁忙限流 |
500 | Server.InternalError | 根据具体异常而定 | 业务异常 |
最近更新时间：2026.11.05 11:46:59
这个页面对您有帮助吗？
有用
有用
无用
无用