语音识别

音频转文字：分句 + 逐字时间戳，可选说话人区分，按音频时长计费。

POST /v1/audio/transcriptions

curl -X POST https://api.gomiservice.com/v1/audio/transcriptions \
  -H "Authorization: Bearer sk-gomi-你的Key" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "volc-asr",
    "audio_url": "https://example.com/meeting.mp3",
    "request_id": "asr-20261003-0001"
  }'

字段	必填	说明
`model`	是	固定填 `volc-asr`
`audio_url`	是	音频地址，见下
`request_id`	是	幂等键，规则同提交生成：重试复用同一个值，不会重复识别、重复扣费
`params`	否	JSON 字符串，可设识别语言、识别内容、说话人等，见下

语音识别不在 GET /v1/models 的清单里，模型固定是 volc-asr。

音频要求

公网可直接下载的 http(s) 地址，端口限 80 / 443 / 8080 / 8443；内网地址、带鉴权/防盗链的地址都会被拒
文件在本地、没有公网地址：先上传文件，拿返回的 url 填进 audio_url
只收音频：mp3、wav、m4a、aac、flac、ogg 等常见格式。视频请先抽出音轨
单个文件 200 MB、2 小时以内
提交时我们会先把文件下载下来量时长（这一步决定价格），所以大文件的提交请求可能要等几十秒，客户端超时请设到 2 分钟。超时了就用同一个 request_id 重试
地址要在任务结束前一直可用、内容不变：执行时会再从这个地址读一次音频。读到的比提交时量的明显更长，任务会失败（INVALID_REQUEST，点数退还）

参数：params

{ "params": "{\"language\":\"en-US\",\"with_speaker_info\":true}" }

参数	取值	默认	说明
`language`	见下表	`zh-CN`	识别语言
`caption_type`	`speech` / `singing` / `auto`	`speech`	识别内容：只识别说话 / 只识别唱歌 / 两者都识别
`with_speaker_info`	`true` / `false`	`false`	区分说话人：开了之后每句、每个字带 `attribute.speaker`（`"1"`、`"2"`…）
`use_ddc`	`off` / `repeat` / `filler`	`off`	口语平滑标记：`repeat` 标记重复说的字，`filler` 标记语气词。被标记的字带 `extra.smoothed`，静音段是一句空文本、带 `attribute.event: "silent"`
`use_punc`	`true` / `false`	`true`	加标点。只在 `caption_type` 为 `speech` 时生效
`use_itn`	`true` / `false`	`true`	中文数字转阿拉伯数字（「一九七零年」→「1970年」）

布尔参数传 JSON 的 true / false，不是字符串 "true"。不认识的参数会被拒（INVALID_REQUEST），不会静默忽略。

识别语言

值	语言
`zh-CN`（默认）	普通话，含中英混合和常见方言
`yue`	粤语
`wuu`	上海话
`nan`	闽南语
`xghu`	西南官话
`zgyu`	中原官话
`ug`	维吾尔语
`en-US`	英语
`ja-JP`	日语
`ko-KR`	韩语
`es-MX`	西班牙语
`ru-RU`	俄语
`fr-FR`	法语

响应

{
  "task": {
    "task_id": "GMI-XXXXXXXXXXXXX",
    "status": "pending",
    "model": "volc-asr",
    "output_type": "transcription",
    "created_at": 1791000463,
    "urls": [],
    "cost_points": 3
  }
}

提交接口只返回一个任务（不是 tasks 数组）。拿 task_id 去查询任务，到 succeeded 后结果在 transcription 里：

{
  "task": {
    "task_id": "GMI-XXXXXXXXXXXXX",
    "status": "succeeded",
    "output_type": "transcription",
    "cost_points": 3,
    "transcription": {
      "text": "这是一次语音识别测试，看看能不能正常拿到字幕。",
      "duration_ms": 9403,
      "utterances": [
        {
          "text": "这是一次语音识别测试，", "start_ms": 120, "end_ms": 4120,
          "attribute": { "event": "speech" },
          "words": [
            { "text": "这", "start_ms": 120, "end_ms": 360, "attribute": { "event": "speech" } },
            { "text": "是", "start_ms": 360, "end_ms": 520, "attribute": { "event": "speech" } }
          ]
        },
        {
          "text": "看看能不能正常拿到字幕。", "start_ms": 4120, "end_ms": 9403,
          "attribute": { "event": "speech" },
          "words": [ { "text": "看", "start_ms": 4120, "end_ms": 4300, "attribute": { "event": "speech" } } ]
        }
      ]
    }
  }
}

字段	说明
`text`	全文，带标点，数字已转成阿拉伯数字（「一九七零年」→「1970年」）
`duration_ms`	音频时长，毫秒
`utterances`	分句，带起止时间（毫秒），可直接用来做字幕
`utterances[].words`	逐字（英文是逐词）时间戳，总是有，没有就是 `[]`。做卡拉 OK 式高亮、精确剪切点用它
`utterances[].attribute`	厂商给的附加信息。`event` 一直有（`speech` 说话、`silent` 静音段）；开了 `with_speaker_info` 多一个 `speaker`（`"1"`、`"2"`…）。没有就没这个字段
`utterances[].words[].attribute` / `.extra`	字级的附加信息，同上；开了 `use_ddc` 被标记的字带 `extra`，如 `{"smoothed":"repeat"}`

开了 with_speaker_info 的一句长这样：

{
  "text": "你好。", "start_ms": 0, "end_ms": 900,
  "attribute": { "event": "speech", "speaker": "1" },
  "words": [
    { "text": "你", "start_ms": 0, "end_ms": 400, "attribute": { "event": "speech", "speaker": "1" } },
    { "text": "好", "start_ms": 400, "end_ms": 900, "attribute": { "event": "speech", "speaker": "1" } }
  ]
}

attribute / extra 里的字段名是厂商原样，以后厂商多给的也会原样出现在这里。

识别通常很快：几分钟的音频十几秒内出结果，建议 3–5 秒轮询一次
结果体积：带逐字时间戳和附加信息后，1 小时中文约 1MB，2 小时上限约 2MB
用同一个 request_id 重复提交拿回的是原来那个任务，但提交接口的响应里不带识别结果——结果一律从查询任务接口取

计费

按音频时长计费，时长按秒向上取整。提交时量好、当场定价，提交响应里的 cost_points 就是这次的价格
识别失败自动退还

常见错误

code	何时	处理
`AI_AUDIO_URL_UNREACHABLE`	提交时 / 执行时	地址下载不了：过期、404、不是公网地址、下载太慢。`message` 里有具体原因，换一个可直接下载的地址
`AI_AUDIO_INVALID`	提交时 / 执行时	音频本身有问题：不是音频、带视频画面、文件损坏、超过 200 MB 或 2 小时
`INVALID_REQUEST`	提交时	漏了 `audio_url` / `request_id`；`params` 里有不认识的参数或取值不对；或 `request_id` 已经用在一次生图/生视频提交上

全部错误码见错误码。

POST /v1/audio/transcriptions

音频要求

参数：params

识别语言

响应

计费

常见错误

本页目录