中文语音转文字

把中文录音转成文字，按说话人分段并带时间戳。两个档位接受同样的请求、返回同样的响应：Base 每分钟 1 IC，单次录音最长 10 小时，在 AISHELL-1 测试集上字符正确率 97.13%；Pro 每分钟 2 IC，单次录音最长 1 小时，增加按上下文修正的步骤，适合含生僻人名和词汇的录音。

POST/v3/store/speech/speech-to-text/base/zh

另有 1 个端点

试一试

价格1 IC每 60 秒
实测97.13%
累计调用89K次

输入

输出POST /v3/store/speech/speech-to-text/base/zh

output: 2 × text: Transcribed text from segment one. start: 0 end: 5.28 speaker: SPEAKER_00 segment: 0
audio_duration_in_seconds: 60.5
uploaded_file_name: example.mp3
processing_time_in_seconds: 12.34
use_asr_pro: false
asr_pro_is_used: false
iapp: seconds: 60.5

全部字段见“响应”一节其他端点：/zh 见请求

请求

curl -X POST https://api.iapp.co.th/v3/store/speech/speech-to-text/base/zh \
  -H "apikey: YOUR_API_KEY" \
  -F "file=@recording.wav"

响应

200成功。字段在"响应"一节说明。

{
    "output": [
        {
            "text": "Transcribed text from segment one.",
            "start": 0.0,
            "end": 5.28,
            "speaker": "SPEAKER_00",
            "segment": 0
        },
        {
            "text": "Transcribed text from segment two.",
            "start": 5.28,
            "end": 10.56,
            "speaker": "SPEAKER_01",
            "segment": 1
        }
    ],
    "audio_duration_in_seconds": 60.5,
    "uploaded_file_name": "example.mp3",
    "processing_time_in_seconds": 12.34,
    "use_asr_pro": false,
    "asr_pro_is_used": false,
    "iapp": {
        "seconds": 60.5
    }
}

请求

multipart/form-data，每次一个音频文件，发往所选档位的端点。

档位	端点	价格	单次最长
Base	`POST /v3/store/speech/speech-to-text/base/zh`	每 60 秒 1 IC	10 小时
Pro	`POST /v3/store/speech/speech-to-text/pro/zh`	每 60 秒 2 IC	1 小时

请求头

apikeystring必填

您的 API 密钥，在控制台的 API Keys 中创建。

请求体

filefile必填

录音。MP3、WAV、M4A、AAC、AIF、CDA、FLAC、MID、OGG、WebM 或 WMA。

promptstring

提示模板。默认 base。

chunk_sizeinteger

每个处理分块的音频秒数。默认 20。

旧路径 /asr/v3/zh 与 /asr/v3/zh/pro 仍可用，价格相同。

响应

outputarray

全部分段，按说话顺序排列

audio_duration_in_secondsprocessing_time_in_secondsuploaded_file_name

录音长度、耗时、文件名

iappobject

计费信息

use_asr_proasr_pro_is_used

是否请求了 Pro 模型，以及是否实际使用

状态码

代码	含义
400	没有文件，或格式不支持
404	找不到任务
500	处理失败

详情

实测

2026 年 10 月 28 日在生产环境测得，使用两个公开普通话测试集：AISHELL-1（由不在其训练部分中的 20 位说话人朗读的新闻句子）和 FLEURS（由非专业朗读者朗读的维基百科句子）。指标为字符错误率，越低越好。

指标	结果
Base，AISHELL-1 测试集，7,176 条	2.87%，即 97.13% 的字符正确
Base，AISHELL-1 中无一字错误的语音	74.7%
Base，FLEURS 普通话测试集，945 条	10.58%
Base，其中全部以汉字书写的 654 条 FLEURS	3.43%
Pro 对比 Base，同一批 300 条 AISHELL-1	4.04% 对 2.87%
Pro 对比 Base，同一批 150 条 FLEURS	11.10% 对 12.51%
经 API 的中位耗时，Base，音频 4.6 秒	1.25 秒

FLEURS 的错误大多来自说话人并未照字读出的参考文本：外国人名另附拉丁字母写法，数字写成阿拉伯数字。Pro 在 FLEURS 上降低了错误率，在 AISHELL-1 的朗读新闻上则提高了错误率：这 300 条结果中，有 3 条把数字写成阿拉伯数字，2 条夹杂繁体字，1 条返回了英语译文。录音含生僻人名和词汇时请选用 Pro；若应用只接受简体字，请先转换 Pro 的文字。方法与各测试集结果：基准测试报告 (PDF)。

限制

中文语音。Base 每次请求最长 10 小时，Pro 最长 1 小时。

数据处理

依 PDPA 与 GDPR 取得同意并告知当事人，由作为数据控制者的您负责。

请求​

响应​

详情​

请求

响应

详情