英语语音转文字

把英语录音转成文字，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 LibriSpeech test-clean 测试集上词正确率 98.07%；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/en

另有 1 个端点

试一试

价格1 IC每 60 秒
实测98.07%
累计调用59.3K次

输入

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

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：/en 见请求

请求

curl -X POST https://api.iapp.co.th/v3/store/speech/speech-to-text/base/en \
  -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/en`	每 60 秒 1 IC	10 小时
Pro	`POST /v3/store/speech/speech-to-text/pro/en`	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/en 与 /asr/v3/en/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，使用公开的英语朗读测试集：LibriSpeech test-clean 与 test-other（有声书）以及 FLEURS（由非专业朗读者朗读的维基百科句子）。指标为词错误率，越低越好。

指标	结果
Base，LibriSpeech test-clean，2,620 条	1.93%，即 98.07% 的词正确
Base，LibriSpeech test-other，2,939 条	3.63%
Base，FLEURS 英语测试集，647 条	5.62%
Base，test-clean 中无一词错误的语音	77.0%
Pro 对比 Base，同一批 200 条 test-clean	1.67% 对 1.54%
Pro 对比 Base，同一批 100 条 FLEURS	5.64% 对 6.08%
经 API 的中位耗时，Base，音频 5.2 秒 / 22.7 秒	1.17 秒 / 1.70 秒

在有声书语音上，Pro 与 Base 没有可测出的差异；在人名和专业词更多的 FLEURS 上，Pro 降低了错误率。录音含生僻人名和词汇时请选用 Pro。三个测试集都是朗读语音，且 LibriSpeech 的音频可能出现在本服务的训练数据中；对话、电话录音和专业领域词汇未经测量，错误率会更高。方法与各测试集结果：基准测试报告 (PDF)。

限制

英语语音。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