Chinda ASR Realtime

Chinda ASR Realtime 在对方还在说话时就把泰语语音写成文字，适用于实时字幕、呼叫中心和语音输入。通过 WebSocket 发送音频：约每 0.7 秒返回目前为止的句子，说话人停顿后中位 0.66 秒返回完成的句子，90% 在 1 秒内。上线期间免费。

录音，还是实时语音

已有录音？请使用 Chinda ASR Pro v2：准确率更高，标出每位说话人，可接受人名列表，每个文件最长 8 小时。需要在对方说话时就拿到文字？请使用 Realtime。在 TVSpeech 测试集上，Realtime 的字符错误率为 12.95%，Pro v2 为 7.28%。

WSS/v3/store/speech/speech-to-text/realtime-v2试一试

• 价格免费上线期间
• 累计调用130.9K次

• 运行中

登录后即可试用。

注册即获 50 点免费额度，无需绑卡

免费注册登录

连接

打开 wss://api.iapp.co.th/v3/store/speech/speech-to-text/realtime-v2，在 apikey 请求头中带上 API 密钥。浏览器无法为 WebSocket 设置请求头，因此网页可以把密钥放在 URL 中：?apikey=YOUR_API_KEY；条件允许时请从您的服务器连接，因为网页中的密钥可能被复制。

1. 发送一条 JSON 文本消息，包含下列设置，所有字段均可选。
2. 服务器回复 {"type": "ready", "session_id": "..."}。
3. 以二进制消息发送音频：16 位小端 PCM、单声道、16 kHz，每条不超过 1 秒（100 到 200 毫秒为宜），按录制速度发送。
4. 发送期间读取 partial 和 final 消息。
5. 发送文本消息 end。服务器发送最后的句子，然后发送 done 并关闭连接。

language_codestring

默认 th，也是唯一支持的语言。

sample_rateinteger

默认 16000。其他采样率会被拒绝，请在您这边重采样。

encodingstring

默认 pcm_s16le：16 位小端 PCM，单声道。

latency_msinteger

服务在写出文字前等待多少音频：80、320、560（默认）或 1120。越小越快，准确率略低。

end_silence_msinteger

视为句子结束的停顿时长，300 到 3000，默认 700。

{"language_code": "th", "sample_rate": 16000, "encoding": "pcm_s16le", "latency_ms": 560, "end_silence_ms": 700}

消息

partialobject

目前为止的句子。随着音频到来会变化：显示它，然后替换

partial.utteranceinteger

句子编号，从 0 开始

partial.textstring

目前为止所说的内容

partial.startnumber

句子开始的时间，单位为秒，从会话开始计

finalobject

完成的句子，之后不再变化

final.utterancefinal.textfinal.start

同 partial

final.endnumber

句子结束的时间，单位为秒，从会话开始计

final.modelstring

作答的模型版本，如 chinda-asr-realtime-v1

doneobject

end 之后、连接关闭前的最后一条消息

done.audio_secondsnumber

会话中的音频秒数

done.utterancesinteger

句子数

说话人停顿 end_silence_ms，或连续说话 30 秒不停顿时，句子结束。以下消息是本页示例录音的第一句，于 2026 年 11 月 9 日实时发送所得。

{"type": "partial", "utterance": 0, "text": "สวัสดีค่ะชั้น", "start": 0.0}
{"type": "final", "utterance": 0, "text": "สวัสดีค่ะชั้นเสียงผู้ใหญ่ค่ะ", "start": 0.0, "end": 2.68, "model": "chinda-asr-realtime-v1"}
{"type": "done", "audio_seconds": 7.629, "utterances": 2}

错误

错误以 {"type": "error", "code": "...", "message": "..."} 返回，随后连接关闭，BAD_AUDIO 和 BAD_MESSAGE 除外。没有有效密钥时打开 WebSocket，会在升级前收到 HTTP 401。

代码	何时
BAD_CONFIG	第一条消息不是有效的 JSON，或某项设置的值不在上表所列范围内
BAD_AUDIO	二进制消息字节数为奇数，或音频超过 1 秒；该消息被跳过
BAD_MESSAGE	除 end 以外的文本消息
TIMEOUT	打开后 30 秒内未收到设置，或 30 秒没有音频；已发送音频的句子会先返回
TOO_LONG	会话音频达到 4 小时
TOO_FAST	待转写的音频超过 2 分钟：发送速度远快于实时。录音请使用 Pro v2
BUSY	所有实时会话都在使用中，请几秒后重试
ASR_FAILED	内部错误

示例

用 Python 按录制速度发送一个 16 kHz 单声道文件：

import asyncio, json
import numpy as np, soundfile as sf, websockets

async def main(path, key):
    audio, sr = sf.read(path, dtype="float32")          # a 16 kHz mono file, for the example
    pcm = (np.clip(audio, -1, 1) * 32767).astype("<i2").tobytes()
    url = "wss://api.iapp.co.th/v3/store/speech/speech-to-text/realtime-v2"
    async with websockets.connect(url, additional_headers={"apikey": key}) as ws:
        await ws.send(json.dumps({"language_code": "th"}))
        print(await ws.recv())                          # ready

        async def send():
            step = 3200                                 # 100 ms of 16-bit audio
            for i in range(0, len(pcm), step):
                await ws.send(pcm[i:i + step])
                await asyncio.sleep(0.1)                # real time
            await ws.send("end")

        async def receive():
            async for msg in ws:
                ev = json.loads(msg)
                if ev["type"] == "final":
                    print(f'{ev["start"]:7.2f}-{ev["end"]:7.2f}  {ev["text"]}')
                elif ev["type"] == "done":
                    break

        await asyncio.gather(send(), receive())

asyncio.run(main("meeting.wav", "YOUR_API_KEY"))

详情

实测

2026 年 11 月 9 日在生产环境测得，16 个实时会话同时按实时速度发送。准确率指标为字符错误率，越低越好。

指标	结果
目前为止的句子	说话期间约每 0.7 秒一次；第一次约在开始说话后 1.1 秒
完成的句子	说话人停止后中位 0.66 秒；90% 在 1 秒内
TVSpeech，570 条，实时发送	12.95%（同一模型整段转写 12.41%；Pro v2 7.28%）
10 分钟录音，实时发送	7.99%（同一模型整段转写 8.72%）
同时进行的实时会话	上线期间所有客户合计最多 20 个；超出返回 BUSY

实时文字的得分与同一模型整段转写接近，提前写出几乎不损失准确率。Pro v2 是更准确的模型：录音请发送给 Pro v2。

限制

• 泰语语音，16 kHz 16 位单声道 PCM。
• 每个会话最长 4 小时音频。
• 按录制速度发送音频：待转写超过 2 分钟会收到 TOO_FAST。
• 实时语音暂不支持人名列表；录音可在 Pro v2 上使用。
• 英语单词写成泰文。

旧版端点

旧版实时端点 wss://api.iapp.co.th/v3/store/speech/speech-to-text/realtime、/asrx 与 /v1/audio/stt/rt 自 2026 年 11 月 9 日起运行于 Chinda ASR Realtime，协议保持不变：带 is_final 的 SegmentResult 消息，然后发送 {"action": "stop"}，收到一条 SessionResult。上线期间同样免费。有两处变化：

• 仅支持泰语：transcribe_lang 为 en 或 zh 时会收到错误消息，连接随即关闭。
• 说话人字段为空。

新的集成请使用本页介绍的 realtime-v2。

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。