Chinda ASR 泰语语音转文字

Chinda ASR Pro v2 把泰语录音转成文字，按说话人分段并带时间戳，并标出每位说话人（SPEAKER_00、SPEAKER_01 等）。在 Common Voice 17.0 泰语测试集中句子不在其训练数据里的 3,539 条上，字符正确率为 97.94%；每次请求最长 8 小时音频。通过 vocabulary 发送的人名和术语按您的拼写写出。同一端点也可转写英语和中文（language_code 为 en 或 zh）。需要在对方说话时就拿到文字，请使用 OpenThai ASR Realtime。

Pro v2 价格，以及 Base 和 Pro 停用

Pro v2 上线期间免费，至 2026 年 11 月 30 日。自 2026 年 12 月 1 日起按音频每秒 0.003 IC 计费，按实际秒数计算：每小时音频 10.8 IC，约合 13.5 泰铢。同日起也可选择月度套餐：Transcribe S、M、L 每月分别含 18、70、320 小时音频，价格为 199、690、2,990 泰铢（不含增值税）。

Base 和 Pro 于 2026 年 11 月 15 日停用。自该日起，发往 …/speech-to-text/base、…/speech-to-text/pro 以及旧路径 /asr/v3、/asr/v3/pro 的请求由 Pro v2 处理，按 Pro v2 价格计费，请求和响应格式不变，无需修改代码。不同之处：Pro v2 接受的 language_code 为 th、en、zh，其他值返回 400；每次请求最长 8 小时音频、250 MB；数字写成读法文字，英语单词按发音写成泰文，口语词按标准拼写；标出每位说话人（SPEAKER_00、SPEAKER_01 等）；不返回 avg_logprob；use_asr_pro 和 asr_pro_is_used 始终为 true。英语和中文的 Base 与 Pro 端点不受影响。

POST/v3/store/speech/speech-to-text/pro-v2

另有 2 个端点

试一试

• 价格免费至 2026 年 11 月 30 日
• 月度套餐起价199泰铢/月
• 实测97.94%
• 累计调用224.1K次

• v3.0
• 运行中
• 基准报告 (PDF)

输入

输出POST /v3/store/speech/speech-to-text/pro-v2

output

2 × text: สวัสดีค่ะชั้นเสียงผู้ใหญ่ค่ะ start: 0 end: 3.4 speaker: SPEAKER_00 segment: 0

audio_duration_in_seconds

7.63

uploaded_file_name

2f3aeeb3-0cb6-42fb-b694-933b1a2c73f4.wav

processing_time_in_seconds

1.041

use_asr_pro

true

asr_pro_is_used

true

iapp

seconds: 7.63

全部字段见“响应”一节其他端点：/base, /pro 见请求

请求

curl -X POST https://api.iapp.co.th/v3/store/speech/speech-to-text/pro-v2 \
  -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": "สวัสดีค่ะชั้นเสียงผู้ใหญ่ค่ะ", "start": 0.0, "end": 3.4, "speaker": "SPEAKER_00", "segment": 0 },
    { "text": "สวัสดีครับผมเสียงผู้ใหญ่ผู้ชายครับ", "start": 3.4, "end": 7.63, "speaker": "SPEAKER_01", "segment": 1 }
  ],
  "audio_duration_in_seconds": 7.63,
  "uploaded_file_name": "2f3aeeb3-0cb6-42fb-b694-933b1a2c73f4.wav",
  "processing_time_in_seconds": 1.041,
  "use_asr_pro": true,
  "asr_pro_is_used": true,
  "iapp": { "seconds": 7.63 }
}

月度套餐

• Transcribe S每月 18 小时每月 199 泰铢，折合每小时 11.06 泰铢
  或每年 1,990 泰铢，省两个月2026年12月1日 起开放订阅
• Transcribe M每月 70 小时每月 690 泰铢，折合每小时 9.86 泰铢
  或每年 6,900 泰铢，省两个月2026年12月1日 起开放订阅
• Transcribe L每月 320 小时每月 2,990 泰铢，折合每小时 9.34 泰铢
  或每年 29,900 泰铢，省两个月2026年12月1日 起开放订阅

这些套餐自 2026年12月1日 起开放订阅。

价格不含 7% 增值税。Chinda ASR Pro v2 语音转文字的所有端点都计入套餐；超出部分每小时从积分余额扣 10.8 积分（即按量价格）。按月或按年自动扣卡续订，可随时取消，期末生效。

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
Base	POST /v3/store/speech/speech-to-text/base	每 60 秒 1 IC，至 2026 年 11 月 14 日
Pro	POST /v3/store/speech/speech-to-text/pro	每 60 秒 2 IC，至 2026 年 11 月 14 日
Pro v2	POST /v3/store/speech/speech-to-text/pro-v2	免费至 2026 年 11 月 30 日，之后每秒 0.003 IC（每小时 10.8 IC）

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、AAC、M4A 或 WebM；Pro v2 还可读取 OGG/Opus、FLAC 以及 MP4 等视频文件中的声音。每次请求的时长与大小上限见限制。

language_codestring

默认 th。Pro v2 还接受 en 和 zh，以及 en-US、zh-CN、zh-TW、zh-HK、zh-Hant，后三者输出繁体字。其他值返回 400。

vocabularystring

Pro v2。录音中可能出现的人名和术语，按您希望的写法拼写：人名、公司、品牌、产品、地名、专业术语。可重复该字段，也可在一个字段中每行一项或以逗号分隔，或发送 JSON 列表；最多 500 项，每项不超过 60 个字符。见人名与术语。

speaker_labelsboolean

Pro v2。默认 true，标出每位说话人；false 跳过此步骤，稍快一些，所有分段均为 SPEAKER_00。

mai_yamokstring

Pro v2，泰语。重复词的写法：默认 expand 把重复的词完整写出（จริงจริง），与口语转写的习惯一致；keep 使用重复符号（จริงๆ），与标准书面泰语一致。

chunk_sizeinteger

每个处理分块的音频秒数。默认 7。Pro v2 接受但忽略此参数。

旧路径 /asr/v3 与 /asr/v3/pro 至 2026 年 11 月 14 日仍可用，价格相同；自 2026 年 11 月 15 日起，这些路径均由 Pro v2 处理。

响应

outputarray

全部分段，按说话顺序排列

output.textstring

该段所说的内容

output.startnumber

该段开始的时间，单位为秒

output.endnumber

该段结束的时间，单位为秒

output.speakerstring

说话人标签，如 SPEAKER_00、SPEAKER_01；speaker_labels 为 false 时所有分段均为 SPEAKER_00

output.segmentinteger

分段序号，从 0 开始

output.avg_logprobnumber

识别器对本段音频的把握程度：各词元对数概率的平均值，取值为 0 或负数，越接近 0 越清晰。实测：清晰语音 −0.04，轻度背景噪声 −0.21，重度噪声 −0.30。低于 −0.15 时，请先人工核对该段，再从中提取日期、数字或姓名。

audio_duration_in_secondsprocessing_time_in_secondsuploaded_file_name

录音长度、耗时、文件名

use_asr_proasr_pro_is_usedboolean

是否请求并实际使用了 Pro 步骤：Base 为 false，Pro 为 true

iappobject

计费信息

iapp.secondsnumber

计费秒数

modelstring

Pro v2：作答的模型版本，如 chinda-asr-pro-v2.2

状态码

代码	含义
200	包括没有语音的录音，此时 output 为空列表
400	没有文件、文件为空、文件无法作为音频读取、language_code 不是 th、en、zh，vocabulary 超过 500 项、有一项超过 60 个字符、或 JSON 不是字符串列表，或 mai_yamok 不是 expand 或 keep
401	缺少 API 密钥，或密钥无效
404	找不到任务
413	音频时长或上传文件大小超出限制中的上限
429	超出 API 密钥的请求频率限制（Pro v2：每秒 5 次、每分钟 60 次、每小时 3,000 次），见限制
500	处理失败（长录音在已返回 200 之后失败，见长录音）
503	服务暂时繁忙：请在 Retry-After 响应头给出的秒数后重试

长录音

Pro v2 的转写时间约为音频时长的八分之一：一段 85 分钟的 MP3 经 API 用时 9.3 分钟。超过 5 分钟的录音会立即返回 200 和响应头，转写期间每 20 秒发送一个空格，最后返回通常的 JSON；JSON 解析器会跳过开头的空格，客户端代码无需修改。总超时不要短于转写所需时间；读取超时设为 60 秒或以上即可。如果在已返回 200 之后转写失败，响应体为 {"detail": {"code": "ASR_FAILED", "message": "...", "retryable": true, "request_id": "..."}}：请检查是否有 detail，然后重新发送录音。

人名与术语

把预计会出现的人名和术语放进 vocabulary，按您希望的写法拼写。当音频本身支持的某个读法与列表中的一项相符时，Pro v2 会优先采用它，因此没有说出的名字不会被写进去。对有多种拼法的名字（ศรัณย์ 或 ศรัณ）、公司和产品名称以及专业术语最有帮助。列表需随每次请求发送，处理时间约增加 7%。

curl -X POST https://api.iapp.co.th/v3/store/speech/speech-to-text/pro-v2 \
  -H "apikey: YOUR_API_KEY" \
  -F "file=@meeting.mp3" \
  -F "vocabulary=ศรัณย์ วงศ์สวัสดิ์" \
  -F "vocabulary=ไอแอพพ์ เทคโนโลยี"

详情

实测

2026 年 10 月 28 日在生产环境测得，使用三个公开泰语测试集：Common Voice 17.0（朗读的日常句子）、FLEURS（朗读的维基百科句子）和 TVSpeech（来自视频、术语密集的自然语音）。指标为字符错误率，不计空格，越低越好。

指标	结果
Base，Common Voice 17.0 泰语测试集，11,042 条	5.21%，即 94.79% 的字符正确
Base，FLEURS 泰语测试集，1,021 条	9.93%
Base，TVSpeech，570 条	18.50%
Pro 对比 Base，同一批 300 条 Common Voice	5.11% 对 5.59%
Pro 对比 Base，同一批 80 条 TVSpeech	17.69% 对 19.21%
Pro v2，Common Voice 17.0 泰语测试集中句子不在其训练数据里的 3,539 条	2.06%，即 97.94% 的字符正确（Base 在同一批为 5.33%）
Pro v2，Common Voice 17.0 泰语测试集全部 11,042 条	1.89%，即 98.11% 的字符正确
Pro v2 对比 Base，FLEURS 1,021 条	9.43% 对 9.93%
Pro v2 对比 Base，TVSpeech 570 条	7.28% 对 18.50%
Pro v2 英语：LibriSpeech test-clean 300 条 / FLEURS 200 条（2026 年 11 月 8 日）	词错误率 1.61% / 3.87%
Pro v2 中文（普通话）：FLEURS 200 条（2026 年 11 月 8 日）	字符错误率 7.07%
Pro v2 带 vocabulary，GigaSpeech 2 dev，2,127 条 YouTube 片段（2026 年 11 月 9 日）	名字完全按给定写法写出：不带列表 72%，带列表 84%；错误率 5.05% 与 4.90%
Pro v2 带 vocabulary，TVSpeech，570 条（2026 年 11 月 9 日）	名字完全按给定写法写出：不带列表 67%，带列表 74%；错误率不变
Pro v2 带一份录音中没有的名字列表，TVSpeech（2026 年 11 月 9 日）	名字写对：67% 到 68%；错误率高 0.08 个百分点；列表中的名字均未被写入
Pro v2 经 API，85 分钟 MP3	9.3 分钟
经 API 的中位耗时，Base，音频 4.4 秒 / 26.1 秒	0.68 秒 / 2.13 秒
经 API 的中位耗时，Pro，音频 4.3 秒 / 27.5 秒	4.52 秒 / 6.01 秒

Common Voice 测试集中有 1,186 条（10.7%）的句子也出现在 Common Voice 11.0 的训练集或验证集中，而这些数据属于本服务的训练数据；只计其余 9,856 条时，Base 为 5.27%。Pro 对含人名和专业术语的自然语音降错最多；在清晰的朗读语音上，它与 Base 的差异在随机误差范围之内。方法与各测试集结果：基准测试报告 (PDF)。

Pro v2 以相同测试集和相同评分方法测得，版本为 2026 年 11 月 9 日的 v2.2.6，该版本把口语词写成标准拼写。在 Common Voice 17.0 泰语测试集中句子和录音都不在其训练数据里的 3,539 条上，Pro v2 字符正确率为 97.94%（字符错误率 2.06%；拼写调整前为 97.95%）；全部 11,042 条为 98.11%。其余 7,503 条在其训练数据中，两组相差 0.25 个百分点。Pro v2 将数字写成读法文字，参考文本写成数字时会计为错误；两边数字都转写为文字时，FLEURS 上 Pro v2 为 7.01%，Base 为 8.63%。在 TVSpeech 上，Pro v2 比 Base 低 11.22 个百分点（95% 置信区间 8.09 至 13.53，按 18 个来源视频重抽样）。

vocabulary 各行中，每段录音的列表是其参考文本中的人名，平均每段约 23 个；最后一行改为给每段录音其他录音的人名。

有噪声的录音

Pro 会根据上下文修正识别出的文字。它自身的错误读起来通顺，例如增删连接词或漏掉一个词；对有噪声的录音，没听清的词也可能被改成通顺却意思不同的文字，例如月份错误。avg_logprob 描述的是音频，而不是修正后的文字，两个档位的值相同，因此可用它找出需要复核的分段：在混入轻度噪声的测试句中，月份出错的分段得分为 −0.21。以泰语口音说出的英文技术词，例如 Login 或 OAuth，即使得分看似有把握（−0.09），也可能被转写成走样的音译。

限制

• Base 与 Pro：泰语语音，每次请求最长 30 分钟。
• Pro v2：泰语、英语和中文，每次请求最长 8 小时音频、上传不超过 250 MB，超出任一项返回 413。16 kHz 16 位 WAV 约 2 小时 10 分钟即达 250 MB，长录音请以 MP3、M4A 或 Opus 发送（8 小时 64 kbps MP3 约 230 MB）。每个文件最多标出 8 位说话人。
• Pro v2 的泰语输出把数字写成读法文字、英语单词写成泰文、口语词写成标准拼写（อะ、ไหม、เขา，而非 อ่ะ、มั้ย、เค้า），不带标点；重复词完整写出（จริงจริง），mai_yamok 为 keep 时除外；通过 vocabulary 发送的词按您的拼写写出；英语和中文带标点，数字写成阿拉伯数字，中文为简体字，使用 zh-TW、zh-HK 或 zh-Hant 时为繁体字。
• Pro v2 按 API 密钥限制请求频率：每秒 5 次、每分钟 60 次、每小时 3,000 次。超出时返回 429；响应头 X-RateLimit-Remaining-Second、-Minute、-Hour 显示剩余次数。

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。