语音转文字（ASR）

将音频文件中的语音内容转换为文字，支持多语言识别，并可获取字级别或句子级别的时间戳信息。已有逐字稿时，可传入稿件做有稿对齐，直接拿到稿件每一句、每一个字的时间戳；多人对话可以区分说话人，每句标出是谁说的。

不想写代码？在同合智创工具箱里直接上传文件处理，登录即用，结果与本接口一致。打开「语音转文字」→

创建任务

基本信息

项目	值
请求方法	`POST`
请求路径	`/task/asr`
Content-Type	`application/json`
鉴权方式	`Authorization` 请求头（直接传 API Key）

请求参数（Body）

参数名	类型	必填	默认值	说明
`file_id`	`string`	是	—	已上传音频或视频文件的 ID
`language`	`string`	否	`"zh-CN"`	音频语言代码，传标准地区语言码，完整列表见下方“支持的语言代码”
`word_level`	`boolean`	否	`false`	是否返回字级别时间戳。字级时间戳覆盖以下 18 个语种：`zh-CN`、`zh-HK`、`en-US`、`ja-JP`、`ko-KR`、`fr-FR`、`de-DE`、`it-IT`、`es-ES`、`es-MX`、`pt-PT`、`pt-BR`、`ru-RU`、`ar-SA`、`fil-PH`、`id-ID`、`ms-MY`、`th-TH`；其余语种开启后 `word_tc_list` 为空、`word_count` 为 0，句级结果与全文不受影响
`script_text`	`string`	否	—	已知稿件文本，不超过 20000 个字符。传入非空稿件即进入有稿对齐模式：不做内容识别，按稿件产出时间戳
`speaker_diarization`	`boolean`	否	`false`	为 `true` 时区分说话人：每句标出说话人编号，按「区分说话人」档单独计价
`speaker_count`	`number`	否	—	已知的说话人数（2–10），只在 `speaker_diarization: true` 时有效；不传则自动判断

支持的语言代码

language 参数应传标准地区语言码。当前实现共支持 103 个可传入值：

传入清单之外的代码会在建单时同步返回 400 / 错误码 6015，不计费、不排队；错误信息里会给出可行动的替代码（例如粤语请用 zh-HK）。

请求 `language`	语言名称
`zh-CN`	中文 (中国)
`en-US`	英语 (美国)
`ja-JP`	日语 (日本)
`ko-KR`	韩语 (韩国)
`fr-FR`	法语 (法国)
`de-DE`	德语 (德国)
`es-MX`	西班牙语 (墨西哥)
`es-ES`	西班牙语 (西班牙)
`pt-BR`	葡萄牙语 (巴西)
`pt-PT`	葡萄牙语 (葡萄牙)
`ru-RU`	俄语 (俄罗斯)
`zh-HK`	中文 (中国香港特别行政区)
`id-ID`	印度尼西亚语 (印度尼西亚)
`fil-PH`	菲律宾语 (菲律宾)
`ms-MY`	马来语 (马来西亚)
`th-TH`	泰语 (泰国)
`ar-SA`	阿拉伯语 (沙特阿拉伯)
`af-ZA`	南非荷兰语 (南非)
`am-ET`	阿姆哈拉语 (埃塞俄比亚)
`as-IN`	阿萨姆语 (印度)
`az-AZ`	阿塞拜疆语 (阿塞拜疆)
`ba-RU`	巴什基尔语 (俄罗斯)
`be-BY`	白俄罗斯语 (白俄罗斯)
`bg-BG`	保加利亚语 (保加利亚)
`bn-IN`	孟加拉语 (印度)
`bo-CN`	藏语 (中国)
`br-FR`	布列塔尼语 (法国)
`bs-BA`	波斯尼亚语 (波斯尼亚和黑塞哥维那)
`ca-ES`	加泰罗尼亚语 (西班牙)
`cs-CZ`	捷克语 (捷克)
`cy-GB`	威尔士语 (英国)
`da-DK`	丹麦语 (丹麦)
`el-GR`	希腊语 (希腊)
`et-EE`	爱沙尼亚语 (爱沙尼亚)
`eu-ES`	巴斯克语 (西班牙)
`fa-IR`	波斯语 (伊朗)
`fi-FI`	芬兰语 (芬兰)
`fo-FO`	法罗语 (法罗群岛)
`gl-ES`	加利西亚语 (西班牙)
`gu-IN`	古吉拉特语 (印度)
`ha-NG`	豪萨语 (尼日利亚)
`haw-US`	夏威夷语 (美国)
`he-IL`	希伯来语 (以色列)
`hi-IN`	印地语 (印度)
`hr-HR`	克罗地亚语 (克罗地亚)
`ht-HT`	海地克里奥尔语 (海地)
`hu-HU`	匈牙利语 (匈牙利)
`hy-AM`	亚美尼亚语 (亚美尼亚)
`is-IS`	冰岛语 (冰岛)
`it-IT`	意大利语 (意大利)
`jw-ID`	爪哇语 (印度尼西亚)
`ka-GE`	格鲁吉亚语 (格鲁吉亚)
`kk-KZ`	哈萨克语 (哈萨克斯坦)
`km-KH`	高棉语 (柬埔寨)
`kn-IN`	卡纳达语 (印度)
`la-VA`	拉丁语 (梵蒂冈)
`lb-LU`	卢森堡语 (卢森堡)
`ln-CD`	林加拉语 (刚果（金）)
`lo-LA`	老挝语 (老挝)
`lt-LT`	立陶宛语 (立陶宛)
`lv-LV`	拉脱维亚语 (拉脱维亚)
`mg-MG`	马拉加斯语 (马达加斯加)
`mi-NZ`	毛利语 (新西兰)
`mk-MK`	马其顿语 (北马其顿)
`ml-IN`	马拉雅拉姆语 (印度)
`mn-MN`	蒙古语 (蒙古)
`mr-IN`	马拉地语 (印度)
`mt-MT`	马耳他语 (马耳他)
`my-MM`	缅甸语 (缅甸)
`ne-NP`	尼泊尔语 (尼泊尔)
`nl-NL`	荷兰语 (荷兰)
`nn-NO`	挪威尼诺斯克语 (挪威)
`no-NO`	挪威语 (挪威)
`oc-FR`	奥克语 (法国)
`pa-IN`	旁遮普语 (印度)
`pl-PL`	波兰语 (波兰)
`ps-AF`	普什图语 (阿富汗)
`ro-RO`	罗马尼亚语 (罗马尼亚)
`sa-IN`	梵语 (印度)
`sd-IN`	信德语 (印度)
`si-LK`	僧伽罗语 (斯里兰卡)
`sk-SK`	斯洛伐克语 (斯洛伐克)
`sl-SI`	斯洛文尼亚语 (斯洛文尼亚)
`sn-ZW`	绍纳语 (津巴布韦)
`so-SO`	索马里语 (索马里)
`sq-AL`	阿尔巴尼亚语 (阿尔巴尼亚)
`sr-RS`	塞尔维亚语 (塞尔维亚)
`su-ID`	巽他语 (印度尼西亚)
`sv-SE`	瑞典语 (瑞典)
`sw-KE`	斯瓦希里语 (肯尼亚)
`ta-IN`	泰米尔语 (印度)
`te-IN`	泰卢固语 (印度)
`tg-TJ`	塔吉克语 (塔吉克斯坦)
`tk-TM`	土库曼语 (土库曼斯坦)
`tl-PH`	菲律宾语 (菲律宾)
`tr-TR`	土耳其语 (土耳其)
`tt-RU`	鞑靼语 (俄罗斯)
`uk-UA`	乌克兰语 (乌克兰)
`ur-PK`	乌尔都语 (巴基斯坦)
`uz-UZ`	乌兹别克语 (乌兹别克斯坦)
`vi-VN`	越南语 (越南)
`yi-DE`	意第绪语 (德国)
`yo-NG`	约鲁巴语 (尼日利亚)

提示：fil-PH 与 tl-PH 都可用；如果是香港粤语内容，建议优先使用 zh-HK。

有稿对齐模式

适用于配音、口播等「照稿念」的音频：你已经有准确的逐字稿，只需要它在音频里的时间位置。传入 script_text 后：

不做内容识别：asr_text 就是你传入的稿件原文，sentence_tc_list 按稿件分句（句子文本不带断句标点），word_tc_list 给出稿件每个字 / 词的时间戳——不论 word_level 取何值都有内容。
语种只限以下 13 个：zh-CN、zh-HK、en-US、ja-JP、ko-KR、fr-FR、de-DE、it-IT、es-ES、es-MX、pt-PT、pt-BR、ru-RU。有稿模式下传入其他语种，会在建单时同步返回 400 / 错误码 6015（错误信息列出可用语种），不计费、不排队。
稿件须与音频内容基本一致：个别字词出入一般不影响；整段没念、念的是另一份稿子这类大段不一致会使任务失败（不会退回识别结果）。
产物格式与识别模式相同，output_result 多一个 mode，值为 script。
计费与识别模式相同（按音频时长分钟计）。稿件超过 20000 个字符或不是字符串，会在建单时同步返回 400 / 错误码 6016，不计费。

区分说话人

会议、访谈、播客这类多人对话，传 speaker_diarization: true，同一份转写里每一句都标出是谁说的：

每句带说话人编号：sentence_tc_list[].speaker 从 1 起，按第一次开口的先后编；另给 speaker_list（每人累计说话秒数）与 speaker_segments（说话人时间段，可用来画时间轴、跳到某人试听）。编号只在这个文件内有效，「1 号是谁」由你自己命名。
知道人数就传 speaker_count（2–10）：不传时自动判断，偶尔会把一个人多分出一位只说了一两句的说话人；传上人数可以避免。
一律按 word_level: true 识别：句子保留标点，对话记录读得下去；请求里的 word_level 在本模式不起作用。
短插话偶有归错：「对」「嗯」这类很短的插话，有时会算到相邻的人身上；大段发言基本都能归对。
不能与 script_text 同传：有稿对齐的句子来自稿件切分，本模式暂不组合。
单独计价：按「语音转文字·区分说话人」档按分钟计费，价格见价格表（在「语音转文字」下展开）。说话人分离失败时任务失败并退款，不会退化成不带说话人的结果。
speaker_count 不是 2–10 的整数、只传 speaker_count 不传 speaker_diarization: true、speaker_diarization 与 script_text 同传、speaker_diarization 不是布尔值，都会在建单时同步返回 400 / 错误码 6016，不计费。

不想写代码？在同合智创工具箱里直接上传文件处理，登录即用，结果与本接口一致。打开「多人对话转文字」→

请求示例

curl -X POST https://api.ai-mcn.tv:10000/task/asr \
  -H "Authorization: YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "file_id": "537489015178246",
    "language": "zh-CN",
    "word_level": true
  }'

有稿对齐模式（传入 script_text）：

curl -X POST https://api.ai-mcn.tv:10000/task/asr   -H "Authorization: YOUR_API_KEY"   -H "Content-Type: application/json"   -d '{
    "file_id": "537489015178246",
    "language": "zh-CN",
    "script_text": "今天我们聊一聊工程纪律。做完再说。"
  }'

区分说话人（已知两人对话）：

curl -X POST https://api.ai-mcn.tv:10000/task/asr \
  -H "Authorization: YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "file_id": "537489015178246",
    "language": "zh-CN",
    "speaker_diarization": true,
    "speaker_count": 2
  }'

成功响应示例

{
  "code": 200,
  "msg": "success",
  "data": {
    "task_id": "537489015178247",
    "task_type": "asr",
    "status": "queued"
  }
}

查询任务结果

基本信息

项目	值
请求方法	`GET`
请求路径	`/task/asr/{task_id}`
鉴权方式	`Authorization` 请求头（直接传 API Key）

响应参数（output_result）

全量转写落为 JSON 文件返回（体积与音频时长成正比），output_result 本体只含文件引用与摘要。下载 asr_result_download_url 即可获得完整转写 JSON。

参数名	类型	说明
`asr_result_file_id`	`string`	全量转写 JSON 文件 ID
`asr_result_download_url`	`string`	全量转写 JSON 文件下载链接
`text_preview`	`string`	识别文本预览（前 500 字符）
`word_count`	`number`	字级时间戳条数
`sentence_count`	`number`	句级时间戳条数
`text_length`	`number`	完整识别文本总字符数
`mode`	`string`	仅有稿对齐模式出现，值为 `script`；识别模式下没有这个键
`speaker_count`	`number`	仅区分说话人时出现：说话人数

转写文件内容（下载 `asr_result_download_url` 所得 JSON）

参数名	类型	说明
`asr_text`	`string`	完整识别文本（有稿对齐模式下即稿件原文）
`sentence_tc_list`	`array`	句子级别时间戳列表
`sentence_tc_list[].text`	`string`	句子文本。`word_level: true` 时保留原始句读（逗号、句号、问号等）；`word_level: false` 时不含句读。`word_tc_list` 的单字文本两种模式下都不含标点
`sentence_tc_list[].start_time`	`number`	句子开始时间
`sentence_tc_list[].end_time`	`number`	句子结束时间
`word_tc_list`	`array`	字级别时间戳列表。识别模式下仅 `word_level: true` 且语种在字级覆盖范围内时非空；有稿对齐模式下始终非空
`word_tc_list[].text`	`string`	单字/词文本
`word_tc_list[].start_time`	`number`	开始时间
`word_tc_list[].end_time`	`number`	结束时间
`sentence_tc_list[].speaker`	`number`	仅区分说话人时出现：这句的说话人编号，从 1 起
`speaker_list`	`array`	仅区分说话人时出现：`[{speaker, duration_sec}]`，每人累计说话秒数
`speaker_segments`	`array`	仅区分说话人时出现：`[{speaker, start_time, end_time}]`，说话人时间段（秒）

产物文件与其他媒体产物同生命周期（到期自动清理），请在任务完成后及时下载归档。

成功响应示例

{
  "code": 200,
  "msg": "success",
  "data": {
    "task_id": "537489015178247",
    "status": "completed",
    "progress": 100,
    "output_result": {
      "asr_result_file_id": "537489015178301",
      "asr_result_download_url": "https://api.ai-mcn.tv:9000/cloud/file/ab/537489015178301.json",
      "text_preview": "你好世界，这是一段测试语音。",
      "word_count": 4,
      "sentence_count": 1,
      "text_length": 14
    },
    "create_time": "2026-04-05T08:00:00Z",
    "update_time": "2026-04-05T08:00:10Z"
  }
}

转写文件示例（下载所得）

{
  "asr_text": "你好世界，这是一段测试语音。",
  "sentence_tc_list": [
    {"text": "你好世界，这是一段测试语音。", "start_time": 0.0, "end_time": 3.5}
  ],
  "word_tc_list": [
    {"text": "你", "start_time": 0.0, "end_time": 0.3},
    {"text": "好", "start_time": 0.3, "end_time": 0.6},
    {"text": "世", "start_time": 0.6, "end_time": 0.9},
    {"text": "界", "start_time": 0.9, "end_time": 1.2}
  ]
}

区分说话人时的转写文件（节选）：

{
  "asr_text": "我们先看这一页。好的。",
  "sentence_tc_list": [
    {"text": "我们先看这一页。", "start_time": 0.0, "end_time": 2.0, "speaker": 1},
    {"text": "好的。", "start_time": 2.2, "end_time": 2.8, "speaker": 2}
  ],
  "word_tc_list": [],
  "speaker_list": [
    {"speaker": 1, "duration_sec": 2.1},
    {"speaker": 2, "duration_sec": 0.8}
  ],
  "speaker_segments": [
    {"speaker": 1, "start_time": 0.0, "end_time": 2.1},
    {"speaker": 2, "start_time": 2.1, "end_time": 2.9}
  ]
}

错误码

错误码	HTTP 状态码	说明	解决方案
`6013`	400	`file_id` 缺失	传入 `file_id` 参数
`6015`	400	不支持的语言代码（有稿对齐模式下：语种不在 13 个对齐语种内）	改用上表中的受支持语言代码；有稿对齐模式改用对齐语种。错误信息里会给出可用的代码
`6016`	400	`script_text` 超过 20000 个字符或不是字符串；`speaker_count` 不是 2–10 的整数或没有与 `speaker_diarization: true` 同传；`speaker_diarization` 与 `script_text` 同传或不是布尔值	按错误信息里点名的参数修正后重试
`6004`	404	文件不存在	检查 `file_id` 是否正确
`6502`	401	鉴权失败	检查 `Authorization` 请求头
`6202`	402	余额不足	前往仪表盘充值

语音转文字（ASR）

创建任务

基本信息

请求参数（Body）

支持的语言代码

有稿对齐模式

区分说话人

请求示例

成功响应示例

查询任务结果

基本信息

响应参数（output_result）

转写文件内容（下载 asr_result_download_url 所得 JSON）

成功响应示例

转写文件示例（下载所得）

错误码

转写文件内容（下载 `asr_result_download_url` 所得 JSON）