火山引擎流式语音识别

通过 WebSocket 接口 /v1/stream_asr 持续发送 PCM 音频，并实时接收识别结果。

可用模型

模型	说明
`volcengine_bigmodel`	火山引擎大模型流式语音识别
`volcengine_normal`	火山引擎流式语音识别

音频要求

发送的音频必须满足以下要求：

项目	要求
编码	PCM signed 16-bit little-endian
采样率	16000 Hz
声道	单声道
容器	裸 PCM，不包含 WAV 文件头

如果源文件不是该格式，可先使用 FFmpeg 转换：

ffmpeg -i input.mp3 -f s16le -acodec pcm_s16le -ac 1 -ar 16000 input.pcm

Python 示例

安装 WebSocket 客户端：

pip install websockets

以下示例读取 input.pcm，按 100 毫秒分片发送，并在音频末尾补充静音以触发完整识别结果：

import asyncio
import base64
import json
import os

import websockets

API_KEY = os.environ["MODELHUB_API_KEY"]
MODEL = "volcengine_normal"
WS_URL = f"wss://model-api.skyengine.com.cn/v1/stream_asr?model={MODEL}"


async def recognize(path: str) -> None:
    headers = {"Authorization": f"Bearer {API_KEY}"}

    async with websockets.connect(WS_URL, additional_headers=headers) as ws:
        with open(path, "rb") as audio_file:
            while chunk := audio_file.read(3200):
                await ws.send(json.dumps({
                    "type": "input_audio_buffer.append",
                    "audio": base64.b64encode(chunk).decode(),
                }))
                await asyncio.sleep(0.1)

        # 1 秒 16 kHz、16-bit、单声道静音
        await ws.send(json.dumps({
            "type": "input_audio_buffer.append",
            "audio": base64.b64encode(bytes(32000)).decode(),
        }))

        completed = []
        while True:
            try:
                message = await asyncio.wait_for(ws.recv(), timeout=3)
            except asyncio.TimeoutError:
                break
            event = json.loads(message)
            if event.get("type") == "error":
                raise RuntimeError(event["error"]["message"])
            if event.get("type") == "conversation.item.input_audio_transcription.delta":
                print("实时结果：", event["transcript"])
            if event.get("type") == "conversation.item.input_audio_transcription.completed":
                completed.append(event["transcript"])

        print("最终结果：", "".join(completed))


asyncio.run(recognize("input.pcm"))

将 MODEL 改为 volcengine_bigmodel 即可调用大模型流式识别。

请求格式

ASR 使用 WebSocket 协议，因此建连请求没有 HTTP JSON Body。连接成功后，客户端通过 WebSocket 文本消息发送 JSON Body。建连地址：

wss://model-api.skyengine.com.cn/v1/stream_asr?model=volcengine_normal

建连 Header：

Authorization: Bearer <API-KEY>

WebSocket 连接建立后，可以直接发送音频 Body：

{
  "type": "input_audio_buffer.append",
  "audio": "<BASE64_PCM_AUDIO>"
}

如果需要设置识别语言，可以先发送会话配置 Body：

{
  "type": "session.config",
  "config": {
    "language": "zh-CN"
  }
}

发送了 session.config 时，请等待平台返回 session.ready，然后再发送音频 Body。不需要设置会话参数时，无需发送 session.config，也无需等待 session.ready。音频 Body：

{
  "type": "input_audio_buffer.append",
  "audio": "<BASE64_PCM_AUDIO>"
}

连接参数

参数	位置	必填	说明
`model`	URL Query	是	使用的 ASR 模型名称。
`Authorization`	Header	是	`Bearer <API-KEY>`。

客户端事件

`session.config`

配置当前识别会话。该事件不是必需步骤；只有需要设置会话参数时才发送。发送后应等待平台返回 session.ready，再开始发送音频。

{
  "type": "session.config",
  "config": {
    "language": "zh-CN",
    "enable_itn": true,
    "enable_punc": true,
    "enable_ddc": false
  }
}

`config` 参数	类型	默认值	适用模型	说明
`language`	string	未指定	两款模型	识别语言。是否可用以及具体取值取决于模型服务。
`enable_itn`	boolean	`true`	`volcengine_bigmodel`	开启数字、日期等内容的文本规整。
`enable_punc`	boolean	`true`	`volcengine_bigmodel`	在识别结果中添加标点。
`enable_ddc`	boolean	`false`	`volcengine_bigmodel`	开启语义顺滑。

volcengine_normal 只读取 language；enable_itn、enable_punc 和 enable_ddc 不会传递给该模型。不发送 session.config 时，WebSocket 建连成功后可以直接发送第一条 input_audio_buffer.append，平台将使用模型默认配置。

`input_audio_buffer.append`

发送一段 Base64 编码的 PCM 音频。建议按固定时长连续发送，不要一次发送完整的长音频。

{
  "type": "input_audio_buffer.append",
  "audio": "<BASE64_PCM_AUDIO>"
}

参数	类型	必填	说明
`type`	string	是	固定为 `input_audio_buffer.append`。
`audio`	string	是	Base64 编码的 PCM 音频字节。

`input_audio_buffer.commit`（仅 `volcengine_normal`）

最后一包音频发送完毕后，发送该事件，明确结束当前语音段，无需再补静音。平台会向火山发送协议尾包，并等待最终识别结果。

{
  "type": "input_audio_buffer.commit",
  "event_id": "event_xxx"
}

event_id 必填，长度为 1～128 字节，每一轮使用新的 ID。平台会忽略近期已经接受的同 ID commit 重发。发送后请等待 conversation.item.input_audio_transcription.completed，再开始发送下一轮音频；对外 WebSocket 连接可以继续复用。等待期间发送下一轮音频、提交另一个 commit，或对空音频缓冲区提交 commit，会收到 invalid_request_error，其中 error.event_id 指向触发错误的客户端事件。完成事件仍使用现有的 input_audio_buffer.speech_stopped 和 conversation.item.input_audio_transcription.completed，不额外发送 commit 确认事件。只有静音的音频也可能返回空的最终文本。等待最终结果超过 5 秒，或上游断连、重连失败时，会返回服务端错误并结束连接。 volcengine_bigmodel 不支持该事件，会返回 invalid_request_error。不发送 commit 的调用方式继续使用原来的 VAD 自动判停。

服务端事件

事件	说明
`session.ready`	会话配置完成，可以开始发送音频。
`conversation.item.created`	创建了一段新的语音识别内容。
`input_audio_buffer.speech_started`	检测到语音开始。
`conversation.item.input_audio_transcription.delta`	当前语音段的实时累计识别文本。
`input_audio_buffer.speech_stopped`	检测到语音结束。
`conversation.item.input_audio_transcription.completed`	当前语音段的最终识别文本；一次连接可能返回多条。
`error`	请求或识别失败。

最终结果事件示例：

{
  "event_id": "event_xxx",
  "type": "conversation.item.input_audio_transcription.completed",
  "item_id": "item_xxx",
  "content_index": 0,
  "transcript": "欢迎使用语音识别服务。",
  "audio_duration": 3
}

火山引擎模型能力说明可参考火山引擎语音识别产品文档。

API端点参考

使用示例

火山引擎流式语音识别

火山引擎流式语音识别

可用模型

音频要求

Python 示例

请求格式

连接参数

客户端事件

`session.config`

`input_audio_buffer.append`

`input_audio_buffer.commit`（仅 `volcengine_normal`）

服务端事件

​火山引擎流式语音识别

​可用模型

​音频要求

​Python 示例

​请求格式

​连接参数

​客户端事件

​session.config

​input_audio_buffer.append

​input_audio_buffer.commit（仅 volcengine_normal）

​服务端事件

火山引擎流式语音识别

可用模型

音频要求

Python 示例

请求格式

连接参数

客户端事件

`session.config`

`input_audio_buffer.append`

`input_audio_buffer.commit`（仅 `volcengine_normal`）

服务端事件