跳转到主要内容
基于 HTTP + SSE 的语音识别：一次性提交音频，服务端通过 SSE 持续推送增量与最终识别结果，适合服务端调用、文件转写、准实时处理。
如需基于 WebSocket 的实时双向流式识别，请参考 流式语音识别（双向流式）。

​
服务地址

POST https://api.stepfun.com/v1/audio/asr/sse
Step Plan 场景请使用 POST https://api.stepfun.com/step_plan/v1/audio/asr/sse。

​
请求头

  • Content-Type string required
    固定为 application/json。
  • Accept string required
    固定为 text/event-stream。
  • Authorization string required
    认证令牌，格式为 Bearer $STEPFUN_API_KEY。

​
请求参数

  • audio object required
    音频数据与识别配置。

​
请求示例

{
  "audio": {
    "data": "audioData",
    "input": {
      "transcription": {
        "language": "zh",
        "hotwords": ["热词1", "热词2"],
        "model": "stepaudio-2.5-asr",
        "enable_itn": true,
        "enable_timestamp": true
      },
      "format": {
        "type": "pcm",
        "codec": "pcm_s16le",
        "rate": 16000,
        "bits": 16,
        "channel": 1
      }
    }
  }
}
兼容性说明：
  • 为保持向后兼容，SSE 仍接受 step-asr-1.1-stream 作为 model 值传入，等同于 stepaudio-2.5-asr。
  • SSE 不再支持 full_rerun_on_commit（二遍识别纠错）参数；存量代码中如仍传入该参数，将被服务端忽略，不影响识别结果。如需二遍识别能力，请改用 WebSocket 接入（见 流式语音识别（双向流式））。
补充说明：
  • 音频数据需使用 Base64 编码。
  • 支持的音频格式包括 ogg、mp3、wav、pcm。
  • 当音频格式为 pcm 时，rate、bits、channel 为必填参数；为 ogg、mp3、wav 时为选填。

​
响应

SSE 流式响应，包含以下事件类型。

​
Delta 事件（transcript.text.delta）

表示增量转录文本。 
{
  "type": "transcript.text.delta",
  "meta": {
    "session_id": "sse_1642694400123456789",
    "timestamp": 1642694400123
  },
  "delta": "识别的",
  "item_id": "item_xxx",
  "content_index": 0,
  "start_time": 0,
  "end_time": 500
}
  • type string
    事件类型，固定为 transcript.text.delta。
  • meta.session_id string
    会话 ID。
  • meta.timestamp int64
    服务端事件 Unix 时间戳，单位毫秒。
  • delta string
    增量转录文本。
  • item_id string
    对话项 ID。
  • content_index int
    内容索引。
  • start_time int64
    识别文本对应的音频开始时间，单位毫秒。
  • end_time int64
    识别文本对应的音频结束时间，单位毫秒。
当请求参数 enable_timestamp=true 时，Delta 事件返回结果中新增 item_id、content_index、start_time、end_time 字段；meta.timestamp 是服务端事件 Unix 时间戳，start_time / end_time 是识别文本在音频中的时间位置，二者单位均为毫秒。

​
Done 事件（transcript.text.done）

表示完整转录文本已经生成。 
{
  "type": "transcript.text.done",
  "meta": {
    "session_id": "sse_1642694400123456789",
    "timestamp": 1642694400456
  },
  "text": "识别的完整文字内容",
  "usage": {
    "type": "realtime_asr",
    "input_tokens": 1000,
    "input_token_details": {
      "text_tokens": 0,
      "audio_tokens": 1000
    },
    "output_tokens": 50,
    "total_tokens": 1050
  }
}
  • type string
    事件类型，固定为 transcript.text.done。
  • meta.session_id string
    会话 ID。
  • meta.timestamp int64
    Unix 时间戳，单位毫秒。
  • text string
    完整转录文本。
  • usage object
    使用统计信息。

​
错误事件（error）

表示识别过程出错。 
{
  "type": "error",
  "meta": {
    "session_id": "sse_1642694400123456789",
    "timestamp": 1642694400789
  },
  "message": "错误描述信息"
}
  • type string
    事件类型，固定为 error。
  • meta.session_id string
    会话 ID。
  • meta.timestamp int64
    Unix 时间戳，单位毫秒。
  • message string
    错误描述信息。
完整错误码参见 错误码。