跳转到主要内容

​
产品简介

本接口提供基于 HTTP + SSE 的识别能力，适合一次性提交音频数据，并通过服务端持续推送识别结果。

​
核心特性

  • 一次性提交音频
  • 通过 SSE 持续返回转录结果
  • 支持增量结果和最终结果
  • 适合服务端调用、文件转写、准实时处理

​
接入方式总览

能力HTTP + SSE
音频输入一次性提交
结果返回SSE 流式
连接方式HTTP POST
是否保持会话否
典型端服务端

​
服务地址

协议环境地址说明
HTTP/SSE正式环境https://api.stepfun.com/v1/audio/asr/sse单向流式响应
Step Plan 场景请使用 POST https://api.stepfun.com/step_plan/v1/audio/asr/sse

​
HTTP 协议接口

​
时序图

​
鉴权参数

参数名必填描述示例
Content-Type是固定为 application/jsonapplication/json
Accept是固定为 text/event-streamtext/event-stream
Authorization是认证令牌Bearer sk-xxxx

​
请求格式

请求示例： 
{
  "audio": {
    "data": "audioData",
    "input": {
      "transcription": {
        "language": "zh",
        "hotwords": ["热词1", "热词2"],
        "prompt": "请记录下你所听到的语音内容。",
        "model": "stepaudio-2.5-asr",
        "enable_itn": true
      },
      "format": {
        "type": "pcm",
        "codec": "pcm_s16le",
        "rate": 16000,
        "bits": 16,
        "channel": 1
      }
    }
  }
}

​
参数说明

参数路径类型描述示例
audio.datastringBase64 编码的音频数据"audioData"
audio.input.transcription.languagestring识别语言"zh"
audio.input.transcription.hotwordsarray热词列表，形如 ["热词1", "热词2"]["热词1", "热词2"]
audio.input.transcription.promptstring提示词，用于补充上下文或专业术语（仅对 stepaudio-2-asr-pro 有效）"请记录..."
audio.input.transcription.modelstring模型名称，支持 stepaudio-2.5-asr、stepaudio-2-asr-pro"stepaudio-2.5-asr"
audio.input.transcription.enable_itnbool是否开启 ITN 文本规范化，默认 truetrue
audio.input.format.typestring音频容器格式，支持 ogg、mp3、wav、pcm"pcm"
audio.input.format.codecstring编码格式；当 type=pcm 时通常传 pcm_s16le"pcm_s16le"
audio.input.format.rateint采样率；pcm 格式必填，其他格式选填16000
audio.input.format.bitsint位深；pcm 格式必填，其他格式选填16
audio.input.format.channelint通道数；pcm 格式必填，其他格式选填1
兼容性说明：
  • 为兼容老用户，SSE 仍接受 step-asr-1.1-stream 作为 model 值传入，等同 stepaudio-2.5-asr。
  • SSE 不再支持 full_rerun_on_commit（二遍识别纠错）参数，历史代码中如仍有传入，将被服务端忽略、不影响识别结果。如需二遍识别能力，请使用 WebSocket 接入（见 流式语音识别（双向流式））。
补充说明：
  • 音频数据需要使用 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。
  • 当音频格式为 ogg、mp3、wav 时，rate、bits、channel 为选填参数。

​
响应格式

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"
}
字段类型描述
typestring事件类型，固定为 transcript.text.delta
meta.session_idstring会话 ID
meta.timestampint64Unix 时间戳，毫秒
deltastring增量转录文本

​
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
  }
}
字段类型描述
typestring事件类型，固定为 transcript.text.done
meta.session_idstring会话 ID
meta.timestampint64Unix 时间戳，毫秒
textstring完整转录文本
usageobject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"
}
字段类型描述
typestring事件类型，固定为 error
meta.session_idstring会话 ID
meta.timestampint64Unix 时间戳，毫秒
messagestring错误描述信息