音频文件转写极速版大模型

更新时间：2026-11-13

接口描述

音频文件转写极速版大模型支持将音频、视频文件中的语音内容快速转换为文字，通过 HTTP 接口同步返回识别文本及对应时间戳。依托新一代语音识别大模型，提升多语种、方言及复杂语音场景下的识别准确率，兼顾转写质量与处理效率，适用于音视频字幕生成、录音转写、内容分析等对时效性要求较高的业务场景。

(本接口处于邀测阶段，请提交合作咨询申请测试）

请求说明

请求地址：https://aip.baidubce.com/rest/2.0/speech/publiccloudspeech/v1/asr/topspeed

HTTP 方法： POST

鉴权说明

当前接口支持 API Key 和 Access Token 两种鉴权方式，任选其一即可，无需同时填写。

请求头说明

Content-Type: application/json
Authorization: Bearer <API_KEY>（使用 API Key 鉴权时填写）

使用 Access Token 鉴权时，通过请求体中的 token 字段传入鉴权信息。Access Token 可通过 API Key 和 Secret Key 获取，详见 Access Token 获取。

请求参数说明

Body 参数如下：

参数名称	类型	是否必填	描述
token	string	条件必填	使用 Access Token 鉴权时填写，与请求头 `Authorization` 二选一。
rate	int	是	音频采样率，目前仅支持 `16000` Hz。
cuid	string	是	用户唯一标识，由开发者自行生成并保证唯一性。
model	string	是	识别模型名称，当前支持 `qianfan-asr-v1`。
speech	string	与 `speech_url` 二选一	音视频文件的 Base64 编码内容。支持 PCM、WAV、MP3、M4A、MP4、MOV 等常见格式。文件时长不超过 1 小时，大小不超过 500 MB。
speech_url	string	与 `speech` 二选一	可通过百度云对象存储 BOS 等方式提供可公网访问的音视频文件 URL。支持格式、时长及大小限制与 `speech` 一致。
enable_detail	int	否	是否返回详细转写结果。 `0`：仅返回转写文本；`1`：返回详细信息（默认）。取值范围：`0`、`1`。
enable_subtitle	int	否	是否开启字幕功能，按照字幕规则返回识别结果及对应时间戳。 `0`：关闭（默认）；`1`：开启。
subtitle_punc	int	否	字幕结果是否保留标点符号。 `0`：过滤标点（默认）；`1`：保留标点。仅在开启字幕功能时生效。
smooth_text	int	否	是否开启文本顺滑功能，包括标点优化、数字格式优化和口语过滤。 `0`：关闭（默认）；`1`：开启。
smooth_text_param	list[int]	否	指定文本顺滑功能，仅当 `smooth_text=1` 时生效。 `1`：标点优化；`2`：数字格式优化；`3`：口语过滤。支持组合配置，例如 `[1,2,3]` 开启全部功能。
filter_sensitive	int	否	是否开启敏感词过滤。`0`：关闭（默认）；`1`：开启。

Body请求示例：

Plain Text

1{
2  "token": "YOUR_ACCESS_TOKEN",
3  "rate": 16000,
4  "cuid": "baidu_asr",
5  "model": "qianfan-asr-v1",
6  "speech": "BASE64_ENCODED_AUDIO",
7  "enable_subtitle": 1,
8  "smooth_text": 1
9}

返回说明

返回参数：

参数名称	类型	描述
error_code	int	错误码，`0` 表示请求成功，其他值表示请求异常。
error_message	string	请求结果或错误信息。
audio_duration	int	音频整体时长，单位毫秒。
result	array[string]	完整转写结果，通常通过 `result[0]` 获取完整识别文本。
detailed_result	array[object]	分句转写详情，包含每句话的识别文本、时间戳及相关标识。

detailed_result 字段

参数名称	类型	描述
res	array[string]	当前句的识别文本，通常通过 `res[0]` 获取。
begin_time	int	当前句开始时间，单位毫秒。
end_time	int	当前句结束时间，单位毫秒。
sn	string	分句转写标识，供问题反馈与排查使用。
corpus_no	string	整段转写标识，供问题反馈与排查使用。

返回示例：

Plain Text

1{
2    "error_code":0,
3    "error_message":"请求成功",
4    "audio_duration":1300,
5    "result":["欢迎使用百度语音,"],
6    "detailed_result":[
7        {
8        "begin_time":0,
9        "corpus_no":"632690ff-40e8-4e59-9964-a381e4c64818_ws",
10        "end_time":1300,
11        "res":["欢迎使用百度语音,"],
12        "sn":"632690ff-40e8-4e59-9964-a381e4c64818_ws_ws_0","words_info":[]
13        },
14    ……]
15 }

评价此篇文章

有帮助没帮助

音频文件转写大模型

端到端语音语言大模型

百度智能云

语音技术