产品文档

语音识别

更新于 2026-09-04

蒙古语/中文语音转文字，支持音频文件转写与 WebSocket 实时流式识别。

能力与场景

语音识别提供音频文件转写与实时流式识别两种形态，对蒙古语多口音场景做过专项训练。典型场景：字幕生成、会议记录、语音输入法、呼叫中心质检。

端点列表

方法	路径	说明
POST	`/v1/asr/transcriptions`	音频文件转写（multipart 上传整段音频）
WSS	`/v1/asr/realtime`	实时流式识别（WebSocket，连续送入音频帧）

每个端点的请求参数、响应结构与可运行代码示例见本页下方「API 参考」（随接口定义自动生成，始终与线上一致）。

调用要点

文件转写适合已录制完成的音频；实时识别适合边说边出字的交互场景。
实时接口为原生 WebSocket：握手后先发 start 控制帧，再连续发送 16kHz / 16-bit / 单声道 PCM 音频帧，服务端持续返回中间结果与分句最终结果；完整帧协议与可运行示例见本页下方「API 参考」。
文件转写的音频格式、大小与时长上限以 API 参考为准。
按音频**时长（秒）**计费，实时识别按会话累计的音频时长计。

支持语种

文件转写与实时流式（WebSocket）共用同一语种列表。
传统蒙古文与西里尔蒙古文在语音上是同一种语言，mw / xle_mw 的区别只在识别结果的书写系统。

音频语言（参数 language）：

代码	语种	说明
`xle_mw`	西里尔蒙古文	默认值；蒙古国通用的西里尔字母书写
`mw`	传统蒙古文	与西里尔蒙古文语音相同，差别只在识别结果的书写系统
`zh`	中文	简体中文
`en`	英语	—
`es`	西班牙语	—
`fr`	法语	—
`de`	德语	—
`ja`	日语	—
`ko`	韩语	—
`ru`	俄语	—
`pt`	葡萄牙语	—
`ar`	阿拉伯语	—
`hi`	印地语	—
`id`	印尼语	—
`yue`	粤语	繁体书写

完整代码表与各产品对照见「语种与语言代码」。

计费

计费单位：秒
每月免费额度于月初重置，优先于余额抵扣；超出部分按单价从智能云余额扣费。
仅对成功的调用计费；失败调用不扣费。
实时单价与免费额度见本页下方「当前价格」（后台调价即时生效），总规则见「计费与免费额度」。

当前价格

以下为实时生效价，与定价页同源；调价后此处立即同步。仅对成功调用计费，免费额度优先抵扣。

计费单位	单价	每月免费额度
按秒计费	¥0.01 / 秒	360 秒 / 月

API 参考

本产品共 2 个接口，以下内容随接口定义自动生成。需要跨产品查找接口时可前往接口索引。

音频文件转写

POST/v1/asr/transcriptions

整段音频文件转文字（非实时）。支持 wav/mp3/m4a/aac/flac/ogg/opus/webm 等常见格式（不支持的格式服务端自动转码）。两种投递方式：multipart/form-data 上传 file 字段，或 application/json 提交 audioUrl 由服务端下载（超时 30 秒）。音频上限 100MB。按有效语音秒数计费。

请求参数application/json

参数	类型	说明
`file`可选	file	音频文件（multipart 方式，与 audioUrl 二选一）
`audioUrl`可选	string	音频公网 URL（JSON 方式，与 file 二选一）示例：`https://example.com/meeting.mp3`
`language`可选	string	音频语言（默认 xle_mw=西里尔蒙古文）示例：`xle_mw`
`diarization`可选	boolean	是否开启说话人分离示例：`false`

响应示例200 · application/json

200 响应

{
  "text": "Сайн байна уу Би туслах байна",
  "segments": [
    {
      "start": 0.4,
      "end": 3.2,
      "text": "Сайн байна уу",
      "speaker": "说话人1"
    }
  ],
  "durationSeconds": 63
}

代码示例

curl -X POST "https://cloud.heimori.cn/v1/asr/transcriptions" \
  -H "Authorization: Bearer sk-heimori-..." \
  -F "file=@example.wav" \
  -F "audioUrl=https://example.com/meeting.mp3" \
  -F "language=xle_mw" \
  -F "diarization=false"

实时语音识别（WebSocket 流式）

WSSwss://cloud.heimori.cn/v1/asr/realtime

边说边出字的流式识别：客户端持续推送 PCM 音频帧，服务端持续返回中间结果与分句最终结果。协议为文本 JSON 控制帧 + 二进制音频帧，基址 wss://cloud.heimori.cn。

鉴权：握手时携带 Authorization: Bearer sk-heimori-... 请求头；浏览器原生 WebSocket 不能自定义请求头，可改用查询参数 ?key=sk-heimori-...（注意不要把密钥暴露在前端页面里，建议由你的服务端中转）。

音频格式：二进制帧为 16kHz / 16-bit / 单声道 PCM（小端），单帧不超过 128KB 且字节数为偶数；建议每 100–200ms 发送一帧。

帧协议：

方向	帧	说明
C→S	`{"type":"start","language":"xle_mw","sampleRate":16000,"format":"pcm"}`	开始会话；`language` 见下方取值，`sampleRate` / `format` 可省略（只支持 16000 / pcm）
S→C	`{"type":"started","requestId":"..."}`	会话就绪，可以开始发音频；`requestId` 用于对账与排障
C→S	二进制 PCM 帧	持续发送音频
S→C	`{"type":"result","text":"...","isFinal":false}`	中间结果（会被后续结果覆盖）
S→C	`{"type":"result","text":"...","isFinal":true}`	一个完整分句的最终结果
C→S	`{"type":"end"}`	音频发送完毕，等待剩余结果
S→C	`{"type":"done","durationSeconds":12.4}`	会话结束并给出计费时长，随后服务端以 1000 关闭连接
S→C	`{"type":"error","code":"...","message":"..."}`	任意阶段的错误，`code` 与 HTTP 接口错误码一致

language 取值：xle_mw / mw / zh / en / es / fr / de / ja / ko / ru / pt / ar / hi / id / yue（默认 xle_mw），含义见「语种与语言代码」。

连接约束：

建立连接后 30 秒内必须发送 start，否则以 invalid_request 关闭；
连续 120 秒无任何消息视为空闲，服务端主动关闭；
单连接最长 60 分钟音频；
每条连接占用一个并发席位（与密钥的并发上限共享）。

计费：按服务端实际接收的音频时长计秒（不足 1 秒进 1 秒），连接结束时一次性结算；上游识别失败的连接不扣费。

握手参数

参数	类型	说明
`key`query可选	string	API Key（仅当客户端无法设置 Authorization 请求头时使用，二选一）示例：`sk-heimori-...`

代码示例

# 用 wscat 手工调试（npm install -g wscat）；二进制音频帧无法在终端手敲，
# 这里只演示握手与控制帧，完整示例见 Python / JavaScript 标签
wscat -c "wss://cloud.heimori.cn/v1/asr/realtime" \
  -H "Authorization: Bearer sk-heimori-..."
> {"type":"start","language":"xle_mw"}
< {"type":"started","requestId":"..."}
> {"type":"end"}
< {"type":"done","durationSeconds":0}