语音识别与转写 API

输入

音频文件，或 base64 编码的 input_audio 载荷，具体取决于模型的 api_mode。

输出

转写文本，或结构化的转写响应。

端点

POST /v1/audio/transcriptions or POST /v1/chat/completions with input_audio, according to api_mode

生命周期

所列公开端点模式均为同步调用。请持久化保存转写结果，并显式处理被拒绝的文件格式。

stepaudio-2-asr-pro

StepFun StepAudio 2 ASR Pro——32B 参数的语音识别模型，是 StepFun ASR 产品线中准确率优先的选择，而 stepaudio-2.5-asr 是该产品线中速度与成本优先的选择。支持上传 ogg、mp3 与 wav 文件；转写输出不计费。

任务： 转写

端点： POST /v1/audio/transcriptions

费用示例： 1 音频小时 × $0.296296 = $0.296296。

mimo-v2.5-asr

Xiaomi MiMo-V2.5-ASR——语音识别模型，适用于中文、英文、语码转换、地方方言、嘈杂录音、远场音频、多说话人和歌词。

任务： 转写

端点： POST /v1/chat/completions

费用示例： 1 音频小时 × $0.074 = $0.074。

qwen3-asr-flash

Qwen3-ASR-Flash——多语言文件转写，支持语言提示、逆文本规范化、情感识别和 OpenAI-compatible 音频输入。

任务： 转写

端点： POST /v1/audio/transcriptions

费用示例： 1 音频小时 × $0.126 = $0.126。

stepaudio-2.5-asr

StepAudio 2.5 ASR——一款 4B MTP 流式转写模型，适用于快速中英文识别、ITN 规范化、字幕、会议和语音 Agent。

任务： 转写

端点： POST /v1/audio/transcriptions

费用示例： 1 音频小时 × $0.022 = $0.022。