X-Api-App-Key

使用火山引擎控制台获取的APP ID，可参考 控制台使用FAQ-Q1

123456789

X-Api-Access-Key

使用火山引擎控制台获取的Access Token，可参考 控制台使用FAQ-Q1

your-access-key

X-Api-Resource-Id

表示调用服务的资源信息 ID

豆包录音文件识别模型1.0

• volc.bigasr.auc

豆包录音文件识别模型2.0

• volc.seedasr.auc

X-Api-Request-Id

用于提交和查询任务的任务ID，推荐传入随机生成的UUID

67ee89ba-7050-4c04-a3d7-ac61a63499b3

X-Api-Sequence

发包序号，固定值，-1

user

用户相关配置

1

dict

uid

用户标识

2

string

建议采用 IMEI 或 MAC。

audio

音频相关配置

1

dict

✓

url

音频链接

2

string

✓

language

指定可识别的语言

2

string

当该键为空时，该模型支持中英文、上海话、闽南语，四川、陕西、粤语识别。当将其设置为下方特定键时，它可以识别指定语言。
英语：en-US
日语：ja-JP
印尼语：id-ID
西班牙语：es-MX
葡萄牙语：pt-BR
德语：de-DE
法语：fr-FR
韩语：ko-KR
菲律宾语：fil-PH
马来语：ms-MY
泰语：th-TH
阿拉伯语：ar-SA
例如，如果输入音频是德语，则此参数传入de-DE

format

音频容器格式

2

string

✓

raw / wav / mp3 / ogg

codec

音频编码格式

2

string

raw / opus，默认为 raw(pcm) 。

rate

音频采样率

2

int

默认为 16000。

bits

音频采样点位数

2

int

默认为 16，暂只支持16bits。

channel

音频声道数

2

int

1(mono) / 2(stereo)，默认为1。

request

请求相关配置

1

dict

✓

model_name

模型名称

2

string

✓

目前只有bigmodel

model_version

模型版本

2

string

传model_version = "400" 使用400模型效果，不传时为默认310模型效果。
400模型性能略有提升，且ITN有较大优化。

enable_itn

启用itn

2

bool

默认为true。
文本规范化 (ITN) 是自动语音识别 (ASR) 后处理管道的一部分。 ITN 的任务是将 ASR 模型的原始语音输出转换为书面形式，以提高文本的可读性。
例如，“一九七零年”->“1970年”和“一百二十三美元”->“$123”。

enable_punc

启用标点

2

bool

默认为false。

enable_ddc

启用顺滑

2

bool

默认为false。
**语义顺滑**‌是一种技术，旨在提高自动语音识别（ASR）结果的文本可读性和流畅性。这项技术通过删除或修改ASR结果中的不流畅部分，如停顿词、语气词、语义重复词等，使得文本更加易于阅读和理解。

enable_speaker_info

启用说话人聚类分离

2

bool

默认为false，开启后可返回说话人的信息，10人以内，效果较好。
（如果音频存在音量、远近等明显变化，无法保证区分效果）

enable_channel_split

启用双声道识别

2

bool

如果设为"True"，则会在返回结果中使用channel_id标记，1为左声道，2为右声道。默认 "False"默认为false

show_utterances

输出语音停顿、分句、分词信息

2

bool

show_speech_rate

分句信息携带语速

2

bool

如果设为"True"，则会在分句additions信息中使用speech_rate标记，单位为 token/s。默认 "False"

show_volume

分句信息携带音量

2

bool

如果设为"True"，则会在分句additions信息中使用volume标记，单位为 分贝。默认 "False"

enable_lid

启用语种识别

2

bool

目前支持语种：中英文、上海话、闽南语，四川、陕西、粤语
如果设为"True"，则会在additions信息中使用lid_lang标记, 返回对应的语种标签。默认 "False"
支持的标签包括：

• singing_en：英文唱歌
• singing_mand：普通话唱歌
• singing_dia_cant：粤语唱歌
• speech_en：英文说话
• speech_mand：普通话说话
• speech_dia_nan：闽南语
• speech_dia_wuu：吴语（含上海话）
• speech_dia_cant：粤语说话
• speech_dia_xina：西南官话（含四川话）
• speech_dia_zgyu：中原官话（含陕西话）
• other_langs：其它语种（其它语种人声）
• others：检测不出（非语义人声和非人声）
  空时代表无法判断（例如传入音频过短等）

实际不支持识别的语种（无识别结果），但该参数可检测并输出对应lang_code。对应的标签如下：

• singing_hi：印度语唱歌
• singing_ja：日语唱歌
• singing_ko：韩语唱歌
• singing_th：泰语唱歌
• speech_hi：印地语说话
• speech_ja：日语说话
• speech_ko：韩语说话
• speech_th：泰语说话
• speech_kk：哈萨克语说话
• speech_bo：藏语说话
• speech_ug：维语
• speech_mn：蒙古语
• speech_dia_ql：琼雷话
• speech_dia_hsn：湘语
• speech_dia_jin：晋语
• speech_dia_hak：客家话
• speech_dia_chao：潮汕话
• speech_dia_juai：江淮官话
• speech_dia_lany：兰银官话
• speech_dia_dbiu：东北官话
• speech_dia_jliu：胶辽官话
• speech_dia_jlua：冀鲁官话
• speech_dia_cdo：闽东话
• speech_dia_gan：赣语
• speech_dia_mnp：闽北语
• speech_dia_czh：徽语

enable_emotion_detection

启用情绪检测

2

bool

如果设为"True"，则会在分句additions信息中使用emotion标记, 返回对应的情绪标签。默认 "False"
支持的情绪标签包括：

• "angry"：表示情绪为生气
• "happy"：表示情绪为开心
• "neutral"：表示情绪为平静或中性
• "sad"：表示情绪为悲伤
• "surprise"：表示情绪为惊讶

enable_gender_detection

启用性别检测

2

bool

如果设为"True"，则会在分句additions信息中使用gender标记, 返回对应的性别标签（male/female）。默认 "False"

vad_segment

使用vad分句

2

bool

默认为false，默认是语义分句。
打开双声道识别时，通常需要使用vad分句，可同时打开此参数

end_window_size

强制判停时间

2

int

范围300 - 5000ms，建议设置800ms或者1000ms，比较敏感的场景可以配置500ms或者更小。（如果配置的过小，则会导致分句过碎，配置过大会导致不容易将说话内容分开。建议依照自身场景按需配置）
配置该值，不使用语义分句，根据静音时长来分句。

sensitive_words_filter

敏感词过滤

2

string

敏感词过滤功能,支持开启或关闭,支持自定义敏感词。该参数可实现：不处理(默认,即展示原文)、过滤、替换为*。
示例：
system_reserved_filter //是否使用系统敏感词，会替换成*(默认系统敏感词主要包含一些限制级词汇）
filter_with_empty // 想要替换成空的敏感词
filter_with_signed // 想要替换成 * 的敏感词

"sensitive_words_filter":{\"system_reserved_filter\":true,\"filter_with_empty\":[\"敏感词\"],\"filter_with_signed\":[\"敏感词\"]}",

enable_poi_fc

开启 POI function call

2

bool

对于语音识别困难的词语，能调用专业的地图领域推荐词服务辅助识别
示例：

"request": {
    "enable_poi_fc": true,
    "corpus": {
        "context": "{\"loc_info\":{\"city_name\":\"北京市\"}}"
    }
}

其中loc_info字段可选，传入该字段结果相对更精准，city_name单位为地级市。

enable_music_fc

开启音乐 function call

2

bool

对于语音识别困难的词语，能调用专业的音领域推荐词服务辅助识别
示例：

"request": {
    "enable_music_fc": true
}

corpus

语料/干预词等

2

string

boosting_table_name

自学习平台上设置的热词词表名称

3

string

热词功能和设置方法可以参考文档

correct_table_name

自学习平台上设置的替换词词表名称

3

string

替换词功能和设置方法可以参考文档

context

上下文功能

3

string

1. 热词直传，支持5000个词

"context":"{"hotwords":[{"word":"热词1号"}, {"word":"热词2号"}]}"

2. 上下文，限制800 tokens及20轮（含）内，超出会按照时间顺序从新到旧截断，优先保留更新的对话

context_data字段按照从新到旧的顺序排列，传入需要序列化为jsonstring（转义引号）
豆包录音文件识别模型2.0，支持将上下文理解的范围从纯文本扩展到视觉层面，
通过理解图像内容，帮助模型更精准地完成语音转录。通过image_url传入图片，
图片限制传入1张，大小：500k以内（格式：jpeg、jpg、png ）

上下文:可以加入对话历史、聊天所在bot信息、个性化信息、业务场景信息等,如:
a.对话历史:把最近几轮的对话历史传进来
b.聊天所在bot信息:如"我在和林黛玉聊天","我在使用A助手和手机对话"
c.个性化信息:"我当前在北京市海淀区","我有四川口音","我喜欢音乐"
d.业务场景信息:"当前是中国平安的营销人员针对外部客户采访的录音,可能涉及..."
{
    \"context_type\": \"dialog_ctx\",
    \"context_data\":[
        {\"text\": \"text1\"},
        {\"image_url\": \"image_url\"},
        {\"text\": \"text2\"},
        {\"text\": \"text3\"},
        {\"text\": \"text4\"},
        ...
    ]
}

callback

回调地址

1

string

举例：

"callback": "http://xxx"

callback_data

回调信息

1

string

举例：

"callback_data":"$Request-Id"

X-Tt-Logid

服务端返回的 logid，建议用户获取和打印方便定位问题

202407261553070FACFE6D19421815D605

X-Api-Status-Code

提交任务后服务端返回的状态码，20000000表示提交成功，其他表示失败

X-Api-Message

提交任务后服务端返回的信息，OK表示成功，其他表示失败

X-Api-App-Key

使用火山引擎控制台获取的APP ID，可参考 控制台使用FAQ-Q1

123456789

X-Api-Access-Key

使用火山引擎控制台获取的Access Token，可参考 控制台使用FAQ-Q1

your-access-key

X-Api-Resource-Id

表示调用服务的资源信息 ID

豆包录音文件识别模型1.0

• volc.bigasr.auc

豆包录音文件识别模型2.0

• volc.seedasr.auc

X-Api-Request-Id

用于提交和查询任务的任务ID。查询时需使用提交成功的任务Id

67ee89ba-7050-4c04-a3d7-ac61a63499b3

X-Tt-Logid

服务端返回的 logid，建议用户获取和打印方便定位问题

202407261553070FACFE6D19421815D605

X-Api-Status-Code

提交任务后服务端返回的状态码，具体错误码参考下面错误码列表

X-Api-Message

提交任务后服务端返回的信息，OK表示成功，其他表示失败

result

识别结果

1

list

仅当识别成功时填写

text

整个音频的识别结果文本

2

string

仅当识别成功时填写。

utterances

识别结果语音分句信息

2

list

仅当识别成功且开启show_utterances时填写。

text

utterance级的文本内容

3

string

仅当识别成功且开启show_utterances时填写。

start_time

起始时间（毫秒）

3

int

仅当识别成功且开启show_utterances时填写。

end_time

结束时间（毫秒）

3

int

仅当识别成功且开启show_utterances时填写。

20000000

成功

20000001

正在处理中

20000002

任务在队列中

20000003

静音音频

返回该错误码无需重新query，直接重新submit

45000001

请求参数无效

请求参数缺失必需字段 / 字段值无效 / 重复请求。

45000002

空音频

45000151

音频格式不正确

550xxxx

服务内部处理错误

55000031

服务器繁忙

服务过载，无法处理当前请求。