跳转到主要内容
非实时

Fun-ASR 录音文件识别 HTTP API

录音文件转写 REST API

使用指南: 教程、代码示例和模型详情请参见录音文件转写 该服务包含两个 API:任务提交任务查询。先提交任务,再轮询查询 API 获取结果。

限制条件

该服务不支持上传本地文件或 Base64 编码的音频。您必须提供通过 HTTP 或 HTTPS 协议公开访问的文件 URL,例如 https://your-domain.com/file.mp3 通过 file_urls 参数指定 URL,单次请求仅支持 1 个 URL。
  • 音频格式aacamraviflacflvm4amkvmovmp3mp4mpegoggopuswavwebmwmawmv
音频格式存在众多变体,API 无法保证所有格式都能正确处理。请先测试您的文件以验证结果。
  • 音频采样率: 不限
  • 文件大小和时长:最大 2 GB,最长 12 小时。超出限制的文件需先预处理,参见使用 FFmpeg 预处理音频文件
  • 批量大小:单次请求仅支持 1 个文件 URL。
  • 支持语言:fun-asr 系列支持 30 种语言,详见支持的语言
  • 前端调用:不支持从前端直接调用该 API,请使用后端代理。

任务提交 API

基本信息

项目说明
描述提交语音识别任务。
URLhttps://dashscope.aliyuncs.com/api/v1/services/audio/asr/transcription
请求方式POST
请求头见下文
请求体见下文
请求头
Authorization: Bearer $DASHSCOPE_API_KEY
Content-Type: application/json
X-DashScope-Async: enable
必须包含 X-DashScope-Async: enable 请求头。
请求体(包含所有请求参数,可选字段可省略):
  • 普通调用
  • 即时热词
  • 上下文
{
  "model": "qwen-audio-3.0-asr-flash-filetrans",
  "input": {
    "file_urls": [
      "https://dashscope.oss-cn-beijing.aliyuncs.com/samples/audio/paraformer/hello_world_female2.wav"
    ]
  },
  "parameters": {
    "channel_id": [0],
    "diarization_enabled": false,
    "speaker_count": 2
  }
}

请求参数

curl --location 'https://dashscope.aliyuncs.com/api/v1/services/audio/asr/transcription' \
     --header "Authorization: Bearer $DASHSCOPE_API_KEY" \
     --header "Content-Type: application/json" \
     --header "X-DashScope-Async: enable" \
     --data '{"model":"qwen-audio-3.0-asr-flash-filetrans","input":{"file_urls":["https://dashscope.oss-cn-beijing.aliyuncs.com/samples/audio/paraformer/hello_world_female2.wav"]},"parameters":{"channel_id":[0]}}'
参数类型默认值是否必填说明
modelstring-模型名称。支持 Qwen-Audio-3.0-ASR-Flash-Filetrans 和 Fun-ASR 系列模型,参见语音识别模型
file_urlsarray[string]-音频或视频文件 URL 列表(HTTP/HTTPS),单次请求仅支持 1 个 URL。
contextarray[object]-消息列表,包含可选的对话上下文(用于提升识别效果)。参见上下文增强。SDK 暂不支持该功能。
context[].rolestring-消息角色。user:前几轮的识别结果或领域相关的词表;assistant:前几轮大语言模型的回复内容。
context[].contentarray[object]-消息内容列表。
context[].content[].typestring-内容类型。input_text(上下文,前几轮用户语音的识别结果或词表,roleuser,需同时传入 text);text(上下文,前几轮大语言模型的回复内容,roleassistant,需同时传入 text)。
context[].content[].textstring-条件必选typeinput_texttext 时必填。上下文文本内容,每轮所有消息的 text 字段长度之和不超过 400 个字符,超出部分从末尾截断。
vocabulary_idstring-预编译热词列表 ID。需预先调用创建热词列表接口生成,识别时传入该 ID 即可使用列表中的热词。适用于词汇已知且相对稳定、需要跨请求复用同一词表的场景。参见预编译热词
vocabularyobject-即时热词。以键值对形式传入,键为热词文本(string),值为热词权重(integer),无需预先创建热词列表。权重取值范围为 [1, 5] 或 50:取 [1, 5] 时值越大模型越倾向输出该词;取 50 时为超级热词,召回率大幅提升,但超级热词数量最多不超过 50 个。适用于临时性、会话级别的热词优化。与预编译热词同时配置时,仅即时热词生效。参见即时热词

qwen-audio-3.0-asr-flash-filetrans 支持即时热词。
channel_idarray[integer][0]多音轨文件中要识别的音轨索引,从 0 开始。例如 [0] 识别第一音轨,[0, 1] 识别前两个音轨。默认识别第一音轨。
special_word_filterstring-配置敏感词处理方式。参见敏感词过滤详情
diarization_enabledbooleanfalse启用说话人分离。仅支持单声道音频。启用后,结果中包含 speaker_id 字段以区分不同说话人。参见识别结果说明
speaker_countinteger-说话人数量参考值(2 到 100)。仅在 diarization_enabledtrue 时生效。算法会尽量输出指定数量的说话人,但不保证准确。默认自动检测。
language_hintsarray[string]["zh", "en"]识别语言代码。未设置时模型自动检测语言。对于 Qwen-Audio-3.0-ASR-Flash-Filetrans 系列模型,最多支持设置 4 个值,超出 4 个时仅前 4 个生效;对于 Fun-ASR 系列模型,仅支持设置 1 个值。参见支持的语言
channel_id 中的每个音轨单独计费。例如:对一个文件使用 [0, 1] 会产生两次计费。

敏感词过滤详情

未设置 special_word_filter 时,内置过滤器将匹配的词替换为等长的星号(*)。 设置后,可使用以下策略:
  • 替换为 *:将匹配的词替换为等长的星号。
  • 过滤删除:从结果中移除匹配的词。
值必须为 JSON 字符串:
{
  "filter_with_signed": {
    "word_list": ["test"]
  },
  "filter_with_empty": {
    "word_list": ["start", "happen"]
  },
  "system_reserved_filter": true
}
字段说明
  • filter_with_signed
    • 类型:object。是否必填:否。
    • 将匹配的词替换为等长的星号。
    • 示例:"Help me test this piece of code" 变为 "Help me **** this piece of code"。
    • 内部字段:word_list -- 要替换的词的字符串数组。
  • filter_with_empty
    • 类型:object。是否必填:否。
    • 从结果中移除匹配的词。
    • 示例:"Is the game about to start?" 变为 "Is the game about to ?"。
    • 内部字段:word_list -- 要移除的词的字符串数组。
  • system_reserved_filter
    • 类型:Boolean。是否必填:否。默认值:true
    • 启用系统预设的敏感词规则。设为 true 时,匹配 千问AI平台敏感词列表的词会被替换为等长的星号。

支持的语言

各模型支持的语言代码:
  • qwen-audio-3.0-asr-flash-filetrans, fun-asr, fun-asr-2025-11-07, fun-asr-mtl, fun-asr-mtl-2025-08-25
    • zh:中文、en:英文、ja:日语、ko:韩语、vi:越南语、th:泰语、id:印尼语、ms:马来语、tl:菲律宾语、hi:印地语、ar:阿拉伯语、fr:法语、de:德语、es:西班牙语、pt:葡萄牙语、ru:俄语、it:意大利语、nl:荷兰语、sv:瑞典语、da:丹麦语、fi:芬兰语、no:挪威语、el:希腊语、pl:波兰语、cs:捷克语、hu:匈牙利语、ro:罗马尼亚语、bg:保加利亚语、hr:克罗地亚语、sk:斯洛伐克语
  • fun-asr-2025-08-25
    • zh:中文、en:英文

响应参数

{
  "output": {
    "task_status": "PENDING",
    "task_id": "c2e5d63b-96e1-4607-bb91-************"
  },
  "request_id": "77ae55ae-be17-97b8-9942-************"
}
参数类型说明
task_statusstring任务状态:PENDINGRUNNINGSUCCEEDEDFAILED
task_idstring任务 ID,用于任务查询 API 获取结果。
request_idstring请求 ID。

任务查询 API

基本信息

项目说明
描述查询语音识别任务的状态和结果。
URLhttps://dashscope.aliyuncs.com/api/v1/tasks/\{task_id\}
请求方式GET
请求头见下文
请求体
请求头
Authorization: Bearer $DASHSCOPE_API_KEY

请求参数

curl --location 'https://dashscope.aliyuncs.com/api/v1/tasks/{task_id}' \
     --header "Authorization: Bearer $DASHSCOPE_API_KEY"
参数类型默认值是否必填说明
task_idstring-任务提交 API 返回的任务 ID。

响应参数

多子任务场景:只要有任何一个子任务成功,整体状态即为 SUCCEEDED。请检查 subtask_status 了解各子任务的实际结果。
{
  "request_id": "f9e1afad-94d3-997e-a83b-************",
  "output": {
    "task_id": "f86ec806-4d73-485f-a24f-************",
    "task_status": "SUCCEEDED",
    "submit_time": "2024-09-12 15:11:40.041",
    "scheduled_time": "2024-09-12 15:11:40.071",
    "end_time": "2024-09-12 15:11:40.903",
    "results": [
      {
        "file_url": "https://dashscope.oss-cn-beijing.aliyuncs.com/samples/audio/paraformer/hello_world_male2.wav",
        "transcription_url": "https://dashscope-result-bj.oss-cn-beijing.aliyuncs.com/pre/filetrans-16k/20240912/15%3A11/3bdf7689-b598-409d-806a-121cff5e4a31-1.json?Expires=1726211500&OSSAccessKeyId=yourOSSAccessKeyId&Signature=Fj%2BaF%2FH0Kayj3w3My2ECBeP****%3D",
        "subtask_status": "SUCCEEDED"
      },
      {
        "file_url": "https://dashscope.oss-cn-beijing.aliyuncs.com/samples/audio/paraformer/hello_world_female2.wav",
        "transcription_url": "https://dashscope-result-bj.oss-cn-beijing.aliyuncs.com/pre/filetrans-16k/20240912/15%3A11/409a4b92-445b-4dd8-8c1d-f110954d82d8-1.json?Expires=1726211500&OSSAccessKeyId=yourOSSAccessKeyId&Signature=v5Owy5qoAfT7mzGmQgH0g8C****%3D",
        "subtask_status": "SUCCEEDED"
      }
    ],
    "task_metrics": {
      "TOTAL": 2,
      "SUCCEEDED": 2,
      "FAILED": 0
    }
  },
  "usage": {
    "duration": 9
  }
}
code 字段包含错误码,message 字段包含错误信息。这些字段仅在出错时出现。
{
  "request_id": "a1b2c3d4-xxxx-xxxx-xxxx-xxxxxxxxxxxx",
  "output": {
    "task_id": "7bac899c-06ec-4a79-8875-xxxxxxxxxxxx",
    "task_status": "SUCCEEDED",
    "submit_time": "2024-12-16 16:30:59.170",
    "scheduled_time": "2024-12-16 16:30:59.204",
    "end_time": "2024-12-16 16:31:02.375",
    "results": [
      {
        "file_url": "https://dashscope.oss-cn-beijing.aliyuncs.com/samples/audio/sensevoice/long_audio_demo_cn.mp3",
        "transcription_url": "https://dashscope-result-bj.oss-cn-beijing.aliyuncs.com/prod/paraformer-v2/20241216/xxxx",
        "subtask_status": "SUCCEEDED"
      },
      {
        "file_url": "https://dashscope.oss-cn-beijing.aliyuncs.com/samples/audio/sensevoice/rich_text_example_1.wav",
        "code": "FILE_DOWNLOAD_FAILED",
        "message": "FILE_DOWNLOAD_FAILED",
        "subtask_status": "FAILED"
      }
    ],
    "task_metrics": {
      "TOTAL": 2,
      "SUCCEEDED": 1,
      "FAILED": 1
    }
  }
}
{
  "request_id": "b3c4d5e6-xxxx-xxxx-xxxx-xxxxxxxxxxxx",
  "output": {
    "task_id": "9d1f2a3b-xxxx-xxxx-xxxx-xxxxxxxxxxxx",
    "task_status": "RUNNING",
    "submit_time": "2024-09-12 15:11:40.041",
    "scheduled_time": "2024-09-12 15:11:40.071",
    "task_metrics": {
      "TOTAL": 2,
      "SUCCEEDED": 0,
      "FAILED": 0
    }
  }
}
参数类型说明
task_idstring任务 ID。
task_statusstring任务状态。
subtask_statusstring子任务状态。
file_urlstring已处理文件的 URL。
transcription_urlstring识别结果链接,有效期 24 小时。过期后无法查询任务或下载结果。结果为 JSON 文件,可通过 HTTP 下载或读取。参见识别结果说明
submit_timestring任务提交时间。
scheduled_timestring任务调度时间。
end_timestring任务结束时间。
task_metricsobject任务指标:包含 TOTAL(总数)、SUCCEEDED(成功数)和 FAILED(失败数)。
usageobject用量信息。duration 为总时长,单位为秒。

识别结果说明

识别结果为 JSON 文件。
以下为启用说话人分离(diarization_enabled=true)时的识别结果示例:
{
  "file_url": "https://dashscope.oss-cn-beijing.aliyuncs.com/samples/audio/paraformer/hello_world_female2.wav",
  "properties": {
    "audio_format": "pcm_s16le",
    "channels": [0],
    "original_sampling_rate": 16000,
    "original_duration_in_milliseconds": 3834
  },
  "transcripts": [
    {
      "channel_id": 0,
      "content_duration_in_milliseconds": 3720,
      "text": "Hello world, this is Alibaba Speech Lab.",
      "sentences": [
        {
          "begin_time": 100,
          "end_time": 3820,
          "text": "Hello world, this is Alibaba Speech Lab.",
          "sentence_id": 1,
          "speaker_id": 0,
          "words": [
            {
              "begin_time": 100,
              "end_time": 596,
              "text": "Hello ",
              "punctuation": ""
            },
            {
              "begin_time": 596,
              "end_time": 844,
              "text": "world",
              "punctuation": ", "
            }
          ]
        }
      ]
    }
  ]
}
speaker_id 字段仅在启用说话人分离时出现。为简洁起见,其他词条目已省略。
主要参数:
参数类型说明
audio_formatstring源文件的音频格式。
channelsarray[integer]音轨索引。单音轨返回 [0],双音轨返回 [0, 1],以此类推。
original_sampling_rateinteger采样率(Hz)。
original_duration_in_millisecondsinteger原始音频时长(毫秒)。
channel_idinteger转写的音轨索引,从 0 开始。
content_duration_in_millisecondsinteger音轨中语音内容的时长(毫秒)。
textstring转写文本(段落级或词级,取决于上下文)。
sentencesarray句级转写结果。
sentence_idinteger句子序号,从 1 开始。
wordsarray词级转写结果。
begin_timeinteger起始时间戳(毫秒)。
end_timeinteger结束时间戳(毫秒)。
speaker_idinteger说话人索引,从 0 开始。仅在启用说话人分离时出现。
punctuationstring词后的预测标点符号(如有)。
计费仅基于语音片段,而非文件总时长。非语音片段不计费。由于语音检测使用 AI 模型,计费时长可能与预期内容时长略有差异。

DashScope 同步调用

与上述异步调用(提交-轮询)不同,同步调用适用于短音频场景,一次请求立即返回识别结果。该模式包含两个模型:qwen-audio-3.0-asr-flash(离线,最长 5 分钟音频,支持上下文增强)和 fun-asr-realtime(在线,仅支持北京地域)。此功能均不支持 SDK 调用。

Qwen-Audio-3.0-ASR-Flash / Fun-ASR-Flash

服务端点

POST https://dashscope.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation

请求头

参数类型是否必选说明
Authorizationstring鉴权令牌,格式为 Bearer $DASHSCOPE_API_KEY
Content-Typestring固定为 application/json
X-DashScope-SSEstring设为 enable 时开启 SSE 流式返回模式。仅当音频时长不少于 1 分钟时,服务端才会分多次返回中间识别结果和最终结果;设为 disable 或不传则仅返回最终结果。

请求参数

润色顺滑功能默认关闭,暂未开放润色顺滑:模型在识别语音的同时,自动清理无意义语气词和口吃重复,处理说话过程中的自我纠正,理顺口语表达,并规范标点与文本格式。输出结果更加简洁、流畅、易读,同时尽可能保留用户的最终意图和关键信息。
参数类型是否必选说明
modelstring模型名称。支持 Qwen-Audio-3.0-ASR-Flash 和 Fun-ASR-Flash 系列模型,参见语音识别模型
input.messagesarray[object]消息列表。包含当前待识别的音频,以及可选的对话上下文(用于提升专有词汇的识别准确率),参见上下文增强
input.messages[].rolestring消息角色。user:用户消息,typeinput_audio 时表示当前待识别的音频,为 input_text 时表示上下文中前几轮的识别结果或词表。assistant:上下文中前几轮大语言模型的回复内容。
input.messages[].content[].typestring内容类型。每个请求至少需要一条 input_audio 类型的消息。取值:input_audio(当前待识别的音频,roleuser)、input_text(上下文中前几轮的识别结果或词表,roleuser)、text(上下文中前几轮大语言模型的回复内容,roleassistant)。
input.messages[].content[].input_audio.datastring条件必选typeinput_audio 时必填。待识别音频数据,支持音频文件 URL 或 Base64 Data URI(格式:data:{MIME_TYPE};base64,{BASE64_ENCODED_DATA},支持的 MIME 类型包括 audio/wavaudio/mp3 等)。
input.messages[].content[].textstring条件必选typeinput_texttext 时必填。上下文文本内容,每轮所有消息的 text 字段长度之和不超过 400 个字符,超出部分从末尾截断。
parameters.formatstring音频格式,如 wavmp3opus
parameters.sample_ratestring音频采样率,单位 Hz,例如 16000 表示 16kHz。
parameters.vocabulary_idstring预编译热词列表 ID。需预先调用创建热词列表接口生成,识别时传入该 ID 即可使用列表中的热词。适用于词汇已知且相对稳定、需要跨请求复用同一词表的场景。参见预编译热词
parameters.vocabularyobject即时热词。以键值对形式传入,键为热词文本(string),值为热词权重(integer),无需预先创建热词列表。权重取值范围为 [1, 5] 或 50:取 50 时为超级热词。与预编译热词同时配置时,仅即时热词生效。参见即时热词

qwen-audio-3.0-asr-flash 支持即时热词。
parameters.language_hintsarray[string]识别语言代码。未设置时模型自动检测语言。对于 Qwen-Audio-3.0-ASR-Flash 系列模型,最多支持设置 4 个值,超出 4 个时仅前 4 个生效;对于 Fun-ASR-Flash 系列模型,仅支持设置 1 个值。参见支持的语言

示例

  • 非流式
  • 流式(SSE)
  • 即时热词
  • 携带上下文-非流式
  • 携带上下文-流式(SSE)
curl --location --request POST 'https://dashscope.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation' \
  --header "Authorization: Bearer $DASHSCOPE_API_KEY" \
  --header "Content-Type: application/json" \
  --header "X-DashScope-SSE: disable" \
  --data '{
  "model": "qwen-audio-3.0-asr-flash",
  "input": {
    "messages": [
      {
        "role": "user",
        "content": [
          {
            "type": "input_audio",
            "input_audio": {
              "data": "https://dashscope.oss-cn-beijing.aliyuncs.com/samples/audio/paraformer/hello_world_female2.wav"
            }
          }
        ]
      }
    ]
  },
  "parameters": {
    "format": "wav",
    "sample_rate": "16000"
  }
}'

Base64 音频上传

可输入 Base64 编码数据(Data URL),格式为:
data:<mediatype>;base64,<data>
  • <mediatype>:MIME 类型,因音频格式而异,例如:
    • WAV:audio/wav
    • MP3:audio/mpeg
  • <data>:音频转成的 Base64 编码字符串。Base64 编码会增大体积,请控制原文件大小,确保编码后仍符合输入音频大小限制(10MB)。
示例:data:audio/wav;base64,SUQzBAAAAAAAI1RTU0UAAAAPAAADTGF2ZjU4LjI5LjEwMAAAAAAAAAAAAAAA//PAxABQ/BXRbMPe4IQAhl9 将本地音频文件转换为 Base64 Data URI:
  • Python
  • Java
import base64, pathlib
# input.mp3 为待识别的本地音频文件,请替换为自己的音频文件路径,确保其符合音频要求
file_path = pathlib.Path("input.mp3")
base64_str = base64.b64encode(file_path.read_bytes()).decode()
data_uri = f"data:audio/mpeg;base64,{base64_str}"
使用 Base64 Data URI 调用识别接口的完整示例:
import base64, pathlib
import os
import requests

# input.wav 为待识别的本地音频文件,请替换为自己的音频文件路径,确保其符合音频要求
file_path = pathlib.Path("input.wav")
base64_str = base64.b64encode(file_path.read_bytes()).decode()
data_uri = f"data:audio/wav;base64,{base64_str}"

url = "https://dashscope.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation"
headers = {
    "Authorization": f"Bearer {os.environ['DASHSCOPE_API_KEY']}",
    "Content-Type": "application/json",
    "X-DashScope-SSE": "disable",
}
payload = {
    "model": "qwen-audio-3.0-asr-flash",
    "input": {
        "messages": [
            {
                "role": "user",
                "content": [
                    {
                        "type": "input_audio",
                        "input_audio": {
                            "data": data_uri,
                        },
                    }
                ],
            }
        ]
    },
    "parameters": {
        "format": "wav",
        "sample_rate": "16000",
    },
}
response = requests.post(url, headers=headers, json=payload)
print(response.status_code)
print(response.json())

响应字段

参数类型说明
request_idstring本次请求的唯一标识。
output.textstring当前累积的完整识别文本。
output.sentence.sentence_idinteger句子编号,从 1 开始。
output.sentence.sentence_endboolean是否为该句的最终结果(true=识别完成,false=识别中)。
output.sentence.begin_timeinteger句子开始时间,单位毫秒。
output.sentence.end_timeinteger句子结束时间,单位毫秒。仅在 sentence_endtrue 时返回。
output.sentence.channel_idinteger声道编号,从 0 开始。
output.sentence.wordsarray词级别时间戳列表,每个词包含 textbegin_timeend_timepunctuationfixed(是否已确认)。
usage.durationinteger已处理的音频时长,单位秒。仅在 sentence_endtrue 时返回。

Fun-ASR-Realtime

该功能只支持北京地域。

服务端点

POST https://dashscope.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation

请求头

参数类型是否必选说明
Authorizationstring鉴权令牌,格式为 Bearer $DASHSCOPE_API_KEY
Content-Typestring固定为 application/json
X-DashScope-SSEstring设为 enable 时以 SSE 流式方式返回中间和最终结果;设为 disable 或不传则仅返回最终结果。

请求参数

参数类型是否必选说明
modelstring模型名称。取值:fun-asr-realtime(稳定版)、fun-asr-realtime-2026-02-28
input.messagesarray[object]条件必选消息列表,使用 Base64 方式上传音频时填写。与 parameters.audio_address 二选一。
input.messages[].content[].audiostring待识别音频,Data URI 格式:data:audio/wav;base64,{BASE64_ENCODED_DATA}。支持的 MIME 类型:audio/wavaudio/mp3 等。
input.messages[].rolestring固定为 user
parameters.audio_addressstring条件必选音频文件 URL(HTTP/HTTPS)。与 input.messages 二选一。
parameters.formatstring音频格式,如 mp3wav
parameters.vad_enabledboolean是否启用 VAD。默认值:false。启用后对音频做端点检测再识别。

示例

  • 非流式
  • 流式(SSE)
curl --location --request POST 'https://dashscope.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation' \
  --header "Authorization: Bearer $DASHSCOPE_API_KEY" \
  --header "Content-Type: application/json" \
  --header "X-DashScope-SSE: disable" \
  --data '{
  "model": "fun-asr-realtime",
  "input": {
    "messages": []
  },
  "parameters": {
    "audio_address": "https://example.com/audio/sample.mp3",
    "format": "mp3"
  },
  "resources": []
}'

响应字段

流式(SSE)模式下,每个事件的 output.sentence 包含以下字段:
参数类型说明
textstring识别文本。
sentence_idinteger句子序号,从 1 开始递增。
sentence_endboolean是否句子结束(true=最终结果,false=中间结果)。
sentence_beginboolean是否为语句起始帧。
begin_timeinteger语句开始时间(ms)。
end_timeinteger语句结束时间(ms)。
channel_idinteger音频通道编号。
wordsarray词级时间戳。每个词包含 begin_timeend_timetextpunctuationfixed(是否已确认)。

常见问题

功能特性

异步任务提交 API 不支持。Fun-ASR 非实时语音识别仅支持公网可访问的 HTTP/HTTPS URL,不支持本地文件上传或 Base64 编码格式。
可通过以下方式获取公网URL:
  1. 选择存储服务:使用对象存储、自建Web服务器或CDN等。
  2. 上传文件:将音频文件上传至所选存储服务。
  3. 生成URL:获取文件的公网访问链接。
  4. 验证URL:在浏览器中访问该URL,确认可以正常下载文件。
使用SDK时,不支持 oss:// 前缀的URL。使用RESTful API时,虽然支持 oss:// 前缀,但生成的下载链接有效期仅48小时、且QPS限制为100,不建议在生产环境使用。
任务提交后会进入PENDING(排队)状态,排队时长取决于当前队列长度和音频时长,通常在几分钟内完成。音频越长,等待时间可能越长。

故障排查

可能是当前服务负载较高导致排队时间较长,请耐心等待。
请检查音频格式和采样率是否正确且符合参数约束。可以使用 ffprobe 工具获取音频的容器、编码、采样率、声道等信息:
ffprobe -v error -show_entries format=format_name -show_entries stream=codec_name,sample_rate,channels -of default=noprint_wrappers=1 input.xxx