硅基流动现已提供稳定可用的语音转文字（STT）API 服务，支持免费档 L0 专用 ASR 语音识别模型。使用前需在正式控制台的 Model Hub→Speech 页面确认模型是否可用，调用时还要重点关注音频格式、参数设置以及常见错误处理。
硅基流动已经明确支持语音识别，并上线了稳定可用的语音转文字（STT）API 接口。根据 2026 年 8 月最新信息，其免费档（L0）已包含专用 ASR 模型，开发者可直接调用，实现高精度、低延迟的语音转写与音频识别。
确认语音识别能力是否可用
进入硅基流动正式控制台（console.siliconflow.com）后，先完成账号登录，再依次打开「Model Hub」→「Speech」分类页面。页面顶部凡是标注“A vailable now”的模型，均表示当前可直接调用的语音识别模型，例如 【SiliconFlow-ASR-v3】，或名称中带有“stt”标识的模型。若页面中看不到该分类，或者模型显示为灰色不可选状态，通常说明当前账号尚未开通语音权限，需要先完成实名认证并等待审核通过，正常情况下大约 5 分钟内即可完成。
注意：免费档用户默认开通基础 ASR 语音识别能力，但暂不包含实时流式识别（streaming）功能，仅支持上传完整音频文件进行语音转文字。
准备音频文件与参数
请确保音频格式为 WA V 或 MP3，采样率建议为 16kHz 或 48kHz，并优先使用单声道；如果是立体声文件，建议提前转换为单声道，否则可能导致语音识别结果异常或转写不准确。
单个音频文件大小不能超过 100MB；如超出限制，需提前进行分段切片处理（建议每段 ≤ 60 秒），否则接口请求会直接返回 413 错误。
调用 API 前需要准备以下三项必要参数：API Key（可在「API Keys」页面复制）、模型ID（如 siliconflow-asr-v3）、音频文件路径（本地绝对路径或可公网访问的 URL）。
调用语音转文字API（Python示例）
方法一：使用 requests 发送 multipart/form-data 请求
安装依赖：pip install requests
执行以下代码（将 YOUR_API_KEY 和 /path/to/audio.wa v 替换为实际内容）：
import requests
url = "https://api.siliconflow.com/v1/audio/transcriptions"
headers = {"Authorization": "Bearer YOUR_API_KEY"}
files = {"file": open("/path/to/audio.wa v", "rb")}
data = {"model": "siliconflow-asr-v3", "language": "zh"}
response = requests.post(url, headers=headers, files=files, data=data)
print(response.json())
这一方式使用起来比较直接，上传本地音频文件即可完成调用。关键点在于 【files 字典中只能包含一个 file 键，且值必须是 open() 返回的文件对象，不能直接传 bytes 或文件路径字符串】，否则接口会返回 400 错误，并提示“invalid file format”。
方法二：从公网 URL 加载音频（更适合服务器端部署场景）
将 data 字典改为：{"model": "siliconflow-asr-v3", "file_url": "https://example.com/recording.wa v"}，此时无需再传 files 参数，但 file_url 必须能被硅基流动服务器直接访问，不能设置防盗链，也不能要求登录后才能下载。
解析返回结果
请求成功后会返回 JSON 数据，常见字段包括 text（识别后的文本内容）、segments（按时间戳拆分的分段结果）、language（检测到的语种）等。例如：
{"text": "天气正好，不如一起去公园走走吧", "segments": [{"start": 0.23, "end": 2.45, "text": "天气正好"}, {"start": 2.51, "end": 5.18, "text": "不如一起去公园走走吧"}]}
如果返回 error 字段，常见原因包括：API Key 权限不足（需检查是否已绑定语音模型权限）、音频静音时间过长（前 3 秒没有有效语音触发）、文件损坏或格式异常（可先用 VLC 测试能否正常播放）。若遇到 status_code 429，则表示当前免费档 QPS 已超限（L0 档限制为 3 次/分钟），建议通过增加 sleep(20) 来控制调用频率。