直接调用火山引擎 ASR 语音识别服务，最快可在 5 分钟内获取结构化转写文本；使用前需先开通服务、获取 Access Key 和 Resource ID；既支持异步提交音频任务（URL 或本地文件），也支持通过 WebSocket 实现实时流式语音识别。

如果你想在项目中快速接入高准确率的语音转文字能力，直接调用火山引擎 ASR 服务通常是效率最高、落地最快的方案——无需自行训练模型，也不用搭建 GPU 集群，只要提交音频链接或进行流式上传，通常 5 分钟内即可获得结构化文本识别结果。

开通服务与获取凭证

登录火山引擎控制台 → 进入「智能语音」服务页面 → 点击「立即开通」语音识别（ASR）服务。企业实名认证为必选项；个人开发者虽然可以跳过资质审核，但每日调用额度会受到一定限制。

服务开通后，进入「Access Key管理」页面，创建一对 【X-Api-Access-Key】 和 【X-Api-App-Key】。这两个密钥会用于后续所有 API 请求的签名校验，务必妥善保管，不要硬编码到前端代码中。

随后在「语音识别」→「应用管理」中新建应用，按业务需求选择「录音文件识别标准版」或「大模型录音文件识别」，并记录系统分配的 【X-Api-Resource-Id】 值，例如 volc.bigasr.auc。不同识别服务对应的 Resource ID 不同，若填写错误，接口会返回 403 并拒绝访问。

提交音频任务（异步方式）

方法一：使用 Python 提交 MP3 远程链接

先准备一个可被公网访问的音频 URL（例如 OSS、七牛云、GitHub Raw 链接），音频格式需为 mp3/wav/flac，时长建议不要超过 6 小时。调用 submit 接口时，请求头中的 X-Api-Request-Id 为必填项，建议使用 uuid4 生成全局唯一 ID，否则在重试请求时，任务可能会被判定为重复提交。

方法二：本地文件直传（适合小体积音频文件）

构造 multipart/form-data 请求，将音频文件通过 file 字段上传，同时要确保 audio.format 参数与实际音频格式严格一致（例如 wav 不能写成 wave），否则接口会返回错误码 40000003。

轮询识别状态并获取结果

第一步：使用上一步返回的 task_id 调用 status 状态查询接口

请求地址：https://openspeech.bytedance.com/api/v3/auc/bigmodel/status

建议每 2 秒轮询一次，直到响应头中的 X-Api-Status-Code 为 20000000，且 body 返回结果中的 status 字段变为 success。

第二步：状态就绪后，立即调用 result 接口获取最终识别文本

请求地址：https://openspeech.bytedance.com/api/v3/auc/bigmodel/result

响应体为标准 JSON，核心识别内容位于 result.text 字段中；如果开启 show_utterances，还会返回带时间戳的分句片段数组，适合用于生成字幕、制作逐句高亮，或进行后续语义分析。

流式语音识别（实时场景）

该方式适用于会议系统、在线客服、语音助手等对低延迟有要求的实时语音转写场景，需要先建立 WebSocket 连接。

连接地址：wss://ai-gateway.vei.volces.com/v1/realtime?model=bigmodel

建立连接后，必须第一时间发送 transcription_session.update 事件，否则服务端不会处理后续发送的音频帧；同时，该事件中的 session.sample_rate 必须设置为 16000，否则语音识别准确率会明显下降。

音频数据应以 base64 编码的 PCM 16-bit 小端格式分块推送，建议每块长度控制在 200ms 左右（约 3200 字节）。分块过短会增加传输与处理开销，分块过长则会拉高首字返回延迟。

服务端会通过 conversation.item.input_audio_transcription.result 持续推送中间识别结果；当本轮转写结束时，会发送 conversation.item.input_audio_transcription.completed 事件作为完成标识。此时，text 字段中的内容就是最终确认的文本，可直接写入数据库，或用于触发后续业务逻辑。