在火山引擎平台上，借助 ASR 语音识别接口，可以快速将会议录音、访谈音频或课程视频转换为带时间戳的文字稿与字幕内容。完整流程并不复杂：首先获取 API 密钥，并确保媒体文件可通过公网访问且总时长不超过 3 小时；然后调用 asr-subtitles 接口提交识别任务，同时正确传递 video_url 和 language 等关键参数；接着根据返回的 task_id 持续轮询任务状态，直到 status 变为 success；最后解析 result.segments 字段，生成标准 SRT 字幕文件。

如果你想在火山引擎上把一段会议录音、课程视频或培训内容自动转成带时间戳的文字稿，其实无需自行训练模型，也不用额外部署语音服务，只要调用官方 ASR 接口提交任务并轮询识别结果，就能高效完成音视频转文字与字幕生成。

准备API密钥和媒体文件

登录火山引擎控制台 → 进入「访问密钥」页面 → 创建新的访问密钥，复制 【API Key】 并妥善保管；该密钥具备调用 ASR 接口的权限，一旦泄露，可能导致接口被他人滥用并带来账户风险。

同时确认待识别的音频或视频文件已经上传到公网可访问的地址，例如对象存储 TOS、点播 VOD 或任意 HTTPS 服务器，并保证文件格式在官方支持范围内：mp4/mov/flv/ts/mkv（视频）或 mp3/wav/m4a（音频）。

注意：媒体文件时长不能超过 3 小时，否则在提交 ASR 识别任务时会直接失败，并返回 400 错误。

调用ASR接口提交识别任务

可使用 curl 或 Python requests 向以下接口地址发起 POST 请求：

https://mediakit.cn-beijing.volces.com/api/v1/tools/asr-subtitles

请求 Header 中必须包含：Authorization: Bearer {Your_API_Key}；Body 参数中至少提供 【video_url 或 audio_url 二选一】，通常更推荐优先传 video_url，因为即使是纯音频封装成 MP4 文件也能保持良好兼容性。

如果已经明确语种，建议务必显式传入 "language": "cmn-Hans-CN"，否则系统自动探测时，可能会把粤语等内容误识别为英文，从而明显影响语音转文字的准确率和最终字幕质量。

轮询任务状态直到完成

第一步：任务提交成功后，响应体中会返回 {"task_id": "xxx"}，请先记录该任务 ID。

第二步：按照固定时间间隔（建议每 3 秒一次）通过 GET 请求查询接口：https://mediakit.cn-beijing.volces.com/api/v1/tools/asr-subtitles/{task_id}。

第三步：持续轮询任务结果，直到响应中的 "status" 字段变为 "success"，这时 "result" 下返回的就是完整的字幕识别 JSON 数据。

注意：如果状态显示为 "failed"，可查看 "error_message" 字段获取具体报错原因，常见问题包括 URL 无法访问、文件格式不受支持，或者 API 密钥缺少调用权限。

解析并导出字幕文本

从 "result" 中提取 "segments" 数组，每个分段通常都包含 "start_time"、"end_time" 和 "text" 等字段。

随后可使用 Python 按段拼接为标准 SRT 字幕格式：序号 → 时间轴 → 文本内容 → 空行，例如：
1
00:00:01,200 --> 00:00:04,500
大家好，欢迎参加本次技术分享

这一步实际上非常直接，只需将生成好的字符串写入 .srt 文件，即可完成字幕导出，后续可用于视频剪辑、课程字幕制作或会议纪要整理。