跳转到主要内容
阿里通义千问语音识别模型,把一段音频转成文字,支持中英文及多种方言、标点和文本规范化,可输出带时间戳的结果或 srt / vtt 字幕。接口与 OpenAI 的转写接口兼容。
  • 模型 ID:qwen-audio-3.1-asr-flash
  • 接口:POST https://token.poryf.com/v1/audio/transcriptions(multipart/form-data,同步返回)
  • 价格

请求参数

请求头带上 Authorization: Bearer YOUR_API_KEY,请求体用 multipart/form-data。
string
必填
qwen-audio-3.1-asr-flash
file
必填
音频文件,最大 10 MB、最长 5 分钟。支持 mp3、wav、m4a、aac、flac、ogg、opus、webm、amr、mp4、mov 等常见格式,按文件扩展名识别格式。
string
默认值:"json"
返回格式:json({"text": "..."})、text(纯文字)、verbose_json(含整句和逐词时间戳)、srt、vtt(字幕)。
string
音频语言提示,如 zh、en、ja。不传时自动识别。

示例

返回:
用 OpenAI Python SDK:

计费

  • 按 token 计费:音频输入 token(每秒音频约 12 个)和识别文字输出 token 分别计价,实时单价见 模型广场。
  • 请求时按 5 分钟音频的上限预扣,完成后按实际用量结算,识别失败不扣费。
  • 暂不支持 prompt 和流式输出(stream)。
  • 超过 5 分钟的音频请先切分再识别。
通用错误码见 错误码。