> ## Documentation Index > Fetch the complete documentation index at: https://platform.minimaxi.com/docs/llms.txt > Use this file to discover all available pages before exploring further. # 语音识别 > 使用本接口，将音频文件转写为文本，支持流式返回、说话人分离与字幕导出。 ## OpenAPI ````yaml api-reference/speech/speech-to-text/api/openapi.json POST /v1/speech_to_text openapi: 3.1.0 info: title: MiniMax ASR API description: MiniMax 语音识别（Speech-to-Text）API，支持一次性返回与流式返回 license: name: MIT version: 1.0.0 servers: - url: https://api.minimax.cn security: - bearerAuth: [] paths: /v1/speech_to_text: post: tags: - SpeechToText summary: 语音识别 operationId: speechToText parameters: - name: Content-Type in: header required: true description: 请求体的媒介类型，固定为 `multipart/form-data`。 schema: type: string enum: - multipart/form-data default: multipart/form-data - name: language in: header required: false description: >- 可选的 [BCP-47 语言标签](https://www.rfc-editor.org/info/bcp47/)，用于提示音频中的主要语言。不传该请求头或传空值时，启用混合语言识别。 当前支持：`zh`（中文）、`yue`（粤语）、`en`（英语）、`ja`（日语）、`ko`（韩语）、`th`（泰语）、`vi`（越南语）、`id`（印尼语）、`ms`（马来语）、`fil`（菲律宾语）、`ar`（阿拉伯语）、`tr`（土耳其语）、`fr`（法语）、`de`（德语）、`es`（西班牙语）、`it`（意大利语）、`pt`（葡萄牙语）、`pl`（波兰语）、`ru`（俄语）和 `uk`（乌克兰语）。 schema: type: string default: '' example: en requestBody: required: true content: multipart/form-data: schema: type: object required: - model - file properties: model: type: string description: 本次调用的模型版本。 enum: - asr-1.0 default: asr-1.0 example: asr-1.0 file: type: string format: binary description: >- 待识别的音频文件，填写文件的路径地址。 上传的音频文件需遵从以下规范： | 项 | 约束 | | --- | --- | | 格式 | `wav` / `aiff` / `flac` / `alac`(m4a) / `mp3` / `aac` / `opus` / `ogg` | | 时长 | 不超过 **500 秒**；超出会返回 `400` 而不会被截断 | | 大小 | 不超过 **50 MB**；超出返回 `413` | 不支持无容器的裸 PCM 数据。 语音识别不依赖高采样率与立体声，未压缩的高规格音频容易超过大小上限（如 500 秒 48 kHz 立体声 WAV 约 92 MB）。建议先转为单声道 16 kHz，或改用 `mp3` / `aac` / `opus` 等压缩格式，识别结果不受影响。 response_format: type: string description: >- 识别结果的返回格式。 | 取值 | 返回内容 | 响应类型 | | --- | --- | --- | | `json` | `text` + `duration` | `application/json` | | `verbose_json` | `text` + `duration` + `segments` + `n_speakers`（含说话人分离与时间戳） | `application/json` | | `srt` | SRT 字幕 | `text/plain` | | `vtt` | WebVTT 字幕 | `text/vtt` | `verbose_json` / `srt` / `vtt` 会启用说话人分离与时间戳对齐，因此**不能与 `stream=true` 同时使用**。 `srt` 的响应体： ``` 1 00:00:00,100 --> 00:00:01,660 嘎嘎会，可以，这把稳了。 2 00:00:02,000 --> 00:00:06,100 来检查一下，读下题。 ``` `vtt` 的响应体： ``` WEBVTT 00:00:00.100 --> 00:00:01.660 嘎嘎会，可以，这把稳了。 00:00:02.000 --> 00:00:06.100 来检查一下，读下题。 ``` enum: - json - verbose_json - srt - vtt default: json example: json timestamp_level: type: string description: >- 时间戳粒度。仅当 `response_format` 为 `verbose_json`、`srt` 或 `vtt` 时生效，因为这些格式会启用说话人分离与时间戳对齐。 - 空值或 `sentence`（默认）：保持原有句段时间戳，并合并同一分段内相邻且属于同一说话人的文本。 - `word`：返回字/词级时间戳，中文按字、英文按词；每个单元仍包含 `speaker`。 当 `response_format=json` 时（包括 `stream=true` 的情况），该参数可以传入，但会被忽略且不会报错。 enum: - '' - sentence - word default: '' example: word stream: type: boolean description: >- 是否流式返回识别结果。 - `false`（默认）：识别完成后一次性返回。 - `true`：以 SSE 推送增量文本，响应类型为 `text/event-stream`；此时 `response_format` 仅支持 `json`。 流式响应以 `data: ` 逐行推送，事件之间以空行分隔： ``` data: {"index":0,"delta":"实际上","finish":false} data: {"index":1,"delta":"还是商家赚了","finish":false} data: {"index":2,"delta":"","finish":true,"duration":26.325} ``` 每个事件的 `data` 为 JSON 对象：`index` 为从 `0` 开始递增的事件序号，`delta` 为本次新增的识别文本，`finish` 标识是否为终止事件，`duration` 为音频时长（单位秒，仅终止事件返回）。客户端应按 `index` 顺序拼接所有 `delta`，并在收到 `finish=true` 后结束读取。 default: false example: false responses: '200': description: >- 识别成功。`response_format` 取 `json` 或 `verbose_json` 时返回下列 JSON 结构；取 `srt` / `vtt` 或 `stream=true` 时的响应体见对应请求参数的说明。 content: application/json: schema: $ref: '#/components/schemas/AsrResp' examples: json: summary: response_format=json value: text: 实际上还是商家赚了，对他那个冷链的那个运费高。 duration: 26.325 trace_id: 021785229015510a2c883cf675b9804d verbose_json: summary: response_format=verbose_json value: text: 嘎嘎会，可以，这把稳了。来检查一下，读下题。 duration: 12.744 n_speakers: 2 segments: - id: 0 start: 0.1 end: 1.66 speaker: S1 text: 嘎嘎会，可以，这把稳了。 - id: 1 start: 2 end: 6.1 speaker: S2 text: 来检查一下，读下题。 trace_id: 021785229015510a2c883cf675b9804d '400': $ref: '#/components/responses/Err400' '401': $ref: '#/components/responses/Err401' '402': $ref: '#/components/responses/Err402' '413': $ref: '#/components/responses/Err413' '422': $ref: '#/components/responses/Err422' '429': $ref: '#/components/responses/Err429' '500': $ref: '#/components/responses/Err500' components: schemas: AsrResp: type: object properties: text: type: string description: 识别出的完整文本。`verbose_json` 下等于各 `segments[].text` 按时间顺序拼接。 duration: type: number description: 输入音频的时长，单位为秒。计费以该时长为准。 n_speakers: type: integer description: 识别出的说话人数量。**仅 `response_format=verbose_json` 时返回。** segments: type: array description: >- 带时间戳的识别单元，每个单元均携带起止时间与说话人标识。粒度由 `timestamp_level` 决定：默认按句段，设为 `word` 时中文按字、英文按词。**仅 `response_format=verbose_json` 时返回。** items: $ref: '#/components/schemas/AsrSegment' trace_id: type: string description: 本次请求的追踪 ID，便于排查问题。 AsrSegment: type: object properties: id: type: integer description: 该时间戳单元在结果中的序号，从 `0` 开始。 start: type: number description: 该单元的起始时间，单位为秒。 end: type: number description: 该单元的结束时间，单位为秒。 speaker: type: string description: 说话人标识，形如 `S1`、`S2`。同一标识代表同一说话人。 text: type: string description: 当前句段、字或词的识别文本。 OaiError: type: object description: OpenAI 风格错误响应。出错时 HTTP 状态码为真实错误码（401/400/429/402/422/500…），响应体为该结构。 properties: type: type: string description: 固定为 `error`。 example: error error: $ref: '#/components/schemas/OaiErrorDetail' request_id: type: string description: 请求追踪 ID（便于排查）。 OaiErrorDetail: type: object properties: type: type: string description: >- 错误类型：`authorized_error`(401)/`bad_request_error`(400)/`rate_limit_error`(429)/`insufficient_balance_error`(402)/`unprocessable_entity_error`(422)/`invalid_request_error`(413)/`server_error`(500) 等。 message: type: string description: 错误详情，结尾括号内为内部错误码（如 `... (1004)`）。 http_code: type: string description: HTTP 状态码字符串，如 `401`。 responses: Err400: description: 参数错误 content: application/json: schema: $ref: '#/components/schemas/OaiError' example: type: error error: type: bad_request_error message: >- invalid params, audio duration 623.4s exceeds the limit of 500s (2013) http_code: '400' request_id: 021785229015510a2c883cf675b9804d Err401: description: 鉴权失败 content: application/json: schema: $ref: '#/components/schemas/OaiError' example: type: error error: type: authorized_error message: >- login fail: Please carry the API secret key in the 'Authorization' field of the request header (1004) http_code: '401' request_id: 021785229015510a2c883cf675b9804d Err402: description: 余额/额度不足 content: application/json: schema: $ref: '#/components/schemas/OaiError' example: type: error error: type: insufficient_balance_error message: insufficient balance (1008) http_code: '402' request_id: 021785229015510a2c883cf675b9804d Err413: description: 请求体超过大小上限 content: application/json: schema: $ref: '#/components/schemas/OaiError' example: type: error error: type: invalid_request_error message: >- request body too large: 88200078 bytes exceeds limit of 52428800 bytes http_code: '413' request_id: 021785229015510a2c883cf675b9804d Err422: description: 输入涉及敏感内容 content: application/json: schema: $ref: '#/components/schemas/OaiError' example: type: error error: type: unprocessable_entity_error message: audio content contains sensitive content (1026) http_code: '422' request_id: 021785229015510a2c883cf675b9804d Err429: description: 触发限流 content: application/json: schema: $ref: '#/components/schemas/OaiError' example: type: error error: type: rate_limit_error message: rate limit, please retry later (1002) http_code: '429' request_id: 021785229015510a2c883cf675b9804d Err500: description: 服务端错误 content: application/json: schema: $ref: '#/components/schemas/OaiError' example: type: error error: type: server_error message: internal error (1000) http_code: '500' request_id: 021785229015510a2c883cf675b9804d securitySchemes: bearerAuth: type: http scheme: bearer bearerFormat: JWT description: |- `HTTP: Bearer Auth` - Security Scheme Type: http - HTTP Authorization Scheme: Bearer API_key，用于验证账户信息，可在 [账户管理>接口密钥](https://platform.minimax.cn/user-center/basic-information/interface-key) 中查看。 ````