语音识别

若需要使用语音识别能力，请点击按量购买 API，或订阅 Token Plan。

模型介绍

MiniMax 语音识别（ASR）把音频转写成文本，当前对外提供的模型为 asr-1.0：

多语种混合识别：不指定语种自动识别音频主要语言与中英混合表达，也可通过 language 请求头显式指定。
一次性 / 流式返回：默认一次性返回；开启 stream=true 后以 SSE 逐段推送 delta，适合直播字幕、语音助手等对首字延迟敏感的场景。
说话人分离：response_format=verbose_json 时返回 n_speakers 与逐句 speaker 标签，输出”谁在什么时间说了什么”。
精确时间戳与字幕导出：verbose_json 输出逐句起止时间；也可直接以 srt / vtt 字幕格式返回。
稳定性：模型侧针对幻觉做了专项优化，重噪、口语、专业术语等真实场景下的可用性大大提升。

核心能力

能力	启用方式	典型用途
纯语音识别	`response_format=json`（默认）	只关心文本内容
流式识别	`stream=true`，仅支持 `json`	直播字幕、边说边转、低延迟语音交互
说话人分离 + 时间戳	`response_format=verbose_json`	会议纪要、访谈整理、多人通话质检
字幕导出	`response_format=srt` 或 `vtt`	直接投喂剪辑工具
多语种混合识别	不传 `language`；或按需指定	跨语种会议、双语播客、海外内容本地化

verbose_json / srt / vtt 会启用说话人分离与时间戳对齐，不能与 stream=true 同时使用。

基础规格

音频文件

项	约束
支持格式	`wav` / `aiff` / `flac` / `alac`(m4a) / `mp3` / `aac` / `opus` / `ogg`
单次时长	不超过 500 秒；超出返回 `400`，不会被截断
单次大小	不超过 50 MB；超出返回 `413`
不支持	无容器的裸 PCM；音频流式输入（可自行用 VAD 切段实现伪流式）

ASR 不依赖高采样率与立体声。未压缩高规格音频容易超上限（500 秒 48 kHz 立体声 WAV ≈ 92 MB），建议先转为单声道 16 kHz，或使用 mp3 / aac / opus，识别结果不受影响。

支持的语言

不传 language（或传空）时启用混合语言识别；语种明确时建议显式指定，短音频与专业术语通常更稳。

类别	语言（BCP-47 标签）
中文与东亚	中文 `zh`、粤语 `yue`、日语 `ja`、韩语 `ko`
东南亚	泰语 `th`、越南语 `vi`、印尼语 `id`、马来语 `ms`、菲律宾语 `fil`
欧美	英语 `en`、法语 `fr`、德语 `de`、西班牙语 `es`、意大利语 `it`、葡萄牙语 `pt`、波兰语 `pl`、俄语 `ru`、乌克兰语 `uk`
其他	阿拉伯语 `ar`、土耳其语 `tr`

返回格式

通过 response_format 参数指定，可选取值如下：

取值	响应类型	主要字段 / 内容
`json`（默认）	`application/json`	`text` + `duration` + `trace_id`
`verbose_json`	`application/json`	`text` + `duration` + `n_speakers` + `segments[]`（含说话人、逐句时间戳）
`srt`	`text/plain`	标准 SRT 字幕
`vtt`	`text/vtt`	WebVTT 字幕

流式返回时 response_format 仅支持 json，事件以 data: <json> 逐行推送，字段为 index / delta / finish / duration（duration 仅终止事件返回）。

功能与代码示例

在账户管理 → 接口密钥获取 API Key 并写入环境变量 MINIMAX_API_KEY。

一次性识别（默认）

import os, requests

api_key = os.getenv("MINIMAX_API_KEY")
url = "https://api.minimax.cn/v1/speech_to_text"
headers = {"Authorization": f"Bearer {api_key}"}

with open("/path/to/audio.mp3", "rb") as f:
    files = {"file": ("audio.mp3", f)}
    data = {"model": "asr-1.0"}
    response = requests.post(url, headers=headers, data=data, files=files)

response.raise_for_status()
print(response.json())
# {"text": "...", "duration": 26.325, "trace_id": "..."}

curl --location 'https://api.minimax.cn/v1/speech_to_text' \
  --header "Authorization: Bearer ${MINIMAX_API_KEY}" \
  --form 'model="asr-1.0"' \
  --form 'file=@"/path/to/audio.mp3"'

指定语种

import os, requests

api_key = os.getenv("MINIMAX_API_KEY")
url = "https://api.minimax.cn/v1/speech_to_text"
headers = {"Authorization": f"Bearer {api_key}", "language": "en"}

with open("/path/to/podcast.mp3", "rb") as f:
    files = {"file": ("podcast.mp3", f)}
    data = {"model": "asr-1.0"}
    print(requests.post(url, headers=headers, data=data, files=files).json())

curl --location 'https://api.minimax.cn/v1/speech_to_text' \
  --header "Authorization: Bearer ${MINIMAX_API_KEY}" \
  --header 'language: en' \
  --form 'model="asr-1.0"' \
  --form 'file=@"/path/to/podcast.mp3"'

说话人分离与逐句时间戳

import os, requests

api_key = os.getenv("MINIMAX_API_KEY")
url = "https://api.minimax.cn/v1/speech_to_text"
headers = {"Authorization": f"Bearer {api_key}"}

with open("/path/to/meeting.wav", "rb") as f:
    files = {"file": ("meeting.wav", f)}
    data = {"model": "asr-1.0", "response_format": "verbose_json"}
    result = requests.post(url, headers=headers, data=data, files=files).json()

for seg in result["segments"]:
    print(f"[{seg['speaker']}] {seg['start']:.2f}-{seg['end']:.2f} {seg['text']}")

curl --location 'https://api.minimax.cn/v1/speech_to_text' \
  --header "Authorization: Bearer ${MINIMAX_API_KEY}" \
  --form 'model="asr-1.0"' \
  --form 'response_format="verbose_json"' \
  --form 'file=@"/path/to/meeting.wav"'

返回示例：

{
  "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": 2.0, "end": 6.10, "speaker": "S2", "text": "来检查一下，读下题。"}
  ],
  "trace_id": "021785229015510a2c883cf675b9804d"
}

导出 SRT / VTT 字幕

import os, requests

api_key = os.getenv("MINIMAX_API_KEY")
url = "https://api.minimax.cn/v1/speech_to_text"
headers = {"Authorization": f"Bearer {api_key}"}

with open("/path/to/video.mp3", "rb") as f:
    files = {"file": ("video.mp3", f)}
    data = {"model": "asr-1.0", "response_format": "srt"}
    resp = requests.post(url, headers=headers, data=data, files=files)

with open("subtitle.srt", "w", encoding="utf-8") as out:
    out.write(resp.text)

curl --location 'https://api.minimax.cn/v1/speech_to_text' \
  --header "Authorization: Bearer ${MINIMAX_API_KEY}" \
  --form 'model="asr-1.0"' \
  --form 'response_format="srt"' \
  --form 'file=@"/path/to/video.mp3"' \
  --output subtitle.srt

流式识别

import os, json, requests

api_key = os.getenv("MINIMAX_API_KEY")
url = "https://api.minimax.cn/v1/speech_to_text"
headers = {"Authorization": f"Bearer {api_key}"}

with open("/path/to/audio.mp3", "rb") as f:
    files = {"file": ("audio.mp3", f)}
    data = {"model": "asr-1.0", "stream": "true"}
    with requests.post(url, headers=headers, data=data, files=files, stream=True) as resp:
        resp.raise_for_status()
        for raw in resp.iter_lines(decode_unicode=True):
            if not raw or not raw.startswith("data:"):
                continue
            event = json.loads(raw[len("data:"):].strip())
            print(event.get("delta", ""), end="", flush=True)
            if event.get("finish"):
                break

curl --location 'https://api.minimax.cn/v1/speech_to_text' \
  --header "Authorization: Bearer ${MINIMAX_API_KEY}" \
  --form 'model="asr-1.0"' \
  --form 'stream="true"' \
  --form 'file=@"/path/to/audio.mp3"' \
  --no-buffer

推送格式（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}

错误码

服务采用 OpenAI 风格的错误响应，HTTP 状态码即为错误码，响应体形如 {"type":"error","error":{...},"request_id":"..."}。

HTTP	`error.type`	触发原因
`400`	`bad_request_error`	参数不合法，如音频时长超过 500 秒
`401`	`authorized_error`	API Key 缺失或无效
`402`	`insufficient_balance_error`	账户余额 / 资源包不足
`413`	`invalid_request_error`	请求体超过 50 MB 上限
`422`	`unprocessable_entity_error`	音频内容涉及敏感内容
`429`	`rate_limit_error`	触发限流
`500`	`server_error`	服务端错误，可携带 `request_id` 联系我们

语音识别接口

Speech to Text 接口的完整参数、返回结构与错误码。

产品定价

各语音模型的定价说明、计费方式与使用限制。

开始使用

使用指南

常见问题

条款与政策

模型介绍

核心能力

基础规格

音频文件

支持的语言

返回格式

功能与代码示例

一次性识别（默认）

指定语种

说话人分离与逐句时间戳

导出 SRT / VTT 字幕

流式识别

错误码

推荐阅读

语音识别接口

产品定价

​模型介绍

​核心能力

​基础规格

​音频文件

​支持的语言

​返回格式

​功能与代码示例

​一次性识别（默认）

​指定语种

​说话人分离与逐句时间戳

​导出 SRT / VTT 字幕

​流式识别

​错误码

​推荐阅读

语音识别接口

产品定价

模型介绍

核心能力

基础规格

音频文件

支持的语言

返回格式

功能与代码示例

一次性识别（默认）

指定语种

说话人分离与逐句时间戳

导出 SRT / VTT 字幕

流式识别

错误码

推荐阅读