跳到主要内容

语音识别

把音频文件转写为文字，例如用于 Chatbot 的语音输入。

POST https://api.deepseek.com/v1/tools/asr

一次请求发送完整音频，返回完整转写文本，不支持流式识别。

语种​

中文（zh）、粤语（yue）、英语（en）、日语（ja）、韩语（ko）、德语（de）、法语（fr）、西班牙语（es）、葡萄牙语（pt）、意大利语（it）、俄语（ru）、阿拉伯语（ar）、印地语（hi）、印尼语（id）、越南语（vi）、泰语（th）、土耳其语（tr）、马来语（ms）、菲律宾语（fil）、波兰语（pl）、匈牙利语（hu）。

没有语种参数，语种根据音频自动识别。

请求​

在 multipart/form-data 请求的 file 字段中发送音频：

  • 格式：16 位 PCM WAV 或 Ogg Opus，由文件内容判断。WAV 支持的采样率为 8000、16000、22050、24000、32000、44100、48000 Hz。
  • 声道：单声道或双声道。双声道音频只识别左声道。
  • 大小：最大 8 MiB，上传需在 10 分钟内完成。
  • 时长：最长 120 秒。
curl https://api.deepseek.com/v1/tools/asr \
  -H "Authorization: Bearer <DeepSeek API Key>" \
  -F file="@speech.wav"

响应​

{
  "request_id": "...",
  "text": "上海今天天气怎么样？",
  "duration_ms": 3200
}
字段说明
request_id请求 ID
text转写文本
duration_ms音频时长，单位为毫秒

错误​

状态码原因
400音频不是 16 位 PCM WAV 或 Ogg Opus，或缺少 file 字段
408上传未在 10 分钟内完成
413文件大于 8 MiB
429账号同时进行的请求数超过上限
503服务繁忙，请稍后重试
504识别超时

计费​

计费单位刊例价限时折扣价（5 折）
每小时音频0.78 元0.39 元

按音频时长计费，精确到秒，不足 1 秒按 1 秒计。

限速​

每个账号最多同时进行 50 个请求，超过返回 429。