DeepSeekASRAudioAPI

DeepSeek 语音识别 API 适合接录音按钮,还不能做实时字幕

DeepSeek ASR 接受最长 120 秒的 PCM WAV 或 Ogg Opus,整段上传后返回文字;立体声只识别左声道,不支持流式识别。

查看接入文档
DeepSeek 语音识别 API 适合接录音按钮,还不能做实时字幕

DeepSeek 的语音识别 API 适合把一次录好的短语音转成文本,再接到聊天机器人。它目前是整段文件上传、完整结果返回,不支持流式识别;最长 120 秒,格式也不是任意音频。做会议字幕或边说边出字的产品,需要另选路径。

DeepSeek 于 2026 年 11 月 13 日开放包括 ASR 在内的一组应用 API。本文于 11 月 18 日重新查阅官方更新和语音识别文档。下文请求按官方接口整理,没有实际上传录音或测量中文、粤语识别效果;音频转换另作本地离线验证。

录音按钮应该怎样接这条接口?

可以按“录音结束—确认文件—上传—显示转写—用户确认发送”组织界面。用户还在说话时,不要把没有定稿的结果当成这条接口提供的实时字幕。

官方端点是:

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

请求使用 multipart/form-data 的 file 字段。没有 model 或 language 选择字段,语言从音频自动识别;文档列有中文 zh、粤语 yue、英语等语言。支持列表不证明特定口音、噪声条件或中英夹杂时的效果。

录音结束、文件检查、整段上传和文本确认组成短语音输入流程

已经有文字聊天功能时,先把转写展示给用户编辑,再发送给模型,会比直接让错误转写触发工具动作更容易纠正。语音中出现的联系人、金额和时间,也应在执行相关动作前确认。

MP3 或浏览器录音可以直接传吗?

要看实际编码。当前文档接受 16-bit PCM WAV 或 Ogg Opus,根据文件内容识别。把 MP3 改名成 .wav 不会改变格式;浏览器输出的 WebM Opus 也不能只因为含有 Opus 就当成 Ogg 容器。

检查项当前官方条件
格式16-bit PCM WAV 或 Ogg Opus
WAV 采样率8000、16000、22050、24000、32000、44100、48000 Hz
声道单声道或立体声;立体声只识别左声道
大小最多 8 MiB
时长最长 120 秒
上传完成时间10 分钟内

最容易漏的是左声道。如果采访者在左边、受访者在右边,文件“上传成功”也不能证明双方都被识别。可以先听两个声道,再决定是否混为单声道;混音可能叠加噪声与重叠说话,不保证识别更好。

容器、编码和声道分别检查,后缀不能代表真实音频内容

下面是 Bash/Zsh 中的转换示例,会把输入的音频混为 16 kHz 单声道、16-bit PCM WAV。它不裁剪长录音,输出后仍要检查时长和大小;-n 避免覆盖同名文件:

ffmpeg -n -i input.webm -vn -ar 16000 -ac 1 \
  -c:a pcm_s16le speech.wav

ffprobe -v error -select_streams a:0 \
  -show_entries stream=codec_name,sample_fmt,sample_rate,channels \
  -show_entries format=duration,size -of json speech.wav

本文使用合成静音离线验证了输出字段,不把它当识别效果测试。16 kHz 是示例选择,不是官方唯一支持采样率。长录音拆片还需要保留起点,见分段时间戳还原;本接口的基本响应不提供逐词时间戳,不能靠拆片凭空补出。

最小请求与结果应当怎样看?

确认 speech.wav 满足条件后,可向 DeepSeek 官方服务提交以下请求。DEEPSEEK_API_KEY 由自己的安全环境提供,不要替换成其他平台的 Key:

curl --fail-with-body https://api.deepseek.com/v1/tools/asr \
  -H "Authorization: Bearer $DEEPSEEK_API_KEY" \
  -F "file=@speech.wav"

官方响应字段是 request_id、text 和 duration_ms。duration_ms 是录音时长,不是此次 HTTP 请求耗时;它也不提供每句话的起止位置。不要将转写文字直接当作已经核对过的会议记录或字幕文件。

Nbility 的通用音频文档使用 /v1/audio/transcriptions 并带 model 字段,与这条 /v1/tools/asr 原生接口不同。本文没有确认本站支持转发 DeepSeek ASR,不能只换 Base URL 就保证工作。有关地址和平台凭据的区分,可读连接基础。

失败后应该重传,还是先改文件?

先按状态分类。格式或文件字段错误返回 400;超过 8 MiB 返回 413。这两类需要修正输入,重发同一文件通常没有帮助。408 表示未在规定时间内完成上传,504 表示识别超时,别把两个阶段混在一起。

输入错误先修文件,上传超时查传输,繁忙与识别超时再决定是否重试

官方还列出 429(同一账户进行中请求过多)和 503(服务繁忙)。当前上限是每账户最多 50 个进行中请求;这是并发上限,不是每秒 50 次。应用需要排队和有限重试,避免一个失败让整个语音队列重复上传。多层重试的风险可作为通用设计参考。

最后用一段有授权的短录音验收:确认实际格式、左右声道内容、返回文字、专有名词和用户可修改的入口。日志保留必要状态与请求标识,避免存放原始语音和完整转写;向外求助时按日志脱敏方法处理。正式使用前再核对当天价格和保留政策,不把官方短期优惠写成长期成本保证。

相关文章

用 Nbility 跑通你的 Agent 工作流

获取 API Key,统一接入 OpenAI 兼容模型和开发工具。

获取 API Key