语音识别调用（ASR）
语音识别概述
把录音转成文字，获取分段正文和段级时间戳。
语音识别（Automatic Speech Recognition，ASR）将音频中的人声转换为文字，适用于会议转写、访谈整理和字幕素材提取。
选择模型
| 模型 | 输入 | 输出 | 调用文档 |
|---|---|---|---|
wildflow/dual-asr-v1 | FLAC 音频，最多 120 分钟、256 MiB | 两种引擎的分段正文、段级时间戳及实际输出的说话人标签 JSON | 双引擎语音识别 |
Whisper 与 VibeVoice 独立入口已上线，分别为 ¥0.02、¥0.04 / 音频分钟；见单引擎调用文档。
普通注册用户可直接调用，使用普通 API Key；如果主动限制了 Key 的模型范围，需要包含该模型。 价格与提交任务时的预扣要求见语音识别计费。
调用流程
准备音频 → 上传文件 → 提交识别任务 → 等待完成 → 下载 JSON 结果。
双引擎语音识别页面提供完整命令和参数，不需要先阅读其他接口文档。 本地电脑无需安装模型或 GPU 环境。
目前提供文件识别，不提供实时流式识别。生成字幕或进行剪辑前，请人工复核正文、专有名词和时间戳。