讯飞语音：科大讯飞语音

为什么需要讯飞语音：自研语音链路周期长，复用成熟平台才能专注业务

自建语音识别与合成能力需要三样东西：大规模标注语音数据、声学/语言模型训练经验、持续投入的算法团队。这三样对绝大多数 AI 团队而言成本过高——公开数据集无法覆盖中文口语、方言、噪声场景，而训练一套可用ASR模型的周期通常以季度计，且识别率未必追得上头部厂商。采购方案里，通用大模型厂商的语音能力多作为附属模块存在，专项深度有限。

讯飞语音的解法是「开箱即用的托管 API + 可私有化的完整链路」：注册即获得免费调用额度，流式听写接口把音频流传成带标点的文字，流式合成接口把文本流合成可播放的音频，超拟人合成提供情感可控的音色。平台侧已处理好鉴权、并发、断线重连等工程问题，开发者只需关注业务逻辑。与同类厂商相比，讯飞语音的特长是中文识别准确率与全链路覆盖——一个平台同时拿下 ASR、TTS、评测、声纹四类能力，且提供 Linux 离线 SDK 与私有化部署，这在数据合规项目里是关键差异。

安装与环境配置：4 步就绪

步骤一·注册与实名认证。访问讯飞开放平台官网，用手机号注册账号，在控制台完成个人或企业实名认证。企业认证可获得更高的免费调用额度与更完整的服务开通权限。

步骤二·创建应用获取密钥。在控制台「我的应用」中创建应用，选择需要的语音能力（语音听写、语音合成等）。创建完成后记录三项密钥：APPID、APIKey、APISecret。这三项用于生成 WebSocket 鉴权 URL，后续所有接口调用都依赖它们。

步骤三·安装 Python 依赖。讯飞 Python 调用走标准 WebSocket 与 HTTP 客户端，安装 websocket-client 与 requests 即可，无需安装讯飞专用 Python 包。

步骤四·验证环境。创建环境变量并检查依赖是否可用。

# 1. 安装依赖（Python 3.8+）pip install websocket-client requests # 2. 配置环境变量（追加到 ~/.bashrc 或 ~/.zshrc）export XFYUN_APPID="你的APPID"export XFYUN_API_KEY="你的APIKey"export XFYUN_API_SECRET="你的APISecret"source ~/.bashrc # 3. 验证依赖安装成功python -c "import websocket, requests; print('dependency ok')"

快速上手：30 分钟跑通第一个语音识别请求

最小可用流程分三部分：准备一段符合要求的音频、生成带签名的 WebSocket 连接 URL、发送音频帧并接收转写结果。

准备音频的硬性要求是 16kHz 采样率、16bit 位深、单声道 PCM 裸流。可用 ffmpeg 把任意格式转为该规格：ffmpeg -i input.mp3 -ar 16000 -ac 1 -f s16le test.pcm。这是大多数新手卡住的第一关——用 mp3 或 WAV 带头文件直接发送会收到 10163 音频格式错误。

连接认证的核心是 HMAC-SHA256 签名：将 host、RFC1123 格式的 UTC 时间、请求行拼接后用 APISecret 签名，再连同 APIKey 一起 base64 编码成 authorization，拼进 WSS URL。首帧 JSON 需携带 common（app_id）与 business（language、domain 等），随后音频分片 base64 编码后发送，data.status 用 1（首帧）、2（中间帧）、3（末帧）标记。

运行后终端会逐字打印识别文本，直到输出「[识别完成]」。进阶技巧：把 vad_eos 调大可延长静音截止等待，适合句间停顿长的口语对话；accent 改成 cantonese 等可启用方言识别。

import base64, datetime, hashlib, hmac, jsonfrom urllib.parse import urlencodeimport websocket  # pip install websocket-client APPID, API_KEY, API_SECRET = "你的APPID", "你的APIKey", "你的APISecret"AUDIO = "test.pcm"  # 16kHz 16bit 单声道 PCM 裸流 def build_url(host="iat-api.xfyun.cn", path="/v2/iat"):    date = datetime.datetime.now(datetime.timezone.utc).strftime("%a, %d %b %Y %H:%M:%S GMT")    origin = f"host: {host}\ndate: {date}\nGET {path} HTTP/1.1"    sig = base64.b64encode(hmac.new(        API_SECRET.encode(), origin.encode(), digestmod=hashlib.sha256).digest()).decode()    auth = base64.b64encode(        f'api_key="{API_KEY}", algorithm="hmac-sha256", headers="host date request-line", '        f'signature="{sig}"'.encode()).decode()    return f"wss://{host}{path}?authorization={auth}&date={urlencode({'date': date})}&host={host}" def on_message(ws, message):    res = json.loads(message)    if res["code"] != 0:        print("错误码:", res["code"], res["message"]); ws.close(); return    for t in res["data"]["result"]["ws"]:   # 增量识别结果        print("".join(w["w"] for w in t["cw"]), end="", flush=True)    if res["data"]["status"] == 2:          # 全部识别完成        print("\n[识别完成]"); ws.close() def on_open(ws):    with open(AUDIO, "rb") as f:        data = f.read()    chunk = 4096  # 字节数，4 的整数倍以对齐 16bit 采样    for i in range(0, len(data), chunk):        ws.send(json.dumps({            "common": {"app_id": APPID},            "business": {"language": "zh_cn", "domain": "iat", "accent": "mandarin", "vad_eos": 5000},            "data": {                "status": 1 if i == 0 else 2,                "format": "audio/L16;rate=16000",                "encoding": "raw",                "audio": base64.b64encode(data[i:i+chunk]).decode()}}))    ws.send(json.dumps({"data": {"status": 3, "audio": ""}}))  # 末帧 ws = websocket.WebSocketApp(build_url(), on_open=on_open, on_message=on_message)ws.run_forever()

核心能力详解：4 大支柱

支柱一·语音识别（ASR）三接口矩阵。按场景分三档：流式听写（/v2/iat，WebSocket）面向实时场景，边说话边返回增量结果，适合语音对话、实时字幕；一句话识别（REST）面向短音频，一次请求返回整句文本，适合语音搜索、指令控制；录音文件转写（LFASR，REST 异步）面向长音频，提交文件 URL 后轮询拿结果，单任务支持小时级录音，适合客服质检、会议转写。选型要点：实时性要求越高越靠前，音频越长越靠后。

支柱二·语音合成（TTS）三形态。在线合成（REST）把文本一次性合成音频文件，适合配音、播报等非实时场景；流式合成（/v2/tts，WebSocket）边合成边返回音频分片，首包延迟低，适合对话机器人、实时语音回复；超拟人合成是 2024 年上线的商用能力，支持情感、语速、韵律参数控制与百余种音色，适合有声内容生产、短视频配音。合成参数（语速 speed、音量 volume、音调 pitch）在 business 字段中按需调节。

支柱三·语音评测与声纹识别。口语评测对发音进行多维打分（准确度、流利度、完整度），返回综合评分与分项诊断，广泛用于英语口语考试、普通话水平测试；声纹识别提供说话人注册与验证（1:1 确认）能力，可用于账户安全、门禁场景。这两类能力是讯飞区别于纯 ASR/TTS 厂商的差异化产品线。

支柱四·开放平台生态与部署形态。能力通过两种方式交付：公有云 API（按调用量计费，多语言 SDK 封装好鉴权与连接管理）与私有化部署（Linux 离线识别/合成 SDK，license 授权绑定机器，数据不出内网）。控制台统一管理应用密钥、并发资源与用量账单，多应用间额度隔离。

生产部署与监控：从上线到运维

部署方式一·公有云 API 直连。适合大部分 SaaS 产品。上线前需评估并发：免费体验版 QPS 限制很低，正式商用需在控制台购买并发资源包，并确认单位时间内的调用峰值不超过购买上限。多环境隔离建议采用「一环境一应用」策略——测试应用与生产应用使用不同 APPID，额度互不影响，密钥单独轮换。

部署方式二·私有化/离线部署。适合金融、政务、军工等数据不出域场景。讯飞提供 Linux 离线 SDK，license 与机器码绑定，换机需重新授权。资源评估方面，离线转写对 CPU 算力要求较高，长音频并发转写建议配备 GPU 或足够核数的 CPU 服务器；离线合成相对轻量，普通 x86 服务器即可承担大规模 TTS 任务。

可观测性。语音接口的可观测比普通 API 多一层：除请求量、错误率外，还要盯三类指标。①鉴权失败率：11201（签名错误）、11202（时间戳过期）通常指向服务端时钟漂移或 UTC/GMT 时间格式错误；②流控错误：10160 表示 QPS 超限，10161 表示并发超限，出现即说明资源包不足或调用方缺重试退避；③识别质量：抽样比对转写文本与真实语音，监控静音超时（11200）占比，判断麦克风采集链路是否存在无声段。成本侧按音频时长计费，建议按天记录 当日转写时长/合成字数 用量，与业务量关联出单会话成本。

<p class="para-label">避坑清单：</p>

<ul class="dash-list"><li>鉴权时间戳必须用 UTC 格式的 RFC1123 时间字符串（如 Thu, 01 Jan 2026 00:00:00 GMT），用本地时区或格式错误会导致 11201/11202 签名失败；服务器时钟漂移也会踩中同一错误。</li><li>流式听写只接受 16kHz/8kHz 16bit 单声道 PCM 裸流，mp3、带 WAV 头的文件直接发送会报 10163；务必先转码再去文件头，测试时用 ffmpeg 的 -f s16le 输出确认格式。</li><li>不评估并发就上线：免费额度与商用并发包是硬上限，超出即返回 10160/10161，大促或呼叫中心高峰必须提前扩容并发包并实现指数退避重试。</li></ul>

版本迭代

讯飞语音能力的演进主线是从同步 REST 走向实时流式、从单一音色走向情感可控、从传统声学模型走向大模型化。早期以 REST WebAPI 支撑在线短音频处理，2021 年前后 WebSocket 流式接口成为实时场景主力，2024 年超拟人合成为 TTS 打开内容生产市场，2024-2025 年语音识别大模型进一步拉高复杂场景识别率。

AI 应用场景

常见误区

面试题

参考来源

• webpage讯飞开放平台官网产品总览、能力介绍与免费额度申请入口
• webpage科大讯飞官网公司产品体系与行业解决方案背景资料