免费语音识别(ASR)API 完全教程:零成本把语音转成文字(2026-10-20 验证)
欢迎来到 apishare.cc 的免费API教程专栏!语音识别(ASR / Speech-to-Text)技术正在重塑人机交互的方式。无论你是想为应用加上语音输入法、构建会议纪要自动生成工具,还是开发智能客服录音分析系统,本篇《免费语音识别 API 完全教程》都能帮你零成本落地。更多优质免费接口,请查阅我们的 免费API目录,新用户可前往 注册页面 获取专属开发者密钥。
语音识别(Automatic Speech Recognition, 简称 ASR)是将人类语音中的词汇内容转换为计算机可读文字的技术。过去,高精度的 ASR 服务往往价格不菲,但随着开源模型和云计算的发展,现在我们已有多种免费且高质量的方案可供选择。本文将带你逐一拆解 5 种主流的免费语音识别方案。
方案全景对比:5 大免费 ASR 方案雷达图
为了帮助大家直观地了解这 5 种方案的优劣势,我们从「免费额度、识别准确率、多语言支持、实时性能、集成难度、商用许可」6 个维度进行了 1-10 分的量化评分。
注:集成难度评分越高代表越容易集成(即门槛越低)。
方案 1:OpenAI Whisper API(官方免费层)
OpenAI 推出的 whisper-1 模型是目前业界公认的最强多语言语音识别模型之一。通过 OpenAI 的免费层(新账号通常附带体验额度),开发者可以直接调用其云端 API,享受极高准确率的转写服务,并支持自动语言检测。
1.1 特性表格
| 特性 | 详情 |
|---|---|
| 模型支持 | whisper-1 (基于 Whisper v2-large) |
| 免费额度 | 新用户体验额度(随平台政策变动) |
| 支持格式 | mp3, mp4, mpeg, mpga, m4a, wav, webm |
| 特色功能 | 自动语言检测、翻译(转写为英文)、标点符号自动补全 |
| 响应速度 | 较快(取决于文件大小和网络) |
1.2 步骤说明
- 获取 API Key:前往 OpenAI 平台注册账号,生成专属 Secret Key。
- 安装官方库:在本地 Python 环境中安装
openai官方 SDK。 - 读取音频文件:将本地音频文件以二进制形式读取。
- 调用接口转写:使用
client.audio.transcriptions.create方法发送请求并获取文字。
1.3 Python 代码示例
import os
from openai import OpenAI
client = OpenAI(api_key="your-openai-api-key")
def transcribe_audio(audio_path: str) -> str:
"""使用 OpenAI Whisper API 将语音转为文字"""
with open(audio_path, "rb") as audio_file:
response = client.audio.transcriptions.create(
model="whisper-1",
file=audio_file,
)
return response.text
if __name__ == "__main__":
text = transcribe_audio("meeting_record.mp3")
print("转写结果:", text)
1.4 推荐场景
适合对识别准确率要求极高、需要处理多国语言(尤其是小语种)的全球化应用,或者需要将语音直接翻译为英文的跨语言场景。如果你需要更多大模型相关的免费接口,可以浏览我们的 免费API目录。
方案 2:Hugging Face Inference API(openai/whisper-large-v3)
Hugging Face 提供了免费的 Inference API,允许开发者直接调用托管在云端的各类开源大模型。通过调用 openai/whisper-large-v3 模型,你可以零成本体验到目前开源界最顶级的语音识别能力。
2.1 特性表格
| 特性 | 详情 |
|---|---|
| 模型支持 | openai/whisper-large-v3 |
| 免费额度 | 免费但受 Rate Limit 限制 |
| 支持格式 | flac, mp3, wav 等 |
| 特色功能 | 支持模型热更新、无需自行部署庞大模型 |
| 响应速度 | 中等(排队机制,冷启动可能较慢) |
2.2 步骤说明
- 注册并获取 Token:在 Hugging Face 官网注册账号,创建 Access Token。
- 确认模型可用:访问模型页面,确保 Inference API 处于 Active 状态。
- 发送 HTTP 请求:利用 Python 的
requests库,将音频文件以二进制流形式 POST 到推理接口。
2.3 Python 代码示例
import requests
API_URL = "https://api-inference.huggingface.co/models/openai/whisper-large-v3"
HF_TOKEN = "your-huggingface-token"
headers = {"Authorization": f"Bearer {HF_TOKEN}"}
def query_hf_asr(audio_path: str) -> str:
with open(audio_path, "rb") as f:
data = f.read()
response = requests.post(API_URL, headers=headers, data=data)
if response.status_code == 200:
result = response.json()
return result.get("text", "未识别到内容")
return f"请求失败,状态码: {response.status_code}"
if __name__ == "__main__":
text = query_hf_asr("test_audio.wav")
print("转写结果:", text)
2.4 推荐场景
适合个人开发者、学术研究以及不想自行部署庞大模型但希望体验最新开源模型的用户。
方案 3:Google Cloud Speech-to-Text(免费层每月60分钟)
Google Cloud 的 Speech-to-Text 服务凭借深厚的 AI 积累,在长音频识别和流式识别上表现优异。新用户注册后每月可享受 60 分钟的免费转写额度。
3.1 特性表格
| 特性 | 详情 |
|---|---|
| 模型支持 | latest-long, latest-short, phone_call 等 |
| 免费额度 | 每月 60 分钟免费 |
| 支持格式 | flac, wav, mp3 等(需采样率匹配) |
| 特色功能 | 流式实时识别、自动标点、词级时间戳、脏话过滤 |
| 响应速度 | 快(基础设施强大) |
3.2 步骤说明
- 创建 GCP 项目:登录 Google Cloud Console,新建一个项目。
- 启用 API 并配置认证:启用 Speech-to-Text API,创建服务账号并下载 JSON 密钥文件。
- 安装客户端库:
pip install google-cloud-speech。 - 配置环境变量:将密钥 JSON 文件路径设置为环境变量。
- 调用同步识别接口:读取音频,配置编码格式与采样率,发起请求。
3.3 Python 代码示例
import os
from google.cloud import speech
os.environ["GOOGLE_APPLICATION_CREDENTIALS"] = "path/to/your/gcp-key.json"
def transcribe_gcp(audio_path: str) -> str:
client = speech.SpeechClient()
with open(audio_path, "rb") as audio_file:
content = audio_file.read()
audio = speech.RecognitionAudio(content=content)
config = speech.RecognitionConfig(
encoding=speech.RecognitionConfig.AudioEncoding.LINEAR16,
sample_rate_hertz=16000,
language_code="zh-CN",
enable_automatic_punctuation=True
)
response = client.recognize(config=config, audio=audio)
for result in response.results:
return result.alternatives[0].transcript
return "未识别到内容"
if __name__ == "__main__":
print("转写结果:", transcribe_gcp("audio_16k.wav"))
3.4 推荐场景
适合需要高可用性、流式实时语音转写的商业级应用原型开发。如需了解更多云服务免费资源,可访问我们的 免费API目录。
方案 4:Assembly AI(免费层每月5小时)
Assembly AI 是一家专注于语音 AI 的初创公司,其 API 设计对开发者极其友好。除了基础转写功能,它还提供说话人分离、情感分析等高级功能。免费层每月提供 5 小时的转写额度,非常慷慨。
4.1 特性表格
| 特性 | 详情 |
|---|---|
| 模型支持 | Best(高精度)、Nano(低延迟) |
| 免费额度 | 每月 5 小时免费转写 |
| 支持格式 | 支持几乎所有常见音频格式 |
| 特色功能 | 说话人分离、敏感词过滤、章节自动分割 |
| 响应速度 | 快(异步处理大文件能力强) |
4.2 步骤说明
- 注册获取 Key:在 Assembly AI 官网注册账号,获取 API Key。
- 上传音频文件:调用 Upload 接口上传本地音频。
- 提交转写请求:将上传后的 URL 提交给 Transcribe 接口。
- 轮询获取结果:定时查询任务状态,完成后获取 JSON 结果。
4.3 Python 代码示例
import requests
import time
API_KEY = "your-assemblyai-api-key"
HEADERS = {"authorization": API_KEY}
def transcribe_assemblyai(audio_path: str) -> str:
with open(audio_path, "rb") as f:
upload_response = requests.post(
"https://api.assemblyai.com/v2/upload",
headers=HEADERS, data=f
)
upload_url = upload_response.json()["upload_url"]
response = requests.post(
"https://api.assemblyai.com/v2/transcript",
json={"audio_url": upload_url, "speaker_labels": True},
headers=HEADERS
)
transcript_id = response.json()["id"]
while True:
result = requests.get(
f"https://api.assemblyai.com/v2/transcript/{transcript_id}",
headers=HEADERS
).json()
if result["status"] == "completed":
return result["text"]
elif result["status"] == "error":
return "转写失败"
time.sleep(3)
if __name__ == "__main__":
print("转写结果:", transcribe_assemblyai("podcast.mp3"))
4.4 推荐场景
适合需要处理播客、多人会议录音,且需要区分说话人身份的播客平台或会议系统。
方案 5:Vosk 自建(完全免费本地离线运行)
如果你不想受制于任何 API 的速率限制、担心数据隐私,或者需要一个能在弱网或无网环境下运行的 ASR 方案,Vosk 是最佳选择。Vosk 是一个开源的离线语音识别工具包,支持 20+ 种语言,模型体积小(通常 50MB 左右),可在树莓派甚至移动端运行。
5.1 特性表格
| 特性 | 详情 |
|---|---|
| 模型支持 | Vosk 本地模型(如 vosk-model-small-cn-0.22) |
| 免费额度 | 完全免费、无限量 |
| 支持格式 | WAV (16kHz, 单声道, 16-bit PCM) |
| 特色功能 | 离线运行、零延迟、无需 API Key、支持流式识别 |
| 响应速度 | 极快(本地 CPU 运算,无网络开销) |
5.2 步骤说明
- 安装依赖库:通过 pip 安装
vosk及音频处理库soundfile。 - 下载离线模型:从 Vosk 官网或 GitHub 下载对应语言的模型压缩包,解压到项目目录。
- 初始化模型与识别器:在 Python 中加载模型,设置采样率创建 KaldiRecognizer。
- 读取音频流并识别:分块读取 WAV 文件,送入识别器,输出 JSON 格式结果。
5.3 Python 代码示例
import json
import wave
from vosk import Model, KaldiRecognizer
def transcribe_vosk(audio_path: str, model_path: str) -> str:
model = Model(model_path)
wf = wave.open(audio_path, "rb")
if wf.getnchannels() != 1 or wf.getsampwidth() != 2 or wf.getframerate() != 16000:
return "音频格式错误,需 16kHz 单声道 16-bit WAV"
rec = KaldiRecognizer(model, 16000)
rec.SetWords(True)
final_text = ""
while True:
data = wf.readframes(4000)
if len(data) == 0:
break
if rec.AcceptWaveform(data):
result = json.loads(rec.Result())
final_text += result.get("text", "") + " "
final_result = json.loads(rec.FinalResult())
final_text += final_result.get("text", "")
return final_text.strip()
if __name__ == "__main__":
text = transcribe_vosk("local_audio.wav", "vosk-model-small-cn")
print("转写结果:", text)
5.4 推荐场景
适合对数据隐私要求极高的医疗法律行业应用、无网络连接的边缘计算设备(如车载设备、物联网传感器)、或需要极低延迟实时反馈的本地语音助手。更多本地化与免费接口教程,欢迎查阅 免费API目录。
决策树:如何选择最适合你的免费 ASR 方案?
面对 5 种优秀的方案,你可能不知道如何抉择。请根据以下决策树流程图,快速定位最适合你的方案:
极度注重数据隐私?} B -- 是 --> C[方案5: Vosk 自建] B -- 否 --> D{每月转写量是否
大于 5 小时?} D -- 是 --> E{是否愿意自行部署
开源大模型?} E -- 是 --> F[方案2: Hugging Face API] E -- 否 --> G[方案5: Vosk 自建
或组合使用多个云API] D -- 否 --> H{是否需要区分
多个说话人?} H -- 是 --> I[方案4: Assembly AI] H -- 否 --> J{是否需要极高的
多语言小语种识别率?} J -- 是 --> K[方案1: OpenAI Whisper API] J -- 否 --> L{是否需要深度集成
云生态及流式高可用?} L -- 是 --> M[方案3: Google Cloud] L -- 否 --> I
决策树步骤说明
- 判断隐私与网络需求:如果你的应用场景在断网环境,或者录音属于高度机密,直接选择方案 5 (Vosk)。
- 评估免费额度需求:如果你的月转写量超过 5 小时,且不想付费,由于云端 API 均有额度限制,建议选择方案 2 (Hugging Face) 搭配 方案 5 (Vosk) 做兜底。
- 考察高级功能:如果需要区分"谁在什么时候说了什么",方案 4 (Assembly AI) 是最佳且最易集成的选择。
- 考察语言广度与精度:如果录音包含多国语言或带有浓重口音,方案 1 (OpenAI Whisper) 的准确率无可匹敌。
- 考察生态与实时性:如果在构建大型商业应用的原型,需要流式低延迟识别,选择方案 3 (Google Cloud)。
结语
语音识别技术已经从高高在上的实验室技术,变成了触手可及的开发者工具。从 OpenAI Whisper 的极致精度,到 Vosk 的本地极速响应,开发者完全可以根据自身的业务场景,零成本构建出令人惊艳的语音交互功能。
如果你在测试这些 API 的过程中需要更多接口资源,或者想要寻找其他类型的免费服务(如大模型、文字转语音、光学字符识别等),请务必收藏 apishare.cc 免费API目录。同时,也欢迎你前往我们的 注册页面 创建账号,获取最新的技术更新与专属开发者福利。我们下期教程再见!