硅基流动已上线稳定可用的语音转文字（STT）API服务，支持免费档L0专用ASR模型，需通过正式控制台Model Hub→Speech页确认模型可用性，调用时注意音频格式、参数配置及错误处理。

硅基流动明确支持语音识别，且已上线稳定可用的语音转文字（STT）API服务，2026年8月最新数据显示其免费档（L0）包含专用ASR模型，可直接调用实现高精度、低延迟的语音转写。

确认语音识别能力是否可用

打开硅基流动正式控制台（console.siliconflow.com），登录后进入「Model Hub」→「Speech」分类标签页。页面顶部显示“Available now”状态的模型即为当前可调用的语音识别模型，如 【SiliconFlow-ASR-v3】 或带“stt”标识的模型。未显示该分类或模型灰显，说明账号未开通语音权限，需先提交实名认证并等待审核通过（通常5分钟内完成）。

注意：免费档用户默认开通基础ASR能力，但不包含实时流式识别（streaming）功能，仅支持完整音频文件上传识别。

准备音频文件与参数

确保音频格式为 WAV 或 MP3，采样率 16kHz 或 48kHz，单声道优先；若为立体声，需提前转为单声道，否则识别结果可能异常。

文件大小不得超过 100MB；超过时需分段切片（推荐每段 ≤ 60 秒），否则请求会直接返回 413 错误。

准备好以下三项必要参数：API Key（在「API Keys」页复制）、模型ID（如 siliconflow-asr-v3）、音频文件路径（本地绝对路径或可公开访问的URL）。

调用语音转文字API（Python示例）

方法一：使用 requests 发送 multipart/form-data 请求

安装依赖：pip install requests

执行以下代码（替换 YOUR_API_KEY 和 /path/to/audio.wav）：

import requestsurl = "https://api.siliconflow.com/v1/audio/transcriptions"headers = {"Authorization": "Bearer YOUR_API_KEY"}files = {"file": open("/path/to/audio.wav", "rb")}data = {"model": "siliconflow-asr-v3", "language": "zh"}response = requests.post(url, headers=headers, files=files, data=data)print(response.json())

这一步操作起来很简单，直接把文件拖进去就行。关键点在于 【files 字典必须只含一个 file 键，且值为 open() 返回的文件对象，不能是 bytes 或路径字符串】，否则服务器会返回 400 错误并提示“invalid file format”。

方法二：从公网 URL 加载音频（适合部署在服务器端）

将 data 字典改为：{"model": "siliconflow-asr-v3", "file_url": "https://example.com/recording.wav"}，此时无需传 files 参数，但 file_url 必须可被硅基流动服务器直连访问（不可设防盗链或需登录）。

解析返回结果

成功响应为 JSON，结构含 text（识别文本）、segments（时间戳分段）、language（检测语种）等字段。例如：

{"text": "今天天气不错，我们去公园散步吧", "segments": [{"start": 0.23, "end": 2.45, "text": "今天天气不错"}, {"start": 2.51, "end": 5.18, "text": "我们去公园散步吧"}]}

若返回 error 字段，常见原因有：API Key 权限不足（检查是否绑定语音模型）、音频静音过长（前3秒无有效语音触发）、文件损坏（用 VLC 能否正常播放）。遇到 status_code 429，说明当前免费档 QPS 超限（L0 档限制 3 次/分钟），需加 sleep(20) 控制频率。