科大讯飞实时语音转写从注册到接入：一份可边实践边更新的教程

2026年8月10日 · 阅读需 14 分钟

这篇不是泛泛介绍 ASR，而是为了把一条很具体的实践路径跑通：第一次使用科大讯飞开放平台，从注册、创建应用、开通实时语音转写，到拿到密钥、跑 SDK/API demo，最后接到我们自己的网页实时字幕服务。

同主题前情

实时语音转录怎么接：讯飞、阿里云、火山引擎、腾讯云四条路线：先把国内四家实时 ASR 的 API 形态、服务器分工和 A/B 测试方式拆开。
网页录音到 AI 纪要：先选成熟 ASR，再看现成产品：解释为什么我们要把“实时 ASR”和“AI 纪要”分成两层。

一句话结论

我们这条线先选 科大讯飞实时语音转写，优先试官方推荐的 实时语音转写大模型；如果开通或 SDK 路径不顺，再退回 实时语音转写标准版。短语音输入才看 语音听写（流式版），它不是会议长转写主线。

状态说明

快照时间为 2026-08-10 CST。本文先提 PR，作为实践手册的第一版；后续注册、开通、SDK smoke test、网页 relay、真实口述测试都会继续在同一个 PR 或后续更新里补记录。本文不会保存或展示任何真实 AppID、APIKey、APISecret、Token、密码或代理信息。

先分清三个容易混淆的产品

科大讯飞这里名字比较接近，第一次看很容易混：

产品	适合什么	这次是否主线	入口
实时语音转写大模型	长时间连续音频流，实时返回文字；官方文档说基于星火大模型预训练框架，服务核心是把不限时长语音识别为文字	主线优先	产品页 / API 文档 / 控制台服务页
实时语音转写标准版	长时间连续音频流，WebSocket 长连接，16k/16bit/mono PCM，建议每 40ms 发送 1280 字节	主线备选/对照	产品页 / API 文档
语音听写（流式版）	1 分钟内即时语音转文字，适合语音输入、短指令、搜索框	不是会议主线	产品页 / API 文档 / 控制台服务页

所以这次实践的判断很简单：

会议 / 长口述 / 实时字幕
  -> 实时语音转写大模型
  -> 不顺则实时语音转写标准版

短语音输入 / 60 秒以内 dictation
  -> 语音听写（流式版）

费用先怎么看

科大讯飞这条不是按 LLM token 算，而是按语音服务自己的免费包、时长套餐、方言/语种授权来算。价格会变，最后以控制台购买页为准；下面只是 2026-08-10 从实时语音转写产品页抓到的大模型套餐快照。

套餐	服务量	有效期	页面价格	折算单价
免费包（个人）	5 小时	1 年	免费	免费
免费包（企业）	50 小时	1 年	免费	免费
套餐一	40 小时	1 年	¥198	¥4.95 / 小时
套餐二	1000 小时	1 年	¥4000	¥4.00 / 小时
套餐三	5000 小时	1 年	¥17500	¥3.50 / 小时
套餐四	20000 小时	1 年	¥60000	¥3.00 / 小时
套餐五	100000 小时	1 年	¥240000	¥2.40 / 小时
套餐六	300000 小时	1 年	¥600000	¥2.00 / 小时

第一轮实践不建议直接买大套餐。更合理的是：

先领取个人 5 小时免费包，或企业 50 小时免费包；
用 10–20 秒音频跑通鉴权和音频格式；
再用 3–5 分钟真实口述测实时性和中文效果；
如果效果确认，再看 40 小时套餐是否足够下一阶段测试；
方言、语种、翻译、声纹/角色能力可能有单独授权或额外费用，不要默认包含在基础包里。

你先打开这些网页

第一次操作可以按下面顺序开网页，不需要先写代码。

步骤	打开地址	你要做什么
1	https://www.xfyun.cn/	注册或登录讯飞开放平台账号。
2	https://console.xfyun.cn/	进入控制台。后面创建应用、查看服务、拿密钥都在这里。
3	https://www.xfyun.cn/services/rtasr	打开“实时语音转写”产品页，看大模型和标准版、免费包、购买入口。
4	https://console.xfyun.cn/services/new_rta	进入“实时语音转写大模型”服务页，尝试领取免费包或开通服务。
5	https://www.xfyun.cn/doc/spark/asr_llm/rtasr_llm.html	看大模型版 API 文档，后端接入会按这个来。
6	https://www.xfyun.cn/doc/asr/rtasr/API.html	看标准版 API 文档，作为备选/对照。
7	https://github.com/iFLYTEK-OP/websdk-python	Python SDK 仓库，后续跑最小 demo 用。
8	https://github.com/iFLYTEK-OP/websdk-python-demo	Python SDK demo 仓库，里面有 `rtasr_test.py`。

如果某个控制台页面要求登录、实名、企业认证或绑定手机号，正常按它要求操作即可；这里不需要把密码或验证码发给我。

从注册到可调用：人工操作流程

1. 注册 / 登录 / 实名

打开 https://www.xfyun.cn/。
右上角登录或注册。
进入 https://console.xfyun.cn/。
如果提示实名认证，按提示完成个人或企业认证。

这一步完成后，只需要告诉我：

已登录控制台 / 已完成实名 / 是否个人账号或企业账号

不要发送密码、短信验证码或完整个人证件信息。

2. 创建应用

在控制台里找“我的应用”或“创建应用”。建议先创建一个专门用于这次实时转写测试的应用，例如：

应用名称：realtime-asr-test
平台类型：WebAPI / 服务端调用
用途：实时语音转写测试

创建后你会看到类似这些材料：

AppID:      [REDACTED]
APIKey:     [REDACTED]
APISecret:  [REDACTED]  # 大模型/听写类服务可能需要

注意：**不要把真实值贴到博客、群聊、截图或前端代码里。**如果后续要我帮你部署 demo，我们再用安全方式把它放到服务器环境变量。

3. 开通实时语音转写大模型

打开：

https://console.xfyun.cn/services/new_rta

目标是确认三件事：

服务是否已经开通；
是否能领取个人/企业免费包；
控制台里是否能看到对应应用的 AppID/APIKey/APISecret 或服务授权状态。

如果这个页面没有权限，回到产品页：

https://www.xfyun.cn/services/rtasr

产品页目前同时展示“实时语音转写大模型”和“实时语音转写标准版”，并提供免费包、购买和 SDK 文档入口。

4. 如大模型不顺，再开通标准版

标准版文档入口：

https://www.xfyun.cn/doc/asr/rtasr/API.html

标准版的关键点：

WebSocket:  wss://rtasr.xfyun.cn/v1/ws?... 
音频：      16k / 16bit / 单声道 / PCM
发包：      建议每 40ms 发送 1280 字节
鉴权：      appid + ts + signa
signa：     HmacSHA1(MD5(appid + ts), api_key) 后 Base64

标准版只需要 appid + apiKey 就能生成 signa。大模型版文档则写到 AppID、APIKey、APISecret，并使用另一套 signature 参数。

5. 先不要把 IP 白名单打开得太死

讯飞文档提到可以在控制台配置 IP 白名单。测试阶段建议：

如果默认关闭白名单，先保持默认；
如果必须打开白名单，要填 公网出口 IP，不是局域网 IP；
真正上线后再把白名单收紧到服务端公网出口。

我们后续如果部署在 recall.cube，但公网出口可能经过边缘/代理链路，需要实际测到出口 IP 后再填。

SDK 路径：先跑 Python demo

官方 Python SDK 仓库：

https://github.com/iFLYTEK-OP/websdk-python

语音 SDK 包名是：

pip install xfyunsdkspeech

官方 demo 仓库：

https://github.com/iFLYTEK-OP/websdk-python-demo

demo README 里说明：

获取能力使用的 APPID、APISecret、APIKey 后填写到 .env；
实时语音转写对应主类是 xfyunsdkdemo/speech/rtasr_test.py；
语音听写对应 xfyunsdkdemo/speech/iat_test.py。

本地最小验证思路

我们不把真实密钥写进命令或 Git 仓库。实际应该类似这样：

python3 -m venv .venv
. .venv/bin/activate
pip install xfyunsdkspeech python-dotenv

然后准备一个本地 .env，只放在测试目录，不提交：

APP_ID=[REDACTED]
API_KEY=[REDACTED]
API_SECRET=[REDACTED]

对于标准版 RtasrClient，SDK README 里示例形态是：

import os
from xfyunsdkspeech.rtasr_client import RtasrClient

client = RtasrClient(
    app_id=os.getenv("APP_ID"),
    api_key=os.getenv("API_KEY"),
)

with open("sample-16k-16bit-mono.pcm", "rb") as f:
    for chunk in client.stream(f):
        print(chunk)

这一步的目的不是做最终产品，而是先验证：

账号服务已经开通；
AppID/APIKey 能通过鉴权；
音频格式正确；
讯飞能返回识别结果；
错误码是否与权限、白名单、音频格式相关。

音频样本要求

标准版实时转写要求的是：

采样率：16k
位深：16bit
声道：单声道
格式：pcm_s16le / raw pcm

如果手上是 wav/mp3/m4a，需要先转成 PCM。后续实践时可以用 ffmpeg：

ffmpeg -i input.wav -ac 1 -ar 16000 -f s16le sample-16k-16bit-mono.pcm

如果没有本地音频，我们也可以录一段 10–20 秒中文口述作为 smoke test。

API 路径：后端直接接 WebSocket

SDK 适合第一步验证账号和密钥。真正做网页实时字幕时，我更建议后端直接接 WebSocket，因为要处理：

浏览器音频格式转换；
密钥保护；
session 管理；
partial/final 统一事件；
重连、错误码、用量统计；
后续切换阿里云/火山/腾讯云 provider。

大模型版 WebSocket 形态

大模型版 API 文档给出的请求地址是：

wss://office-api-ast-dx.iflyaisol.com/ast/communicate/v1?{请求参数}

关键点：

鉴权参数：AppID / APIKey / APISecret 派生 signature
音频：    16k / 16bit / 单声道
发送：    建议每 40ms 发送 1280 字节
超时：    音频发送间隔超过 15 秒会被服务端断开

标准版 WebSocket 形态

标准版请求地址是：

wss://rtasr.xfyun.cn/v1/ws?appid=...&ts=...&signa=...

签名逻辑可以理解成：

baseString = MD5(appid + ts)
signa = Base64(HmacSHA1(baseString, apiKey))

注意：这里的 apiKey 是接口密钥，不能放到浏览器里。

我们自己的产品架构

最终我们不应该让浏览器直接连讯飞。应该是：

浏览器麦克风
  -> 我们自己的 WebSocket：wss://realtime-asr.public.wzhecnu.cn/ws
  -> 后端读取环境变量里的讯飞密钥
  -> 后端连接讯飞 WebSocket
  -> 讯飞返回识别结果
  -> 后端统一成 transcript.partial / transcript.final
  -> 浏览器实时显示字幕

后端环境变量形态大概是：

ASR_PROVIDER=iflytek
IFLYTEK_APP_ID=[REDACTED]
IFLYTEK_API_KEY=[REDACTED]
IFLYTEK_API_SECRET=[REDACTED]
IFLYTEK_PRODUCT=rtasr_llm

前端只知道：

POST /api/asr/session
WebSocket /api/asr/session/{id}/stream

它不接触任何讯飞密钥。

实践分工：你点网页，我写代码

你先做

注册/登录：https://www.xfyun.cn/
进入控制台：https://console.xfyun.cn/
创建一个测试应用。
打开实时语音转写产品页：https://www.xfyun.cn/services/rtasr
优先进入大模型服务页：https://console.xfyun.cn/services/new_rta
领取免费包或完成服务开通。
确认控制台里能看到应用对应的 AppID/APIKey/APISecret。
不要把密钥发到群聊；只告诉我：

- 账号类型：个人/企业
- 实名是否完成：是/否
- 已创建应用：是/否
- 已开通服务：大模型/标准版/听写/未开通
- 是否领取免费包：是/否
- 控制台是否显示 AppID/APIKey/APISecret：是/否
- 是否开启了 IP 白名单：是/否

我来做

写一个最小 Python smoke 脚本，只读取环境变量，不写死密钥。
准备 16k/16bit/mono PCM 测试音频。
跑 SDK 或 WebSocket demo，记录错误码和返回样例。
如果 SDK 不顺，直接按官方 WebSocket 协议写最小客户端。
成功后写后端 relay。
接一个极简网页：开始录音、实时上屏、停止、保存 transcript。
最后再接 AI 纪要，不和 ASR 第一阶段混在一起。

第一轮验收标准

第一轮不要追求完整产品，只要证明“讯飞这条线能跑通”：

验收项	通过标准
服务开通	控制台显示实时语音转写服务可用
鉴权	SDK/API 不再返回无权限、签名错误、白名单错误
音频格式	10–20 秒中文 PCM 能被识别
实时性	发送音频期间持续返回结果，而不是结束后一次性返回
中文效果	能识别普通话口述、项目名、少量中英混杂
错误记录	所有错误码都能对应到权限、签名、白名单、格式或超时

常见坑

坑 1：选错产品

如果做会议/直播/长口述，别先选语音听写。语音听写流式版文档写的是 1 分钟内即时语音转文字，最长 60 秒；会议长转写应该看实时语音转写。

坑 2：浏览器直接放密钥

不要把 AppID/APIKey/APISecret 放进前端 JS。即使能跑，也等于公开密钥。

坑 3：音频格式不对

浏览器常见拿到的是 WebM/Opus 或 Float32 PCM，不一定是讯飞要的 16k/16bit/mono PCM。我们要在浏览器端或后端做转换。

坑 4：发包太快或太慢

标准版和大模型版文档都强调建议每 40ms 发送 1280 字节；发送过快可能出错，超过 15 秒不发音频服务端会断开。

坑 5：IP 白名单填了内网 IP

如果打开白名单，要填服务端公网出口 IP，不是 192.168.x.x、10.x.x.x 或本机局域网地址。

坑 6：把免费包当无限额度

免费包只适合 smoke test。后续需要记录音频时长、并发、错误率和费用，避免长时间测试产生意外账单。

后续更新计划

这篇先作为 PR 版总教程。实践推进后，继续补：

控制台实际截图对应的步骤说明；
Python SDK smoke test 命令与结果；
WebSocket 直接调用最小客户端；
网页实时字幕 relay 架构；
真实 1 分钟中文口述测试结果；
与阿里云/火山引擎同音频 A/B 对比；
最终是否采用讯飞作为第一版 provider。

参考入口

科大讯飞开放平台：https://www.xfyun.cn/
科大讯飞控制台：https://console.xfyun.cn/
实时语音转写产品页：https://www.xfyun.cn/services/rtasr
实时语音转写大模型 API：https://www.xfyun.cn/doc/spark/asr_llm/rtasr_llm.html
实时语音转写标准版 API：https://www.xfyun.cn/doc/asr/rtasr/API.html
语音听写产品页：https://www.xfyun.cn/services/voicedictation
语音听写流式版 API：https://www.xfyun.cn/doc/asr/voicedictation/API.html
Python SDK：https://github.com/iFLYTEK-OP/websdk-python
Python SDK demo：https://github.com/iFLYTEK-OP/websdk-python-demo
Java SDK：https://github.com/iFLYTEK-OP/websdk-java

先分清三个容易混淆的产品​

费用先怎么看​

你先打开这些网页​

从注册到可调用：人工操作流程​

1. 注册 / 登录 / 实名​

2. 创建应用​

3. 开通实时语音转写大模型​

4. 如大模型不顺，再开通标准版​

5. 先不要把 IP 白名单打开得太死​

SDK 路径：先跑 Python demo​

本地最小验证思路​

音频样本要求​

API 路径：后端直接接 WebSocket​

大模型版 WebSocket 形态​

标准版 WebSocket 形态​

我们自己的产品架构​

实践分工：你点网页，我写代码​

你先做​

我来做​

第一轮验收标准​

常见坑​

坑 1：选错产品​

坑 2：浏览器直接放密钥​

坑 3：音频格式不对​

坑 4：发包太快或太慢​

坑 5：IP 白名单填了内网 IP​

坑 6：把免费包当无限额度​

后续更新计划​

参考入口​