跳到主要内容

火山引擎实时语音识别从注册到接入：豆包语音 ASR 实践教程

· 阅读需 15 分钟

这篇继续同一组实践教程：第一次使用火山引擎豆包语音 / 大模型流式语音识别，怎么注册开通，怎么拿 Key，怎么选资源 ID，怎么理解 WebSocket 二进制协议，怎么从 smoke test 走到我们自己的网页实时字幕服务。

同主题前情
一句话结论

火山这条线最值得看的不是老“语音识别 API”本身，而是 豆包流式语音识别模型 2.0 / 大模型流式语音识别。如果目标是边说边出字，第一轮优先试 双向流式优化版 bigmodel_async；如果想在快和准之间折中，可以开启二遍识别，让实时临时结果先上屏，再用更稳的分句 final 覆盖。

状态说明

快照时间为 2026-08-10 CST。本文基于火山引擎官方大模型流式语音识别 API、豆包语音计费说明、控制台 FAQ 做静态实践手册；没有使用任何真实账号密钥，也没有发起付费 ASR 调用。真实 App Key、API Key、Access Token、Secret Key、Resource ID、密码、代理凭据一律写成 [REDACTED]，不能进入前端、博客、截图或 Git 仓库。

先分清三条实时入口​

火山的大模型流式 ASR 文档里列了三个 WebSocket 入口：

入口URL适合什么第一轮建议
双向流式模式wss://openspeech.bytedance.com/api/v3/sauc/bigmodel每输入一个包返回一个包，尽快返回识别到的字符，速度较快可测
流式输入模式wss://openspeech.bytedance.com/api/v3/sauc/bigmodel_nostream发送超过 15 秒音频或最后一包后返回结果，准确率更高但实时性弱准确率对照
双向流式优化版wss://openspeech.bytedance.com/api/v3/sauc/bigmodel_async结果有变化时才返回新包，官方文档更推荐，性能更优优先试

如果我们做会议实时字幕，第一轮建议：

低延迟实时上屏
  -> bigmodel_async
  -> 开 enable_nonstream 做二遍识别

只看最终准确率对照
  -> bigmodel_nostream

旧链路兼容
  -> bigmodel

火山文档还明确提醒：单包音频建议 100–200ms，发包间隔建议 100–200ms；双向流式模式推荐 200ms 分包。不要照搬讯飞的 40ms，也不要把浏览器原始 WebM/Opus 不处理就丢过去。

费用先怎么看​

价格会变，必须以控制台和官方计费页为准。下面是 2026-08-10 从火山“豆包语音计费说明”抓到的快照，只用于第一轮预算判断。

商品 / 能力资源包示例资源包折算后付费单价
豆包流式语音识别模型 2.030 小时 ¥28；1000 小时 ¥900；10000 小时 ¥8800约 ¥0.93 / 小时到 ¥0.88 / 小时¥1 / 小时
大模型流式语音识别30 小时 ¥132；1000 小时 ¥4000；10000 小时 ¥32000约 ¥4.4 / 小时到 ¥3.2 / 小时¥4.5 / 小时
豆包录音文件识别模型 2.030 小时 ¥23；1000 小时 ¥750约 ¥0.77 / 小时到 ¥0.75 / 小时¥0.8 / 小时
大模型录音文件识别（标准版）30 小时 ¥66；1000 小时 ¥2000约 ¥2.2 / 小时到 ¥2 / 小时¥2.3 / 小时
大模型录音文件识别（极速版）30 小时 ¥132；1000 小时 ¥4300约 ¥4.4 / 小时到 ¥4.3 / 小时¥4.5 / 小时

计费说明里还写到两个非常重要的点：

  1. 按时长计费时，会累加每次调用的语音时长，精确到毫秒，最终折算为小时；
  2. 语音识别相关能力按音频时长计费，双声道也是按单声道时长口径计费。

第一轮建议：

先不要直接买大包
  -> 先确认是否有免费额度 / 试用
  -> 再买最小 30 小时包或保持后付费但做成本保护
  -> 每次测试记录音频秒数、Resource ID、X-Tt-Logid、账单归属

另外，火山文档还列出并发包：豆包流式语音识别模型 2.0 默认并发 / 超出并发价格和大模型流式语音识别不同。第一版 smoke test 不用先买并发包；真要多人同时测，再看并发。

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
1https://www.volcengine.com/注册或登录火山引擎账号。
2https://www.volcengine.com/product/doubao-speech打开豆包语音产品页，确认产品入口。
3https://console.volcengine.com/speech/new/setting/apikeys?projectName=default新版控制台 API Key 页面，登录后查看 / 创建 X-Api-Key。
4https://docs.volcengine.com/docs/6561/1354869?lang=zh大模型流式语音识别 API 文档，重点看三种 WebSocket、鉴权、二进制协议、参数。
5https://docs.volcengine.com/docs/6561/1359370?lang=zh豆包语音计费说明，看资源包、后付费、并发包。
6https://www.volcengine.com/docs/6561/196768控制台 FAQ，看旧版 appid / cluster / token / authorization_type / secret_key 在哪里查。
7https://console.volcengine.com/speech/monitor监控统计 / 资源包使用情况，后续做成本读回。
8https://console.volcengine.com/finance/bill/detail/费用中心账单详情，确认是否欠费、后付费扣费、资源包抵扣。

如果你是子账号，火山 FAQ 明确说：主账号没给对应产品控制台权限时，子账号无法直接访问语音技术控制台，需要主账号在访问控制里授权语音技术系统策略。

从注册到可调用：人工操作流程​

1. 注册 / 登录 / 实名​

  1. 打开 https://www.volcengine.com/。
  2. 登录或注册火山引擎账号。
  3. 如果提示实名、企业认证、协议确认或付费方式确认，按页面完成。
  4. 进入豆包语音 / 语音技术控制台。

完成后只需要告诉我：

已登录火山 / 已进入语音控制台 / 是否完成实名 / 是否主账号或子账号

不要发送密码、验证码、证件、完整账单截图。

2. 开通豆包语音 / 大模型流式语音识别​

目标是确认这些状态：

服务：豆包流式语音识别模型 2.0 / 大模型流式语音识别
计费：免费额度 / 资源包 / 后付费
并发：默认并发是否够第一轮测试
项目：default 或 realtime-asr-test

如果你只是第一轮效果测试，不建议一开始买大资源包。可以先确认有没有试用 / 免费额度；如果必须购买，优先看最小 30 小时包。

3. 获取 Key：新版和旧版不一样​

火山文档把鉴权分成新版控制台和旧版控制台：

控制台版本需要什么说明
新版控制台X-Api-Key官方文档写到新版控制台只需要 X-Api-Key，配合 Resource ID、Request ID、Sequence 走 WebSocket header
旧版控制台X-Api-App-Key + X-Api-Access-Key文档解释为 App ID / Access Token 等旧参数；还会涉及 cluster、authorization_type、secret_key 等控制台参数

真实值只放服务器环境变量：

VOLCENGINE_SPEECH_API_KEY=[REDACTED]
VOLCENGINE_SPEECH_APP_KEY=[REDACTED]
VOLCENGINE_SPEECH_ACCESS_KEY=[REDACTED]

浏览器端不能看到这些值。

4. 选择 Resource ID​

API 文档里把资源 ID 写得很明确，代表你调用哪种服务和计费模式：

能力小时版 Resource ID并发版 Resource ID
豆包流式语音识别模型 1.0volc.bigasr.sauc.durationvolc.bigasr.sauc.concurrent
豆包流式语音识别模型 2.0volc.seedasr.sauc.durationvolc.seedasr.sauc.concurrent

如果第一轮只是按时长小流量测试，通常从小时版开始：

VOLCENGINE_ASR_RESOURCE_ID=volc.seedasr.sauc.duration

不要把 resource id 和 API key 混为一谈：Resource ID 不是密钥，但它决定调用哪条产品 / 计费线，仍然应当放在服务端配置里统一管理。

5. 请求头最小形态​

新版控制台 WebSocket 握手 header 大概是：

X-Api-Key: [REDACTED]
X-Api-Resource-Id: volc.seedasr.sauc.duration
X-Api-Request-Id: <uuid>
X-Api-Sequence: -1

旧版控制台则是：

X-Api-App-Key: [REDACTED]
X-Api-Access-Key: [REDACTED]
X-Api-Resource-Id: volc.seedasr.sauc.duration
X-Api-Request-Id: <uuid>
X-Api-Sequence: -1

WebSocket 握手成功后，服务端会返回 X-Tt-Logid。这个值不是密钥，应该记录到日志里，方便排错。

API 路径：火山不是简单 JSON WebSocket​

火山这条比阿里 / 讯飞更工程化一点：WebSocket payload 是二进制协议，不是简单地 send(JSON.stringify(...)) 加音频就完事。

官方协议说明每个 frame payload 包含：

header
payload size
payload

消息类型包括：

类型含义
0b0001端上发送 full client request，包含请求参数
0b0010端上发送 audio only request，包含音频数据
0b1001服务端返回 full server response，包含识别结果
0b1111服务端返回错误

请求流程：

建立 WebSocket
  -> 发送 full client request：音频格式、采样率、模型参数、热词 / 上下文等
  -> 持续发送 audio only request：每包约 100–200ms 音频
  -> 服务端持续返回识别结果 / 错误
  -> 最后一包使用负包标记
  -> 服务端返回最终结果
  -> 关闭连接

这意味着第一版 relay 最好先写成后端 adapter，而不是让浏览器直接实现火山二进制协议。

请求参数怎么选​

第一轮会议实时字幕可以从这个配置开始：

{
  "audio": {
    "format": "wav",
    "rate": 16000,
    "bits": 16,
    "channel": 1,
    "language": "zh-CN"
  },
  "request": {
    "model_name": "bigmodel",
    "enable_nonstream": true,
    "enable_itn": true,
    "enable_punc": true,
    "enable_ddc": false,
    "result_type": "full",
    "end_window_size": 800
  }
}

参数含义：

参数建议说明
formatpcm 或 wav文档支持 pcm / wav / ogg / mp3；pcm/wav 内部必须是 pcm_s16le
rate16000文档写目前只支持 16000
channel1第一轮用单声道，减少变量
languagezh-CN 或空空值可用默认中英文及部分方言；指定语种只在部分模式支持
model_namebigmodel文档当前写目前只有 bigmodel
enable_nonstreamtrue双向流式优化版可开启二遍识别，用快结果 + 准 final
enable_itntrue把“一九七零年”转成“1970年”等书面格式
enable_punctrue启用标点
enable_ddc先 false语义顺滑可能会改写口语，先看原始效果
end_window_size800静音判停阈值；实时性要求高时可调小，但可能影响准确率

后续可以再测：

  • enable_speaker_info：说话人聚类分离；
  • context：热词 / 上下文；
  • show_speech_rate / show_volume：输出语速、音量；
  • enable_lid：语种检测；
  • enable_emotion_detection：情绪检测；
  • enable_gender_detection：性别检测。

这些都不要第一轮全开。先把“稳定实时出字”跑通，再逐项打开。

我们自己的产品架构​

最终还是不让浏览器直连火山。推荐：

浏览器麦克风
  -> 我们自己的 WebSocket：wss://realtime-asr.public.wzhecnu.cn/ws
  -> 后端读取 VOLCENGINE_SPEECH_API_KEY / Resource ID
  -> 后端连接火山 bigmodel_async
  -> 后端封装 full client request / audio only request 二进制包
  -> 火山返回识别结果
  -> 后端统一成 transcript.partial / transcript.final
  -> 浏览器实时显示字幕

服务端环境变量形态：

ASR_PROVIDER=volcengine
VOLCENGINE_ASR_ENDPOINT=wss://openspeech.bytedance.com/api/v3/sauc/bigmodel_async
VOLCENGINE_SPEECH_API_KEY=[REDACTED]
VOLCENGINE_ASR_RESOURCE_ID=volc.seedasr.sauc.duration
VOLCENGINE_ASR_AUDIO_FORMAT=wav
VOLCENGINE_ASR_SAMPLE_RATE=16000
VOLCENGINE_ASR_CHUNK_MS=200
VOLCENGINE_ASR_ENABLE_NONSTREAM=true

统一事件建议：

{"type":"transcript.partial","provider":"volcengine","text":"我们今天讨论","seq":12,"logid":"[REDACTED]"}
{"type":"transcript.final","provider":"volcengine","text":"我们今天讨论实时语音识别。","seq":13,"definite":true}

X-Tt-Logid 可以记录，但如果日志里包含业务内容或用户音频关联 ID，生产环境也要按隐私日志处理。

实践分工：你点网页，我写代码​

你先做​

  1. 登录火山引擎：https://www.volcengine.com/
  2. 进入豆包语音 / 语音技术控制台。
  3. 确认是否能进入新版 API Key 页面：https://console.volcengine.com/speech/new/setting/apikeys?projectName=default
  4. 开通豆包流式语音识别模型 2.0 或大模型流式语音识别。
  5. 确认是否有免费额度、试用、资源包或后付费。
  6. 选择小时版 Resource ID，第一轮优先 volc.seedasr.sauc.duration。
  7. 确认监控统计页面能看到资源包 / 调用用量。
  8. 不要把真实 Key 发出来；只告诉我：
- 是否已进入语音控制台：是/否
- 是新版控制台还是旧版控制台：新版/旧版/不确定
- 已开通能力：豆包流式语音识别2.0 / 大模型流式语音识别 / 未开通
- 是否有 X-Api-Key：是/否
- Resource ID 准备用哪个：volc.seedasr.sauc.duration / 其他
- 是否购买资源包或开启后付费：资源包/后付费/未开通
- 默认并发是否够第一轮测试：是/否/不确定

我来做​

  1. 写一个最小火山 WebSocket 客户端，只读环境变量，不写死 Key。
  2. 实现火山二进制协议 header / payload size / gzip / JSON 序列化。
  3. 准备 16k/16bit/mono wav 或 pcm 测试音频。
  4. 跑 bigmodel_async，记录 X-Tt-Logid、错误码、首字延迟、final 文本。
  5. 再测 bigmodel_nostream 做准确率对照。
  6. 把火山返回结果映射成统一 partial/final 事件。
  7. 接网页实时字幕页和调用时长统计。

第一轮验收标准​

验收项通过标准
服务开通控制台显示目标能力可用
鉴权WebSocket 握手成功，不返回 Key / Resource ID / 权限错误
Resource ID账单和日志显示调用的是预期资源 ID
音频格式10–20 秒 16k 单声道音频能被识别
实时性bigmodel_async 发送期间持续返回可上屏文本
final 稳定性开启二遍识别后，final 结果能覆盖临时结果且更稳定
日志记录 X-Tt-Logid、request id、chunk ms、错误码
成本用量能在监控 / 账单里解释，未出现意外后付费长跑

常见坑​

坑 1：新版 / 旧版控制台参数混用​

新版主要看 X-Api-Key；旧版可能是 App Key / Access Key / token / cluster 等。先确认自己看到的是哪个控制台，不要把两套参数混着填。

坑 2：Resource ID 选错​

volc.bigasr.sauc.duration、volc.seedasr.sauc.duration、并发版 ID、小时版 ID代表不同服务和计费模式。第一轮如果要测豆包流式语音识别 2.0 小时版，应优先确认 volc.seedasr.sauc.duration。

坑 3：以为 WebSocket 只发 JSON​

火山文档使用二进制协议：header、payload size、payload。直接发普通 JSON 大概率不通。这个复杂度应该封装在后端 adapter。

坑 4：分包太大或太小​

官方建议 100–200ms，双向流式推荐 200ms。分包节奏会影响性能。

坑 5：一上来打开所有增强功能​

说话人、情感、性别、热词、上下文、顺滑、语种检测都可能改变返回结构。第一轮先只开 ITN、标点、必要的二遍识别。

坑 6：后付费没有成本保护​

火山文档写了欠费关停 / 回收逻辑，也有资源包监控和到期提醒。测试阶段要记录音频时长，避免长时间后台连接导致账单超预期。

后续更新计划​

这篇先作为从零教程第一版。拿到控制台状态后继续补：

  1. 控制台实际路径截图对应的步骤；
  2. 新版 X-Api-Key smoke test；
  3. bigmodel_async 最小 Python / Node WebSocket 客户端；
  4. 10–20 秒中文音频结果、X-Tt-Logid 和错误码样例；
  5. 二遍识别开启 / 关闭 A/B；
  6. 与科大讯飞 / 阿里云同音频 A/B；
  7. 最终是否把火山作为第一版主 provider 或备 provider。

参考入口​