上周有个做在线教育的朋友深夜发微信问我：想在产品里加一个"边说边出字幕"的功能，搜了半天"讯飞星火官网入口语音识别入口"，点进去不是让做企业认证，就是跳进一堆看不懂的 API 文档，到底哪扇才是正门？

这个问题我太熟了。过去两年我把讯飞星火的几个入口来回摸了好几遍，也踩过把"语音听写"和"实时语音转写"搞混、白白多花一周联调的坑。这篇就把入口、原理、能跑的代码和避坑点一次说清楚。

核心结论：讯飞星火官网入口语音识别入口其实是两条线——大模型对话体验在星火官网/App（xinghuo.xfyun.cn），语音识别能力接入在讯飞开放平台（www.xfyun.cn）。做产品接入你注册的是后者，只想试试语音聊天，前者就够了。

入口在哪：星火官网和讯飞开放平台，不是同一扇门

先给结论：普通用户和开发者找的其实是两个不同的站点，很多人绕远路就是因为在星火官网里找 API Key，翻到怀疑人生也找不到。

讯飞星火官网（xinghuo.xfyun.cn）是科大讯飞面向个人用户的对话产品，网页版和 App 都能用，App 里长按就能说话、语音对话，这是"体验入口"。而开发者真正要用的密钥、用量、模型版本，全部在讯飞开放平台（www.xfyun.cn）和它的控制台里。我见过太多团队在星火官网注册完账号，发现根本看不到 APIKey，然后又重新注册一遍开放平台。

| 入口 | 形态 | 主要用途 | 适合谁 | |---|---|---|---| | 讯飞星火官网 | 网页端对话产品 | 体验大模型能力、文档问答、智能体 | 个人用户、产品经理 | | 讯飞星火 App | iOS / Android | 语音对话、语音输入、随手记 | 移动端用户 | | 讯飞开放平台 | 能力开放站点 | 语音听写、语音转写、星火 API | 开发者、企业 | | 开放平台控制台 | 后台管理页 | 创建应用、拿 APPID/APIKey、看用量 | 开发者 |

如果你只是想横向对比一下各家国产大模型的对话能力，可以先看 VergeX 的大模型工具导航，上面按场景做了分类，比一个个官网去试要快。

语音识别的链路：大模型在里面到底干了什么

简单说，语音识别（Automatic Speech Recognition，ASR）是指把音频波形转成文字的过程，它是一个"声学模型 + 语言模型 + 后处理"的组合，而不是单点技术。

把一条语音从麦克风送到屏幕上，大概要过这几道关：

1. **前端处理**：降噪、回声消除、VAD（静音检测）。这一步质量差，后面再怎么调模型都白搭。
2. **声学编码**：把 16kHz 的 PCM 采样切成帧，送入编码器提取声学特征。
3. **解码与对齐**：把声学特征映射成音素/字，再结合语言模型挑出最可能的句子。
4. **顺滑与标点**：加标点、去口癖、数字规整（"二零二五" → "2025"）。
5. **大模型后处理**：这两年新加的一环，用大模型做语义纠错和格式化。

有意思的是，第五步正在变成分水岭。传统 ASR 只关心"听对字"，而接了大模型之后，它能根据上下文把"召回率"这种专业词、把中英夹杂的口语串成一句人话。这也是为什么讯飞一直在推多模态大模型——语音、文本、图像共用一套语义空间，识别完还能直接理解。

这里不得不提两个时间点：科大讯飞在 2024 年 6 月 27 日的发布会上推出讯飞星火 V4.0，官方称全面对标 GPT-4 Turbo；2025 年 1 月 15 日发布的星火 X1 深度推理模型，官方强调是"完全基于国产算力平台完成训练和推理"。大模型训练深度绑定国产算力，这件事对国内做合规产品的团队来说，价值不比几个点的准确率低。

不过话说回来，推理成本和延迟仍然是绕不过去的坎。我自己的经验是：纯云端 ASR 首字延迟通常能压到几百毫秒，但如果你要的是"说完一整段、带标点和说话人分离"，实时性和成本就得做取舍。

实战：半小时跑通语音听写 Demo

讯飞开放平台在 2025 年仍在维护的语音听写（流式版）WebAPI，端点是 `wss://ws-api.xfyun.cn/v2/iat`，走 WebSocket 长连接，边发边收，这是做实时字幕最常用的一条接口。

流程就四步：注册开放平台 → 创建应用 → 拿 APPID / APIKey / APISecret → 拼接鉴权 URL 发起连接。

下面这段代码是我从官方 Python Demo 精简出来的，可以直接跑（需要 16kHz/16bit/单声道的 PCM 文件）：

-*- coding: utf-8 -*-

讯飞语音听写（流式版）最小可运行示例

依赖：pip install websocket-client

import hashlib, hmac, base64, json from datetime import datetime from urllib.parse import urlencode from wsgiref.handlers import format_date_time from time import mktime import websocket

APPID = "你的APPID" API_KEY = "你的APIKey" API_SECRET = "你的APISecret" AUDIO_PATH = "test.pcm" # 16kHz / 16bit / 单声道 FRAME_SIZE = 1280 # 40ms 音频 = 1280 字节

def create_url(): """讯飞经典三段式鉴权：host + date + request-line 拼成待签名串""" host = "ws-api.xfyun.cn" date = format_date_time(mktime(datetime.now().timetuple())) # 必须是 GMT 格式 origin = f"host: {host}\ndate: {date}\nGET /v2/iat HTTP/1.1" sign = hmac.new(API_SECRET.encode(), origin.encode(), hashlib.sha256).digest() sign = base64.b64encode(sign).decode() auth_origin = (f'api_key="{API_KEY}", algorithm="hmac-sha256", ' f'headers="host date request-line", signature="{sign}"') auth = base64.b64encode(auth_origin.encode()).decode() return "wss://" + host + "/v2/iat?" + urlencode( {"authorization": auth, "date": date, "host": host})

def build_frame(status, chunk): """status: 0=首帧 1=中间帧 2=末帧""" data = {"status": status, "format": "audio/L16;rate=16000", "encoding": "raw", "audio": base64.b64encode(chunk).decode()} if status == 0: # 只有首帧带 common 和 business return json.dumps({ "common": {"app_id": APPID}, "business": {"language": "zh_cn", "domain": "iat", "accent": "mandarin", "dwa": "wpgs"}, # 开启动态修正 "data": data}) return json.dumps({"data": data})

def on_message(ws, message): res = json.loads(message) if res["code"] != 0: print("错误：", res["code"], res["message"]); return payload = res["data"]["result"] text = "".join(w["cw"][0]["w"] for w in payload["ws"])

pgs=rpl 表示动态修正，需要覆盖上一段结果，否则字幕会重复

print(("[修正]" if payload.get("pgs") == "rpl" else "[新增]") + text)

def on_open(ws): with open(AUDIO_PATH, "rb") as f: ws.send(build_frame(0, f.read(FRAME_SIZE))) while True: chunk = f.read(FRAME_SIZE) if not chunk: ws.send(build_frame(2, b"")) # 末帧用空音频收尾 break ws.send(build_frame(1, chunk))

ws = websocket.WebSocketApp(create_url(), on_message=on_message, on_open=on_open) ws.run_forever()

几个我当时卡过的坑，直接列出来省你时间：

• **音频格式必须严格对齐**：`format` 写 `audio/L16;rate=16000`，`encoding` 用 `raw`，采样率不是 16k 就要先重采样，否则识别出来是一堆乱码。
• **`dwa=wpgs` 开了之后一定要处理 `pgs`**：返回里出现 `"pgs": "rpl"` 表示要替换指定区间，忽略它字幕就会前后重复，这个坑我在项目里排查了整整一个下午。
• **鉴权那串签名别手写**：`date` 必须是 GMT 格式，签名原文的三行顺序、换行都不能错，错一个字符就是 401。
• **免费额度有限**：新注册账号会有试用额度，跑完记得去控制台用量页看一眼，别等上线前一天才发现超额。

实际项目里我的两个判断

坦白讲，接到"要不要全上云端 ASR"这种讨论时，我的立场一直很明确：先别急着堆能力，先算延迟和钱的账。

去年我参与过一个会议记录类工具，最初方案是全程走云端实时转写，跑通之后发现问题不在准确率——准确率确实能到让人惊喜的水平，中文标点和专业术语表现明显比同期的开源方案稳——问题在成本和弱网体验。用户在电梯里、地铁上说话，音频还没传完就断了，体验直接崩。后来我们把链路改成"端侧 VAD + 端侧短语音兜底 + 云端长音频转写"，成本降了大概一半，弱网下的可用性反而上来了。

第二点是别把 ASR 当终点。真正让用户觉得"这个功能聪明"的，是识别之后的语义处理：自动分段、摘要、抽取待办。而这一步恰好是大模型推理的强项。讯飞自己也一直在讲"云边端协同"，我理解它的意思就是这个：识别在端侧做轻量兜底，理解放到云端大模型做，两者用一套语义空间对齐。

选接口其实就一张表的事：

| 你的场景 | 推荐接口 | 核心理由 | |---|---|---| | 直播/会议实时字幕 | 语音听写（流式版） | 边说边出字，延迟低，支持动态修正 | | 录音文件批量转写 | 语音转写（LFASR） | 支持长音频、说话人分离、结果可轮询 | | 会议实时记录 | 实时语音转写（RTASR） | 长连接、分角色返回 | | 只是自己试玩 | 星火 App 语音对话 | 零代码，体验大模型多模态能力 |

想一次性看齐这些语音和音频工具，可以翻翻 VergeX 的语音与音频工具专栏，我把它当成选型时的第一站。

学习路径和一点建议

如果你是从这篇开始接触语音识别，我建议按这个顺序走，别跳步：

1. **先体验再开发**：装个星火 App 聊两句，建立对"模型能干什么"的直觉，再去看文档。
2. **跑通官方 Demo**：不要自己造轮子，先把上面的代码跑出第一条转写结果。
3. **搞懂流式 vs 非流式**：这是最容易混淆、也最影响架构的一个选择。
4. **加上大模型后处理**：识别结果丢给星火做大模型推理，做纠错、分段和摘要。
5. **做成本与延迟压测**：上线前用真实音频压一遍，尤其是弱网和多人抢话场景。

关键要点速览

• 讯飞星火官网入口语音识别入口分两条线：体验走 xinghuo.xfyun.cn，接入走 www.xfyun.cn。
• 语音听写（流式版）端点为 `wss://ws-api.xfyun.cn/v2/iat`，鉴权是 host + date + request-line 三段签名。
• 开启 `dwa=wpgs` 后必须处理 `pgs: rpl` 的修正帧，否则字幕重复。
• 讯飞星火 V4.0（2024-06-27）官方称对标 GPT-4 Turbo，X1（2025-01-15）官方称完全基于国产算力训练。
• 真实项目里，端侧兜底 + 云端大模型后处理的混合架构，通常比纯云端方案更省钱也更稳。

相关推荐

• **阅读相关专题**：想继续深入大模型能力的横向对比，可以看站内的「国产大模型能力图谱」专题，重点拆了星火、通义、文心在语音与