BeefAPI语音识别
上传音频或视频转写为文本，并选择 json、text、verbose_json、srt 或 vtt。
POST /v1/audio/transcriptions 接收一个音视频文件，同步返回识别文本。当前型号 hy-asr-3.0-preview 覆盖中文普通话、英语及多种方言。
请求
curl --fail-with-body https://enterprise.beefapi.com/v1/audio/transcriptions \
-H "Authorization: Bearer $BEEFAPI_KEY" \
-F model=hy-asr-3.0-preview \
-F response_format=json \
-F file=@meeting.mp3| 字段 | 说明 |
|---|---|
model | hy-asr-3.0-preview |
file | 待识别音视频文件，multipart 上传，单个不超过 25 MB |
response_format | json（默认）、text、verbose_json、srt、vtt |
文件名后缀需是服务能读取时长的格式：.mp3、.wav、.flac、.m4a、.mp4、.ogg、.opus、.webm、.aac 等。后缀不被支持时请求会在计费前直接失败，此时换一种容器格式重新上传即可。
返回形式
response_format | 返回内容 |
|---|---|
json | {"text":"..."} |
text | 纯文本 |
verbose_json | task、language、duration、text 和 segments[]，每个分段含 start、end |
srt / vtt | 带时间轴的字幕文本 |
verbose_json 的分段时间来自识别引擎，可直接用于字幕对齐；不要用整段时长反推分段。
计费
按音频时长计费，单价为每秒，见 模型与价格。时长由服务端读取文件得出，与文件体积无关；截断或静音片段依然计入时长。识别结果为空（例如整段静音）不代表没有产生时长费用，对账请以 请求记录 为准。