asr · 2026-10-09

语音识别

引擎是 SenseVoice-Small（int8）。中文、英文、日文、韩文、粤语自动判断。跑在 ai-003 的 CPU 上，不占 GPU。上下游总表见 gateway-upstream-2026-10-06.html。

以前的 FunASR 名字、以前的 Whisper 名字、新名字，以及旧的 WebSocket，现在都进这一个引擎。Whisper Deployment 保持 0 副本。

网关请求（现在用这个）

项值
内网POST http://192.168.2.100:11401/v1/audio/transcriptions
鉴权内网 11401 不需要 Bearer
模型名funasr、faster-whisper-medium、sensevoice。三个结果相同。不写时按 funasr
正文multipart/form-data，字段 file 是音频
返回{"text":"..."}
超时短句几秒。长音频客户端给到 300 秒。当前是 1 个 CPU 副本，请求串行
curl -sS http://192.168.2.100:11401/v1/audio/transcriptions \
  -F model=funasr \
  -F file=@audio.wav

model 换成 faster-whisper-medium 或 sensevoice 即可，文本一样。16 kHz 单声道 WAV 直接识别；其它常见音频由引擎里的 ffmpeg 转成 16 kHz 单声道。

公网

三个地址的正文和模型名与内网相同，只是要带各自的令牌。公网没有另一套模型名。

入口地址鉴权
ttkkPOST https://ttkk.inping.com/v1/audio/transcriptionsAuthorization: Bearer sk-…（ttkk 控制台令牌）
ttqqPOST https://ttqq.inping.com/v1/audio/transcriptionsAuthorization: Bearer sk-…（ttqq 控制台令牌，转发到 ttkk）
api.clavue.comPOST https://api.clavue.com/v1/audio/transcriptions会员会话，或 Bearer cv_live_…
curl -sS https://ttkk.inping.com/v1/audio/transcriptions \
  -H "Authorization: Bearer $CLAVUE_KEY" \
  -F model=funasr \
  -F file=@audio.wav

ttqq 把主机名换成 https://ttqq.inping.com，body 不变。api.clavue.com 同样。令牌若设了模型白名单，要把 funasr、faster-whisper-medium、sensevoice 放进白名单。客户端超时给到 300 秒。

名字对照

model现在是什么
funasr旧 FunASR 产品名。请求已转到 SenseVoice
faster-whisper-medium旧 Whisper 名。名字保留，不再启动 whisper 副本
sensevoice新名字，同一个引擎

数字会做逆文本归一化。口语「今天下午三点在会议室开会」返回 今天下午3点在会议室开会。

以前的请求方法

这些地址不用改客户端，流量已经切到 SenseVoice。

集群内 OpenAI 接口

POST http://funasr-gateway.default.svc:8899/v1/audio/transcriptions。字段与 11401 相同，三个模型名都认。

curl -sS http://funasr-gateway.default.svc:8899/v1/audio/transcriptions \
  -F model=faster-whisper-medium \
  -F file=@audio.wav

旧 WebSocket

地址说明
ws://funasr.default.svc:10095原来的 2pass 端口。协议不变
ws://funasr.default.svc:10096同样是识别。以前这个端口是演示网页，识别会失败；现在和 10095 一样

两种发送顺序都可以：

成功时回一条：{"mode":"offline","text":"...","wav_name":"audio.wav","is_final":true}。

集群内也可以直接 POST http://funasr.default.svc:10095/v1/audio/transcriptions（10096 同样）。这条只认音频文件，不看 model。

字段

字段作用
file必填
model上面三个名字之一
response_format默认 json。传 text 时，响应体是带引号的 JSON 字符串，不是纯文本
language会收下，不参与分流。引擎自己判断语言
hotwords会收下并转发。SenseVoice 不使用 FunASR 热词，识别结果不会因热词改变

不要这样用