讯飞开放平台 快速入门

中文语音 AI 的”老大哥”,二十多年技术积累,中文 TTS/ASR 的”业界标准”。

这是什么?适合谁?

科大讯飞(iFlytek)是中国语音 AI 领域的”老大哥”,从 1999 年成立至今,二十多年深耕语音识别、语音合成、机器翻译、自然语言理解。它的”讯飞开放平台”(https://www.xfyun.cn)是国内最早、最大的语音 AI 开放平台,提供语音听写(ASR)、语音合成(TTS)、语音翻译、语音唤醒、声纹识别等全套能力,累计开发者超 300 万,覆盖教育、医疗、政务、金融、车载、智能家居等众多行业。

讯飞的核心优势:

• 中文 ASR 准确率业界领先:在普通话识别上,讯飞的字错误率(CER)长期保持行业最低,方言识别(粤语、四川话、上海话等)也非常强;
• 中文 TTS 音色自然:提供 60+ 精品音色(讯飞小燕、讯飞小宁、讯飞小萍、讯飞小婧等),覆盖新闻、客服、儿童、方言、有声书等场景;
• 多语种覆盖:除中文外,支持英文、日文、韩文、法文、德文、俄文等 60+ 语种;
• 行业方案完整:智慧教育、智慧医疗、智慧城市、智慧车载等行业有完整解决方案;
• 私有化部署:支持私有化部署(本地服务器),适合数据敏感行业;
• 多端 SDK:Web、iOS、Android、Linux、嵌入式、车载系统等都有 SDK。

适合谁用:第一类是国内做中文语音产品的开发者(教育、医疗、客服、车载);第二类是对中文 ASR 准确率要求极高的企业(法律、医疗、政务);第三类是需要私有化部署的政府/国企/央企;第四类是”行业大客户”,讯飞有专门的销售团队支持。不适合谁:个人小白或纯娱乐项目——讯飞是企业级 API,有认证和接入流程,门槛比消费级产品高;另外,英文音色比 ElevenLabs 略差,纯英文项目选 ElevenLabs。

价格上,讯飞语音 TTS/ASR 提供免费额度(每月几千到几万次),付费按调用量,价格在 0.5-5 元/万次之间;行业大客户可联系销售谈定制价格。

准备工作

• 一个讯飞开放平台账号(https://www.xfyun.cn/),需要实名认证(企业或个人均可)。
• 创建一个应用(控制台 → 我的应用 → 创建新应用),获取 APPID、APIKey、APISecret 三个值。
• 安装 SDK(可选):pip install websocket-client(讯飞 TTS 用 WebSocket 接口)。
• 准备文本(TTS)或音频文件(ASR),建议 16kHz/16bit 单声道 WAV。
• 准备支付方式(免费额度用完后,需要充值或购买资源包)。

3 步快速上手

第 1 步:创建应用并获取密钥

登录 https://www.xfyun.cn 控制台,点击 “我的应用” → “创建新应用”。填写应用名称(任意),勾选需要的能力(语音听写、语音合成、语音转写等)。创建后系统会生成:

• APPID(应用 ID)
• APIKey(API 密钥)
• APISecret(API 签名密钥,部分接口需要)

记下这三个值,后续调用 API 需要用。

第 2 步:获取鉴权 WebSocket URL

讯飞 TTS/ASR 多数接口用 WebSocket 协议,需要先做 HMAC 鉴权生成 URL(以 Python 为例):

import base64
import hashlib
import hmac
import json
import time
from urllib.parse import urlencode

def get_auth_url(APPID, APIKey, APISecret, host, path):
    # 生成 RFC1123 格式时间戳
    now = time.strftime("%a, %d %b %Y %H:%M:%S GMT", time.gmtime())
    # 拼接待签名字符串
    signature_origin = f"host: {host}\ndate: {now}\n{path} HTTP/1.1"
    # HMAC-SHA256 签名
    signature_sha = hmac.new(
        APISecret.encode("utf-8"),
        signature_origin.encode("utf-8"),
        hashlib.sha256
    ).digest()
    signature = base64.b64encode(signature_sha).decode("utf-8")
    # 拼接 Authorization
    authorization_origin = (
        f'api_key="{APIKey}", algorithm="hmac-sha256", '
        f'headers="host date request-line", signature="{signature}"'
    )
    authorization = base64.b64encode(authorization_origin.encode("utf-8")).decode("utf-8")
    # 生成 WebSocket URL
    v = {"authorization": authorization, "date": now, "host": host}
    return f"wss://{host}{path}?{urlencode(v)}"

第 3 步:跑第一个 TTS/ASR 任务

TTS 例子(超拟人 TTS):

import websocket

APPID = "your-appid"
APIKey = "your-api-key"
APISecret = "your-api-secret"

host = "cbm01.cn-huabei-1.xf-yun.com"
path = "/v1/private/mcd9m97e6"
url = get_auth_url(APPID, APIKey, APISecret, host, path)

def on_message(ws, message):
    data = json.loads(message)
    payload = data["payload"]
    audio = payload["audio"]["audio"]
    with open("output.mp3", "ab") as f:
        f.write(base64.b64decode(audio))

def on_open(ws):
    req = {
        "header": {"app_id": APPID, "status": 2},
        "parameter": {
            "tts": {
                "vcn": "x4_lingxiaoyue",  # 音色:凌小悦
                "speed": 50, "volume": 50, "pitch": 50,
                "audio": {"encoding": "lame", "sample_rate": 16000}
            }
        },
        "payload": {
            "text": {
                "encoding": "utf8",
                "compress": "raw",
                "text": base64.b64encode("你好,这是讯飞语音合成的测试。".encode()).decode()
            }
        }
    }
    ws.send(json.dumps(req))

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

音色编号参考:

• x4_lingxiaoyue:凌小悦(女,标准)
• x4_lingfeiyi:凌飞逸(男,标准)
• x4_xiaoyan:小燕(女,新闻)
• x4_xiaoyu:小宇(男,新闻)
• x4_xiaomei:小美(女,客服)
• x4_xiaogang:小刚(男,儿童)
• x4_yezi:叶子(女,方言)

ASR 例子(语音转写):

import websocket

# 类似 TTS,只是改 host/path/参数
# 详细参考讯飞文档:https://www.xfyun.cn/doc/asr/voicedictation/API.html

常见踩坑

1. 鉴权失败(401/403):APPID、APIKey、APISecret 必须完全匹配,签名时区用 GMT;新手容易混淆这三个值。
2. 音频格式不对:ASR 默认支持 16kHz/16bit 单声道 WAV,其他格式需要先用 FFmpeg 转:

ffmpeg -i input.mp3 -ar 16000 -ac 1 -acodec pcm_s16le output.wav

3. WebSocket 频繁断连:讯飞 TTS/ASR 长时间任务(超过 60 秒)会断连,需要分段处理。
4. 音色编号变来变去:讯飞音色库经常更新,旧音色可能下架,生产代码用 voice_id 而不是 voice 名称。
5. 免费额度用完未充值:免费额度每月清零,超出后 API 会返回错误码,需要购买资源包或开通按量付费。
6. 私有化部署价格高:私有化部署(本地服务器)价格是企业级,小公司用不起,云端 API 性价比更高。
7. 多语种音色少:讯飞多语种(英文/日文)音色比 ElevenLabs 少,纯英文项目选 ElevenLabs。

初级用法

用法 1:公众号文章配语音

写完一篇中文文章,丢进讯飞 TTS,选一个适合的音色,生成 MP3,挂到公众号做”听文章”功能,中文自然度比多数国产 TTS 高。

用法 2:会议录音转写

用手机录下会议录音,丢进讯飞 ASR 转成文字稿,中文识别准确率行业领先;支持”语音转写”长音频(1 小时以上)。

用法 3:智能客服语音

用讯飞 ASR + TTS 做电话客服的”语音菜单”和”语音识别”,给中小企业做 IVR 系统,成本极低。

高级玩法

玩法 1:超拟人 TTS

讯飞 2024 年推出”超拟人 TTS”模型,情感表达、停顿、气息都接近真人,适合做有声书、新闻播报、广告配音;免费额度也能用。

玩法 2:语音转写(长音频)

讯飞的”语音转写”接口支持长达 5 小时的音频转写,带说话人区分、敏感词过滤、章节划分;适合做会议纪要、课程录音、采访整理。

玩法 3:私有化部署

企业级用户可以购买讯飞私有化部署方案,把语音 AI 部署到本地服务器,数据不出公司,适合金融、医疗、政务等敏感行业;价格需要和销售谈。

小技巧

1. WebSocket 客户端用官方 demo:讯飞官网有完整的 Python/Java/iOS/Android demo 代码,改 APPID/APIKey 就能跑,比自己从零写省时省力。
2. 音频分片处理:长音频按 30-60 秒切片分别调用 ASR,稳定性比一次性传好得多。
3. 音色编号查文档:音色库经常更新,新项目务必查 https://www.xfyun.cn/services/online_tts 文档,别凭记忆写。
4. 使用 SSML:超拟人 TTS 支持 SSML 标签,可以控制情感、语速、音量,精细度比普通 TTS 高。
5. 配置监控告警:讯飞控制台有 API 调用监控,做商用前必须配置预算告警,避免天价账单。

参考链接

• 讯飞开放平台官网:https://www.xfyun.cn
• 讯飞控制台:https://console.xfyun.cn
• 语音合成 TTS 文档:https://www.xfyun.cn/services/online_tts
• 语音听写 ASR 文档:https://www.xfyun.cn/services/voicedictation
• 讯飞 SDK 下载:https://www.xfyun.cn/services/software

本文基于官方文档和公开资料整理，AI辅助生成，MagicNetWorld 尚未完成独立实测。如有错误或过时信息，请通过 contact@magicnetworld.com 反馈。