AssemblyAI 使用教程：语音转文字 API 集成指南

AssemblyAI 是什么

AssemblyAI 是面向开发者的语音 AI 基础设施平台，把语音转文字、语音理解和语音代理所需的模型、API 与基础设施放在同一个平台。核心模型 Universal-3.5 Pro 支持 18 种语言，Universal-2 支持 99 种语言，训练数据超过 1250 万小时音频，平台每天处理 200 万小时音频，宣称无并发限制、无节流。

对开发者来说，它是"开箱即用的语音识别服务"：上传音频或建立实时连接即可拿到干净的转写文本，附带说话人分离、关键词提示、PII 编辑等能力。

怎么用 AssemblyAI

第一步：注册获取 API Key
访问 assemblyai.com 注册，获取 API Key，免费开始使用。

第二步：预录制转写
上传音频文件（或提供音频 URL），异步处理返回带时间戳、置信度与说话人标签的转写文本：
（Python 示例）
import assemblyai as aai
aai.settings.api_key = "YOUR_KEY"
config = aai.TranscriptionConfig(speaker_labels=True)
transcript = aai.Transcriber().transcribe("audio.mp3", config)
print(transcript.text)

第三步：实时转写
通过 WebSocket 流式传输音频，实时返回转写结果，自动处理断句、大小写与转向检测——适合直播字幕、会议实时记录。

第四步：使用高级功能
一次 API 调用提取：说话人 ID、情感分析、章节与摘要；开启 PII 文本编辑保护敏感信息；医学模式优化医学术语识别；最多 1000 个自定义关键词提升特定场景准确率。

第五步：构建语音代理
使用语音代理 API 承载客服机器人会话：内置语音识别、LLM 响应生成、语音合成与转向检测/打断处理，适合生产级语音应用。

主要功能

• 预录制转写：99 种语言，带时间戳/置信度/说话人标签
• 实时转写：WebSocket 流式，自动断句与大小写
• 同步 API：2 分钟内短音频单响应出结果
• 语音代理 API：托管式编排与会话管理
• 语音理解后处理：说话人/情感/章节/摘要 + PII 编辑
• 医学模式与关键词提示：专业术语优化、自定义词提升

适用场景

• 会议纪要工具：多人录音自动分说话人、生成摘要
• 客服语音代理：托管会话流程，自动判断打断与插话
• 听写应用：去除填充词，人名专有名词正确拼写
• 医疗记录系统：医学模式 + PII 编辑保护隐私
• 实时字幕/直播翻译：低延迟流式转写

收费方式

按量付费、免费开始：预录制与实时转写按音频时长计费，语音代理 API $4.50/小时（$0.075/分钟），同步 API 每次最多 2 分钟音频。具体价格以官网公示为准。

常见问题

Q：支持中文吗？
A：预录制 Universal-2 支持 99 种语言含中文；实时流式模型语言覆盖较小（部分版本以英语为主），中文实时场景需确认具体模型支持。

Q：数据安全吗？
A：支持 PII 编辑与数据合规选项；敏感场景可评估其安全条款或私有化方案。

**Q：和自己训练模型比？
A：核心判断：语音是否是你的核心壁垒。想快速上线、需要多语言与说话人分离等成熟能力，用 API 效率最高；调用量极大或需完全本地化，再考虑自建。

总结

AssemblyAI 是"语音能力当服务用"的典型代表：转写、理解、语音代理一套 API 全搞定，按量付费无长期承诺。做会议纪要、语音客服、字幕工具的开发者，能快速把成熟语音能力集成进产品。