将语音音频转写为带逐词时间戳的文本，可选识别说话人切换（diarize）或生成 SRT 字幕（srt）。按音频每 5 分钟 1 点计费，不足 5 分钟按 5 分钟计算，仅成功时扣费。此接口同步执行，音频最长 30 分钟。Beta 期间每个 API Key 的并发数受限，超限请求会被拒绝，不会排队。
请求头
X-API-Keystring必填你的 VisionStory API Key（sk-vs-...），请仅保存在服务端。可在 API Key 管理 中创建或管理，需要 Pro 或更高方案。
请求体
application/json必填audioMediaRef必填媒体引用，必须且只能提供以下一种：asset_id（素材库中的素材，可跨请求复用）、url（单次使用的公开 URL）或 inline_data（单次使用的 base64 数据，不保存）。
asset_idstring | null可为空POST /api/v1/asset 返回的素材 ID，用于跨请求复用素材。
inline_dataInlineDataModel | null可为空仅供本次使用的内嵌 base64 媒体数据，不会加入素材库。图像支持 image/jpeg、image/jpg、image/png、image/webp、image/bmp、image/tiff、image/gif；音频支持 audio/wav、audio/x-wav、audio/wave、audio/mpeg、audio/mp3；视频支持 video/mp4、video/quicktime、video/mov。
datastring必填文件原始字节编码后的 base64 字符串，不包含 data: URI 前缀。
mime_typestring必填内嵌数据的 MIME 类型，网关据此区分图像、音频和视频。可接受的类型取决于具体接口，请参阅包含此对象的字段说明。数字人视频接受音频 ['audio/avi', 'audio/mpeg', 'audio/mp3', 'audio/mp4', 'audio/m4a', 'audio/wav'] 和图像 ['image/jpeg', 'image/jpg', 'image/png', 'image/webp', 'image/heic']。
urlstring | null可为空仅供本次使用的公开可访问媒体 URL，不会加入素材库。
diarizeboolean设为 true 时识别说话人切换，每个单词会携带 speaker 标签。
srtboolean设为 true 时，同时返回转写内容的 SRT 字幕。
响应
200请求成功
application/json
dataTranscribeResponse | null必填可为空当前接口的响应数据，字段定义见该接口的响应结构。仅当操作不返回数据时为 null。
cost_creditinteger本次请求扣除的点数。
duration_secnumber输入音频的时长，单位为秒。
languagestring识别出的音频语言代码，例如 en；可能为空。
srtstringSRT 字幕文本；仅在请求设置 srt: true 时返回，否则为空。
textstring必填完整的转写文本。
wordsWordDto[]逐词时间戳。
end_secnumber必填单词结束时间，单位为秒。
speakerstring | null可为空说话人标签，仅在请求启用 diarize 时返回。
start_secnumber必填单词开始时间，单位为秒。
textstring必填单词的文本内容。
messagestring便于阅读的状态消息；调用成功时为 "success"。
server_timestring · date-time必填服务端生成响应时的时间戳，使用 ISO 8601 格式（UTC）。
default错误响应。所有失败均使用统一结构：error 对象包含数字错误码 code、便于阅读的 message、可选的 details 字符串，以及提供后续处理建议的可选 hint（便于 AI Agent 使用）。
application/json
errorErrorDetail必填codeinteger必填机器可读的错误码。传输层失败时对应 HTTP 状态码（例如 401、404、422、500），其他情况可能使用业务专用错误码。
detailsstring | null可为空可选的结构化错误详情，例如 422 响应中逐字段校验错误的 JSON 字符串。无补充信息时不返回。
hintstring | null可为空供用户和 AI Agent 参考的错误处理建议，例如如何修正请求或在哪里获取 API Key。可能不返回此字段。
messagestring必填便于阅读的错误原因说明，可安全记录到日志或展示给最终用户；此返回值未本地化。