核心用法
Zhipu ASR 是智谱AI（BigModel）推出的自动语音识别技能，专为中国用户设计，可将音频文件转录为文本。核心工作流为：上传音频 → 调用 GLM-ASR 模型 → 获取结构化 JSON 输出。
主要功能：
- 基础转录：支持 WAV、MP3 直接上传，其他格式（OGG、M4A、FLAC 等）自动经 ffmpeg 转换为 MP3
- 上下文提示：可传入前序转录文本（最多 8000 字符），提升长对话连贯性与领域术语识别准确度
- 热词增强：支持自定义词汇表（最多 100 个词），强化人名、地名、专业术语的识别率
- 批量处理：可通过 shell 循环批量处理多个文件
典型场景：
- 会议纪要与访谈转录
- 讲座/课堂内容数字化
- 医疗、法律等专业领域口述记录
显著优点
1. 中文优化：基于 GLM-ASR 模型，对中文语音识别准确率高
2. 灵活增强：上下文提示 + 热词双重机制，有效解决专业场景识别难题
3. 格式兼容强：内置 ffmpeg 转换，支持绝大多数常见音频格式
4. 响应迅速：典型转录时间 1-3 秒，接近实时处理
5. 输出结构化：标准 JSON 格式，便于后续自动化处理
潜在缺点与局限性
- 时长限制严苛：单次仅支持 30 秒音频，长内容必须切割分段
- 文件大小上限：25MB 限制，高质量长音频需预处理压缩
- 语言局限：最佳性能仅限中文，多语言混合场景效果下降
- 外部依赖：需智谱AI API 密钥，存在服务商可用性风险
- 无说话人分离：不支持 diarization，多人场景需人工标注
适合人群
- 会议记录员、访谈记者、自媒体创作者
- 医疗、法律、教育等行业需口述转文字的专业人士
- 中文内容创作者、播客运营者
- 需快速将音频资产数字化的中小企业
常规风险
- API 密钥泄露：
ZHIPU_API_KEY环境变量需妥善保管，避免硬编码提交 - 数据隐私：音频内容上传至智谱AI云端，敏感信息需评估合规性
- ffmpeg 安全风险：自动转换依赖本地 ffmpeg，需确保来源可信、版本更新
- 服务质量波动：依赖第三方 API，存在限流、延迟或服务中断可能
- 转录误差：专有名词、方言、嘈杂环境可能导致识别错误，关键场景建议人工复核