用 Muse Voice Transcribe API 转写一段自己的短音频

01｜这篇讲的是文件 API

Meta Model API 目前把 Muse Voice Transcribe 作为语音转文字模型提供。已有录音走 POST /v1/asr/transcribe；实时麦克风则走 WebSocket。下面只试一次文件上传，和 Mac 上按住 Fn 的日常听写分开。

Kalen Jordan 在 10 月 1 日发帖称，他觉得转写更准、更快、成本更低。这是他的个人体验，帖子没有提供可复算的样本、模型对照和计价明细。先别把这些比较当成普遍结论。我们只核对一个自己有权使用的短录音能否按官方格式返回文字。

02｜先挑一段没有隐私的练习音频

准备一段 10 到 30 秒、内容你自己录制或获准处理的声音。可以读一小段虚构句子，里面带一个普通姓名、日期、金额和产品词，便于之后逐项检查。不要拿会议录音、客户通话、家人声音、账号口令或真实个人资料做第一轮测试。

先记下原文件名、时长、语言和你实际说出的词。最好同时写一份人工听写的参考稿。这样请求完成后可以对着原音逐字回听，区分语音识别错误和自己记错。测试音频短一些，也容易控制上传大小和可能产生的费用。

03｜把音频转成接口接受的 WAV

官方文件接口接受 RIFF/WAVE 容器，内部是单声道、16 位整数 PCM，采样率为 16 kHz 或 24 kHz。MP3、M4A 或立体声 WAV 先转换，再上传。Meta 的示例用 ffmpeg 生成 24 kHz 文件，并去掉媒体元数据。示例命令如下。

ffmpeg -i input.m4a -ac 1 -ar 24000 -c:a pcm_s16le -map_metadata -1 sample.wav

转换后查看 sample.wav 的播放时长，并用播放器听开头、中间和结尾，确认声音没有被截断或变速。接口限制单段最多 10 分钟、整个请求体不超过 32 MB；第一次用短样本就能避开这两个边界。

04｜先把 API 密钥放在本地安全位置

Meta 的官方快速入门要求在 Model API dashboard 创建 API key，再通过 HTTP Authorization Bearer 头发送。如果当前账户不能创建密钥，就先停在这里，不要换用来源不明的凭据。把密钥放在本机的环境变量或密钥管理器里，别写进脚本、仓库、截图、聊天提示词或公开日志。共享电脑和 CI 任务也要使用自己的受限凭据管理方式。

请求文件会离开本机并传给 Meta 的 API。上传前确认录音确实适合交给这个服务处理，并遵守录音参与者的同意、组织规定和保存期限。不要为了图省事把整段私人会议发上去；本教程只需要一段短而无敏感信息的自有录音。

05｜先发一次最小请求

单段语音选默认的 PUSH_TO_TALK 模式即可，它把整个上传文件当成一段话。下面使用官方文档示例中的模型 ID；模型目录或你的账户若显示不同，以当前页面为准。JSON 响应会给出 transcript、audioDurationMs 和 turns，单段模式的 turns 为空。

可以用这条命令做一次请求。先把 MODEL_API_KEY 配置在本地环境里，再将文件名改为你实际转换好的 WAV。

在 Bash 或兼容 POSIX shell 的终端中，先设好本机 MODEL_API_KEY，再运行这条参考命令。Windows PowerShell 的变量和参数写法不同，不要原样粘贴。密钥只由终端变量带入，不要写进 Muse 对话或截图。

curl --fail-with-body -X POST "https://api.meta.ai/v1/asr/transcribe" -H "Authorization: Bearer $MODEL_API_KEY" -H "Accept: application/json" -F 'request={"model":"muse-voice-transcribe-1.0","audioEncoding":"WAV","mode":"PUSH_TO_TALK"};type=application/json' -F "[email protected];type=audio/wav"

这是一条参考请求，不是本站执行结果。拿到响应后保存 HTTP 状态码、返回的 sessionId、时长和错误信息，密钥不要和这些调试记录放在一起。

06｜中英混说和专有词要单独抽查

官方说明列出 25 种可用语言并支持代码切换。languageBias 可以填写预期语言名称，例如 Mandarin Chinese 和 English；它只是提示，不会强制输出某种语言。keywords 可放少量产品名、地点或缩写，帮助模型留意这些词，但官方也明确说它不能保证拼写一定准确。

要测这两项，可以保持音频不变，再各发一遍请求，只增加 languageBias 或 keywords 中的一项。每次都记录改了什么，别同时改音频、模式和提示词。回听人名、金额、日期、英文缩写及否定词；把遗漏、替换和标点错误记下来，不用一个“看起来顺”的句子代替原声。

07｜多人片段看分段，不把标签当身份

需要区分说话轮次时，可尝试 ENDPOINTING；需要模型附带 A、B 一类说话者标签时才看 DIARIZATION。响应里的 startMs 和 endMs 记录模型检测到语音起止时处理到的音频位置，适合回听定位，不是精确声学边界，也不是逐字时间戳。A、B 只是这份转写里的标签，不能验证真实身份。

先挑一段你获准处理、说话轮次清楚的音频，再核对每个片段的起止位置和对应原声。多人重叠、很短的插话或环境噪声容易让边界和标签不稳定。若你的工作只需要全文文字，就先用单段模式，避免引入暂时用不到的分段字段。

08｜把文字、时间和说话标签分开核对

完整文字在 transcript 字段。选择 ENDPOINTING 或 DIARIZATION 后，响应还会带 turns。每个片段有转写、起止毫秒值和轮次编号；只有 DIARIZATION 才会附带 A、B 这样的 speaker 标签。

这些毫秒值反映模型检测到起止时已经处理到的音频位置，Meta 的 schema 明确说明它们不是精确声学边界。把它们当作回听原声附近的参考点。如果下游需要逐字字幕或法律记录，就不能把轮次时间戳当成逐词对应结果。

09｜检查失败和真实用量后再扩大

HTTP 400 常见于音频不是要求的 WAV、格式参数错误或超过 10 分钟；413 表示请求超过 32 MB；406 是 Accept 格式不受支持；429 表示达到并发或小时会话限制，官方建议退避后重试；500 表示处理失败或超出服务预算。一次改一个问题，保留 sessionId；不要对同一错误快速循环重试。

完成后对照人工参考稿核对词、数字和时长，再查看 Model API dashboard 的 usage 与当前 pricing 页面。Meta 公开文档当前列有按处理音频时长计费和免费额度说明，具体价格、配额和账单以请求当天你的账户页面为准。单个短样本只能确认请求路径和返回结构，不能证明速度、准确度或成本优于其他服务。

需要普通桌面输入时，可继续看 Muse Mac 听写教程。这篇 API 示例适合开发者在自己的程序里核对文件转写。