腾讯云国际版语音识别 ASR 实战：实时转写与录音文件识别全流程 + 价格测算（2026）

Meta Description: 腾讯云国际版语音识别 ASR 实战教程：详解实时语音识别（WebSocket）与录音文件识别两条路线、普通版与大模型版引擎选型、官方按量单价全表与四套成本测算、七步接入流程、热词/VAD/说话人分离优化，附 8 条省钱避坑与 6 条 FAQ。

关键词：腾讯云国际版、语音识别 ASR、实时语音识别、录音文件识别、大模型版、热词、按量计费、价格测算

先给结论：腾讯云国际版语音识别（Automatic Speech Recognition，简称 ASR）目前只有按量计费一种模式，按识别时长（小时）计费——实时语音识别从 1.4 USD/小时 起，录音文件识别从 1 USD/小时 起，用量越大阶梯单价越低，最高档可降到 0.7 / 0.6 USD/小时；账单按日结算、次日出账。它不按调用次数收费、也不按字符数收费，所以你估算成本时只需要算清楚一件事：一个月总共要转写多少小时的音频。

声明：本文价格与配置数据采集于 2026 年 10 月，来源于腾讯云国际版官方计费文档与 API 文档；价格可能变动，请以腾讯云官网控制台实时报价为准。

一、腾讯云国际版 ASR 是什么？两条能力路线先分清

腾讯云语音识别（ASR）是腾讯云国际版 AI 家族里的"听觉"能力——把语音转成文字。它和我们此前写过的几个 AI/媒体产品是并列关系而非替代关系，先把边界划清楚，后面的选型才不会选错：

一句话记忆：ASR 负责"语音转文字"，TMT 负责"文字换语言"，CI/VOD 负责"媒体本身的加工与分发"。 很多出海业务会把它们串起来用——例如先用 ASR 把客服录音转写成中文，再用 TMT 翻译成英文给海外团队看，最后把结果存进对象存储 COS。

ASR 内部又分两条完全不同的技术路线，这是全文最关键的一次分叉：

• 实时语音识别（Real-Time Speech Recognition）：客户端通过 WebSocket 把音频流"边录边发"，服务端同步返回识别文字，适合语音输入法、语音机器人（IVR）、会议实时字幕等对时延敏感的场景。
• 录音文件识别（Recording File Recognition）：把一整段已录好的音频（URL 或上传）提交成一个异步任务，服务端后台识别，结果通过回调或轮询取回，适合客服通话质检、会议纪要、播客/短视频字幕等"先录后转"的场景。

二、选型核心：实时 vs 录音文件、普通版 vs 大模型版

两个维度交叉，腾讯云国际版 ASR 实际提供四种计费档位：实时普通版、实时大模型版、录音普通版、录音大模型版。先把四条路线的差异摆出来：

再看引擎模型怎么挑（engine_model_type，实时识别用）：

录音文件识别的引擎则以 EngineModelType 传入，普通场景用 16k_zh、16k_zh_large（大模型）、16k_multi_lang（多语种大模型，覆盖英/日/韩/阿/法/印地/印尼/马来/葡/西/泰/土/越/德等），电话场景用 8k_zh。

一句话选型口诀：要"边说边出字"选实时，要"先录后转"选录音；音频质量差（噪声大、回声重、声音小、远场）才上大模型版，正常清晰录音用普通版即可——大模型版贵 30%~80%，不是越贵越好。

三、官方价格全表与计费口径（全文最值钱的一节）

腾讯云国际版 ASR 的定价页 /pricing/asr 是一个 404 空壳页，真正的价目表藏在计费文档《Billing Overview》（document/product/1118/43352）里。这一点很重要：如果你按常规去"定价页找价格"，会得出"ASR 没有公开单价"的错误结论。官方口径是按量计费、后付费、按日结算，单价如下。

实时语音识别（普通版）——按识别时长，USD/小时：

实时语音识别（大模型版）——USD/小时：

录音文件识别（普通版）——USD/小时：

录音文件识别（大模型版）——USD/小时：

计费模式汇总：

官方算例（可直接引用）：假设某业务一天使用了实时语音识别 315 小时，当日费用为 315 × 1.2 = 378 USD。注意这里 315 小时落在 300~999 档，单价取 1.2。

🔴 口径提示（如实标注，避免估值偏差）：官方计费说明的正文写的是"当月总调用量达到某档后，全部调用按该档单价计费"，但价目表表头写的是"Hours/Day（小时/天）"，且官方算例也是按"一天 315 小时"演示。两处口径不一致：一个说按月累计、一个说按天。保守起见请按"按天分档"理解（与官方算例一致），并在正式采购前用控制台账单或工单向商务确认你的实际结算口径——因为这直接决定你落在哪一档、单价差多少。

另外两条必须知道的账务规则：

1. 100% 冻结机制：当月账单会在次月 1~3 日生成；账单结算后，系统会按"当月调用量 × 刊例价 × 100%"在你的账户里冻结一笔款项，作为下个月的预估费用，并在下个账期结算时解冻。也就是说你的账户可用余额要能覆盖这笔冻结额，否则会影响其它资源的购买。
2. 欠费处置：账户余额变成负数后，ASR 服务会在 24 小时后停服；数据保留 7 天，7 天内未充值到正余额，数据将被终止且不可恢复。

四、四套真实场景成本测算

只看单价不够直观，下面用四类典型业务实算一遍月成本。所有测算都遵循同一公式：命中档位的单价 × 当月总识别小时数。

逐条解读与省钱提示：

• 场景 A：每天 8 小时录音、按 30 天算 240 小时，全程落在最低档 1.0 USD/小时，月成本 240 USD。中小团队完全可控——这就是 ASR 按量计费的好处：没有起步费、没有包年包月门槛，用多少算多少。
• 场景 B：会议实时转写按"路 × 时长"折算，5 路并发每天 4 小时即 20 小时/天，落在 0~299 档，1.4 USD/小时。想省钱的关键动作是开启 VAD 只对"有人说话的片段"计费，以及避免长时间空跑的连接。
• 场景 C：同样 200 小时，大模型版 1.8 USD/小时是普通版 1.0 USD/小时的 1.8 倍。如果素材是清晰人声（主播口播、录制环境安静），完全没必要上大模型版，改用普通版直接省 44%；只有当音频噪声大、多人抢话、远场拾音时才值得上大模型。
• 场景 D：每天 400 小时跨过了 300 档，单价降到 0.95 USD/小时，月成本 = 400 × 30 × 0.95 = 11,400 USD。

🔴 最易算错的一点：四条产品线是四张独立价表，档位边界相同但单价各异。 同样是 300~999 档，实时普通版是 1.2、实时大模型版是 1.7、录音普通版是 0.95、录音大模型版是 1.6。测算时务必先确认自己的业务落在哪条产品线上，再取对应价表的对应档位单价，切勿把实时版的价格套到录音版上。 这也是很多选型报价出偏差的根源。

五、七步实操：从开通到拿到第一段文字

下面按"录音文件识别"和"实时语音识别"两条线，把从零接入的完整步骤走一遍。SDK 与 API 3.0 是官方推荐方式，全程约半小时可跑通。

第 1 步：注册国际站账号并完成认证

在腾讯云国际站注册账号并完成实名认证。官方《Quick Server API Connection》明确：调用 ASR API 前需要先在语音识别控制台完成认证，未认证无法激活服务。若涉及跨境数据合规（录音属于个人敏感信息），建议先评估数据出境路径，可参考站内 国际版备案/合规 FAQ 专题。

第 2 步：开通 ASR 服务

登录语音识别控制台（console.intl.cloud.tencent.com/asr），阅读并勾选《用户协议》，点击 Activate Now 一键开通实时语音识别。开通后即为按量计费，API 调用按日结算。注意：ASR 没有需要手动购买的套餐，开通即用、用多少算多少。

第 3 步：创建 API 密钥

进入"访问管理 CAM → API 密钥管理"，点击"新建密钥"，得到 AppID、SecretId、SecretKey。这三者是后续签名与 SDK 调用的凭据，务必妥善保管并定期轮换（参考站内 账号安全与 MFA 实战）。

第 4 步：用 Python SDK 跑通录音文件识别

录音文件识别是异步任务：先调 CreateRecTask 提交任务拿到 TaskId，再调 DescribeTaskStatus 轮询结果（或用 CallbackUrl 回调）。端点域名是 asr.intl.tencentcloudapi.com，Version 为 2019-06-14。先安装 SDK：

pip install tencentcloud-sdk-python

下面这段代码提交一个录音文件（URL 方式）并轮询直到拿到结果。关键点：EngineModelType 选引擎、ChannelNum 为 1 表示单声道、ResTextFormat=2 表示带词级时间戳与标点、SourceType=0 表示音频来源是 URL。

import json
import time
from tencentcloud.common import credential
from tencentcloud.common.profile.client_profile import ClientProfile
from tencentcloud.common.profile.http_profile import HttpProfile
from tencentcloud.asr.v20190614 import asr_client, models

cred = credential.Credential("你的SecretId", "你的SecretKey")

http_profile = HttpProfile()
http_profile.endpoint = "asr.intl.tencentcloudapi.com"

client_profile = ClientProfile()
client_profile.httpProfile = http_profile

client = asr_client.AsrClient(cred, "", client_profile)

req = models.CreateRecTaskRequest()
req.EngineModelType = "16k_zh"
req.ChannelNum = 1
req.ResTextFormat = 2
req.SourceType = 0
req.Url = "https://example.com/meeting.wav"

resp = json.loads(client.CreateRecTask(req).to_json_string())
task_id = resp["Data"]["TaskId"]
print("TaskId =", task_id)

for i in range(60):
    time.sleep(5)
    q = models.DescribeTaskStatusRequest()
    q.TaskId = task_id
    r = json.loads(client.DescribeTaskStatus(q).to_json_string())
    status = r["Data"]["Status"]
    print("Status =", status, r["Data"]["StatusStr"])
    if status == 2:
        print(r["Data"]["Result"])
        break
    if status == 3:
        print("FAILED:", r["Data"]["ErrorMsg"])
        break

Status 的取值含义：0 = waiting（排队中）、1 = doing（识别中）、2 = success（成功）、3 = failed（失败）。Result 字段里带时间戳的文字形如 [0:0.020,0:2.380] Welcome to Tencent Cloud ASR，ResultDetail 里则有逐句、逐词的详细结果（含 SpeakerId 说话人、SpeechSpeed 语速、StartMs/EndMs 时间戳）。

第 5 步：跑通实时语音识别（WebSocket）

实时识别走的是 WebSocket 协议（API 2.0 版本），请求地址格式为 wss://asr.cloud.tencent.com/asr/v2/<appid>?{参数}。整个过程分握手阶段和识别阶段：握手成功服务端返回 {"code":0,"message":"success"}，随后客户端持续上传二进制音频帧、接收同步识别结果，最后发送文本消息 {"type": "end"} 通知结束，服务端返回 final:1 后断开。

签名生成是这一步的关键：把除 signature 外的所有参数按字母序排序拼接成明文，用 HmacSha1 加密后 Base64 编码，再做 URL 编码拼到 URL 上。下面这段代码生成可用的连接 URL：

import base64
import hashlib
import hmac
import random
import time
from urllib.parse import quote

appid = "125922xxxx"
secret_id = "你的SecretId"
secret_key = "你的SecretKey"
engine = "16k_zh"
voice_id = "RnKu9FODFHK5FPpsrN"

now = int(time.time())
params = {
    "engine_model_type": engine,
    "expired": str(now + 86400),
    "nonce": str(random.randint(1000000000, 9999999999)),
    "secretid": secret_id,
    "timestamp": str(now),
    "voice_id": voice_id,
}

query = "&".join(k + "=" + params[k] for k in sorted(params))
sign_src = "asr.cloud.tencent.com/asr/v2/" + appid + "?" + query
signature = base64.b64encode(
    hmac.new(secret_key.encode(), sign_src.encode(), hashlib.sha1).digest()
).decode()
url = "wss://asr.cloud.tencent.com/asr/v2/" + appid + "?" + query + "&signature=" + quote(signature)
print(url)

连接建立后，每 40 毫秒发送一包 40 毫秒时长的音频（即 1:1 实时速率）：8k 采样对应每包 640 字节、16k 采样对应每包 1280 字节。发送速率超过 1:1、或两包之间间隔超过 6 秒，都会触发引擎报错并主动断开。engine_model_type 常见取值见第二节引擎表；needvad=1 开启语音活动检测，音频单段超过 60 秒时建议开启 VAD，否则长句识别精度会下降。

第 6 步：三招提升识别准确率（热词 / VAD / 说话人分离）

• 热词（Hotwords）：把行业专有名词通过 hotword_list（临时热词，每次请求直传，最多 128 个，格式 词|权重，权重 1~11）或 hotword_id（先建持久热词表）传进去。若同时提供两者，hotword_list 优先。权重设为 11 时该词升级为"超热词"，建议只给必须命中的少量词设 11，设太多反而拉低整体准确率；开启 reinforce_hotword=1 还能对同音词强制替换（如把"秘制/蜜汁"统一替换为"蜜制"）。
• VAD（语音活动检测）：多句音频开启 needvad=1，让引擎自动按停顿切句，显著提升准确率。客服场景可配 vad_silence_time（240~2000ms）控制切句灵敏度。
• 说话人分离（Speaker Diarization）：录音识别里 SpeakerDiarization=1 可区分不同说话人，支持 8k_zh / 16k_zh / 16k_ms / 16k_en / 16k_id / 16k_zh_large / 16k_zh_dialect 引擎，SpeakerNumber 设 0 表示自动分离（最多 20 人）。如果 8k 引擎用立体声（ChannelNum=2）且左右声道分别对应通话双方，则无需再开说话人分离——引擎会自动按声道区分说话人（0 = 左声道，1 = 右声道）。

第 7 步：查看用量与对账

登录语音识别控制台即可查看各服务的调用量。由于 ASR 按日结算，建议每日核对用量波动，为下个月的 100% 冻结额做准备；若发现用量异常（例如某天突然翻倍），优先排查是否有连接空跑或重复提交任务。

六、8 条避坑与省钱要点

1. 16k 引擎只能单声道。 16k 系列引擎 ChannelNum 必须设为 1，设成 2（立体声）会直接报错；立体声只支持 8k 引擎。别再指望"用立体声省一半调用"。
2. 录音单文件不超过 5 小时，Base64 上传不超过 5 MB。 超长音频要自己切片再提交；Data 字段（Base64）超 5 MB 会被拒，此时改用 SourceType=0 的 URL 方式。
3. 任务 ID 只有 24 小时有效期。 TaskId 过期即无法查询，且不能作为你业务系统的唯一 ID（不同日期的任务可能存在重复 TaskId）。识别结果务必在自己的库里落盘存档。
4. ResTextFormat 的 4 和 5 是增值付费功能。 4（NLP 语义分段，会议/法庭逐字稿）与 5（口语转书面语，会议纪要）均为增值付费项，普通格式 0~3 不额外收费——别为了排版好看无意中开了付费格式。
5. 大模型版不是默认更优。 大模型版比普通版贵 30%~80%，只在噪声大、回声重、音量小、远场拾音时才有必要。清晰人声用普通版即可，直接省四成以上。
6. 实时并发默认只有 20 路。 单账号默认并发连接上限 20，超了会返回 code 4006。业务增长前记得提前提工单调额，别等上线当天才发现扛不住。
7. 音频上行必须 1:1 实时速率。 发太快（超过 1:1）或两包间隔超 6 秒都会导致引擎报错断连（code 4008）——做音源回放/倍速测试时要特别注意。
8. 欠费停服 + 数据 7 天销毁 + 100% 冻结。 余额为负 24 小时停服，7 天内不充值则数据终止不可恢复；同时次月 1~3 日会按上月用量的 100% 冻结一笔预估费用。账户余额要留足余量，否则不仅 ASR 停摆，还会影响其它腾讯云资源的购买。

总结与延伸阅读

把这篇的要点浓缩成一句话：腾讯云国际版语音识别只有按量计费，按"识别小时数"分档计价——实时识别 1.4 USD/小时起、录音识别 1.0 USD/小时起，用多少算多少；选型先分"实时 vs 录音"两条线，再按音频质量决定"普通版 vs 大模型版"，大模型版贵 30%~80% 只在低质量音频场景才值。

作为腾讯云国际版 AI 家族的一环，ASR 常和站内这几篇配合使用，建议一并阅读：

• 转写出的文字要翻译成外语？看 机器翻译 TMT 实战；
• 要把图片里的文字也一起数字化？看 文字识别 OCR 实战；
• 音频来自视频、需要转码与分发？看 视频点播 VOD 实战；
• 涉及身份核验与活体？看 人脸核身 eKYC 实战。

声明：本文价格与功能数据采集于 2026 年 10 月，来源于腾讯云国际版官方计费文档（document/product/1118/43352、43354）与 API 文档（53937、66924、66925），仅供参考；价格与功能可能变动，请以腾讯云官网控制台实时报价为准。

🚀 需要海外云服务器？通过 4.chengzicloud.cloud 访问首页，查看更多腾讯云国际版深度教程与选购攻略。

本文由 4.chengzicloud.cloud 提供，点击访问首页了解更多