Fish Audio: Fish Transcribe-1
fish-transcribe-1- 价格
- 起 $0.0001
- 模态
- 音频
Fish Transcribe-1 简介
Fish Transcribe-1 是 Fish Audio 面向短录音的通用语音识别模型。上传一个音频文件，返回转写文本、录音时长，需要时还返回带时间的逐词分段。语言自动识别，也可以传一个可选的语言提示。同系列还有 Transcribe-1 Pro，Fish Audio 推荐用它处理长时间、多说话人且需要情绪标记的对话。
擅长的任务
- 响应里除文本外还带音频的上报时长，方便核对计费和对齐字幕。
- 请求时间戳后可得到逐词的起止时间，转写稿能直接切成字幕。
- 原始文件原样发送：WAV、MP3、AAC、FLAC、Ogg、WebM/Matroska 或 MOV 都不用先转码。
- 语言自动识别，混合语言的批量录音不必逐个文件指定语言。
什么情况换别的模型
- Fish Audio 把这个模型定位在短录音；多说话人或长音频更适合 Transcribe-1 Pro，它带说话人标记和情绪标记。
- 它处理的是上传的文件，实时麦克风流需要用实时语音识别模型。
- 不接受 AIFF、CAF、WMA、AMR 和裸 PCM 等格式，需先转换再上传。
快速上手
创建 API 密钥
在 Console 生成一把密钥，平台上的模型都能用。
发送第一个请求
复制你所用语言的示例代码，向该端点发起请求。
语音转文字TokenLab 端点POST/v1/audio/transcriptionscurl -X POST "https://api.tokenlab.sh/v1/audio/transcriptions" \ -H "Authorization: Bearer sk-xxx" \ -F file="@audio.mp3" \ -F operation="stt" \ -F response_format="json" \ -F model="fish-transcribe-1" \ -F language="en"
参数
语音转文字
| 参数 | 可选值与限制 | 默认值 | 说明 |
|---|---|---|---|
file | 输入数量：≥ 1, ≤ 1 | 未提供 | Send one audio file in multipart/form-data. Maximum file size is 25 MiB. |
response_format | json | json | 未提供 |
价格
Verified 价格用于 Verified，多数模型更便宜；Official 价格是模型厂商公布的价格，用于更稳定的 Official。Auto 按最终完成请求的线路计价。
语音转文字
每秒- Official 价格
- $0.0001
- Verified 价格
- —
- 折扣
- —
| Official 价格每秒 | Verified 价格每秒 | 折扣 | |
|---|---|---|---|
| 语音转文字 | $0.0001 | — | — |
用量与动态
成功率是请求完成的比例；延迟是拿到一次完整响应要花的时间，P95 表示 95% 的请求都在这个时间内完成。
用量与可用性
最近 24 小时- 请求
- 成功率
- P95 延迟
- 总 token 数
数据来自汇总的用户请求，不含状态检查。
直接在 Console 里试
Fish Transcribe-1 已在 Console 备好，提示词已填好，可以直接修改或发送。
帮我用 fish-transcribe-1 发起一条简短的音频请求，接口是 /v1/audio/transcriptions。返回结果和费用。
使用场景
语音消息转写
把短语音备注、客服通话片段和录音备忘变成可检索的文本，并附上时长。
字幕草稿
为一段短视频请求逐词时间，再合并成字幕行供人工审核。
语音填写表单
转写移动应用里的语音回答，再把文本交给模型填入结构化字段。
多语言档案
把不同语言的片段送进同一个接口，依靠自动语言识别处理。
提示词示例
转写这段 40 秒的语音备忘，并返回逐词时间戳，我要用它做字幕。
按原语言转写附件里的客户语音留言，并告诉我录音的总时长。
把这段产品演示解说的 MP3 转成文字，说话人可能在英语和普通话之间切换。
FAQ
Fish Transcribe-1 和 Transcribe-1 Pro 有什么区别？
Transcribe-1 用于短录音的通用转写。Transcribe-1 Pro 是 Fish Audio 推荐用于最长 60 分钟录音、多说话人对话，以及带说话人标记和情绪标记转写的模型。需要知道谁说了什么时，选 Pro。
Fish Transcribe-1 会返回什么？
返回文本、以秒计的时长和请求 ID。如果请求时间戳，还会返回逐词分段，每段含文本、起始和结束时间。
可以上传哪些音频格式？
Fish Audio 接受 WAV、MP3、AAC、FLAC、Ogg、WebM/Matroska 和 MOV 文件，以原始字节发送。视频容器取其中第一条音轨。不支持 AIFF、CAF、WMA、AMR 和裸 PCM。
需要告诉它音频是什么语言吗？
不需要。Fish Audio 会自动识别语言，识别出时响应里会带上检测到的语言。如果录音很短或噪声较大，识别可能拿不准，这时可以传可选的语言提示。
能转写实时音频吗？
不能。该模型接收上传的文件，处理完成后返回转写结果。需要实时字幕，或者要在有人说话时就做出反应的语音智能体，请选用流式识别模型。
Fish Transcribe-1 的费用是多少？
在 TokenLab 上，Fish Transcribe-1 的价格为 $0.0001 每秒。完整明细见上方价格表。 价格因计费单位、规格和用量而异。请在模型的详细定价中对比相同条件下的费率；单一费率不代表总价。
Fish Transcribe-1 应该使用哪个端点？
Fish Transcribe-1 使用 https://api.tokenlab.sh/v1/audio/transcriptions。代码写法见下方的请求示例。
Fish Transcribe-1 支持哪些操作？
Fish Transcribe-1 支持 语音转文字。选了操作，上面会显示对应的端点和请求示例。
Fish Transcribe-1 对比
资料来源
审阅于 2026年10月2日
更多 Fish Audio 模型