Paxa Labs
登录

流式语音转文字，自动检测发言轮次

语音智能体应在来电者说完之后再回答，而传入的音频本身并不标明一轮发言在哪里结束。

Paxa STT Lite Realtime（研究预览版）通过一个 WebSocket 在说话的同时转写，报告每一轮的开始和结束，并为每一轮发送一份最终转写稿。它以泰语为先，也能转写其他语言。

立即试用阅读文档

一次会话，逐轮呈现#

三段呼叫中心提示音依次播放进同一次会话，中间留有停顿，并列出 WebSocket 上报的每一轮。这些事件根据实际记录的轮次生成，包括每一轮的开始时间、结束时间和最终转写稿。

  1. 0:00สวัสดีค่ะ
  2. 0:01ขอบคุณที่ติดต่อบริษัทของเรากด 1 เพื่อติดต่อฝ่ายขายกด 2 ฝ่ายบริการลูกค้าหรือกด 0 เพื่อติดต่อเจ้าหน้าที่ค่ะ
  3. 0:11สวัสดีค่ะคุณสมชายยอดชำระของท่านจำนวน 1,250 บาท
  4. 0:17ครบกำหนดวันที่ 15 สิงหาคมนี้
  5. 0:20ชำระผ่านแอปได้ตลอด 24 ชั่วโมงค่ะ
  6. 0:24ขณะนี้อยู่นอกเวลาทำการ
  7. 0:27เราเปิดให้บริการวันจันทร์ถึงศุกร์เวลา 9 โมงเช้าถึง 6 โมงเย็น
  8. 0:32ฝากข้อความหลังเสียงสัญญาณได้เลยค่ะ

三段呼叫中心提示音，由 Paxa TTS Flash v2 生成，依次播放进同一次会话。

{"type":"speech_started","turn":1,"time":0}
{"type":"speech_ended","turn":1,"time":1.06}
{"type":"transcript","turn":1,"is_final":true,"text":"สวัสดีค่ะ","start":0,"end":1.06}
{"type":"speech_started","turn":2,"time":1.06}
{"type":"speech_ended","turn":2,"time":9.93}
{"type":"transcript","turn":2,"is_final":true,"text":"ขอบคุณที่ติดต่อบริษัทของเรากด 1 เพื่อติดต่อฝ่ายขายกด 2 ฝ่ายบริการลูกค้าหรือกด 0 เพื่อติดต่อเจ้าหน้าที่ค่ะ","start":1.06,"end":9.93}
{"type":"speech_started","turn":3,"time":11.13}
{"type":"speech_ended","turn":3,"time":17.36}
{"type":"transcript","turn":3,"is_final":true,"text":"สวัสดีค่ะคุณสมชายยอดชำระของท่านจำนวน 1,250 บาท","start":11.13,"end":17.36}
{"type":"speech_started","turn":4,"time":17.38}
{"type":"speech_ended","turn":4,"time":20.3}
{"type":"transcript","turn":4,"is_final":true,"text":"ครบกำหนดวันที่ 15 สิงหาคมนี้","start":17.38,"end":20.3}
{"type":"speech_started","turn":5,"time":20.3}
{"type":"speech_ended","turn":5,"time":23.36}
{"type":"transcript","turn":5,"is_final":true,"text":"ชำระผ่านแอปได้ตลอด 24 ชั่วโมงค่ะ","start":20.3,"end":23.36}
{"type":"speech_started","turn":6,"time":24.55}
{"type":"speech_ended","turn":6,"time":27.23}
{"type":"transcript","turn":6,"is_final":true,"text":"ขณะนี้อยู่นอกเวลาทำการ","start":24.55,"end":27.23}
{"type":"speech_started","turn":7,"time":27.23}
{"type":"speech_ended","turn":7,"time":32.17}
{"type":"transcript","turn":7,"is_final":true,"text":"เราเปิดให้บริการวันจันทร์ถึงศุกร์เวลา 9 โมงเช้าถึง 6 โมงเย็น","start":27.23,"end":32.17}
{"type":"speech_started","turn":8,"time":32.17}
{"type":"speech_ended","turn":8,"time":34.63}
{"type":"transcript","turn":8,"is_final":true,"text":"ฝากข้อความหลังเสียงสัญญาณได้เลยค่ะ","start":32.17,"end":34.63}

paxa-stt-lite-realtime-v1-preview · 记录于 2026年10月15日

从麦克风到发言轮次#

整段对话只用一个连接，由会话判断每一轮在哪里结束。

  1. 建立连接

    连接 /v1/stt/live，在 Authorization 请求头中携带 API 密钥，然后发送 start 帧，写明 paxa-stt-lite-realtime-v1-preview 和音频格式。

  2. 推送音频

    边采集边以二进制帧发送音频：16 或 48 kHz 的 16 位 PCM，或 8 kHz 的 mu-law，均为单声道。用户开始说话时会收到 speech_started，停止时收到 speech_ended。

  3. 读取每一轮

    is_final 为 true 的 transcript 事件就是这一轮的最终转写稿。自然停顿处可能先收到一份临时转写稿，随后由最终稿替换。对话结束时发送 end，并等待 done。

Paxa STT Lite Realtime 标价为每小时接收音频 $0.75，静音也计入。

常见问题#

支持什么音频？

16 或 48 kHz 的 16 位 PCM，或电话线路使用的 8 kHz mu-law，均为单声道。一个连接最多接收 4 小时音频，之后以 done 结束。

智能体自己的声音怎么处理？

智能体播放音频时发送 playback 帧并把 speaking 设为 true，停止播放时设为 false。会话会预期用户可能插话，不会把智能体的回声当作一轮发言。

能从浏览器直接连接吗？

浏览器无法在 WebSocket 连接上设置 API 密钥请求头，而且 API 密钥应保存在您的服务器上。请通过您的服务器中转麦克风音频。在控制台的实时模式中，登录后即可用您自己的麦克风试用。

研究预览版是什么意思？

Paxa STT Lite Realtime 在评估期间按公布价格销售，其输出和选项可能随版本更新而变化。

从免费积分开始

使用 Google、GitHub 或 Hugging Face 登录，即可用 100 一次性免费积分处理您自己的文本。

免费开始