MiniMax开放平台上线ASR语音识别API：多语言转写+说话人分离一站式落地

AI快讯 2026-09-12

AI语音能力厂商MiniMax正式在其开放平台推出全新语音识别（ASR）接口。开发者可直接调用该服务，将各类音频文件转换为结构化文本，为字幕制作、会议纪要、音频内容分析等业务提供底层能力支持。这一能力补齐了MiniMax原有TTS语音合成之外的语音输入闭环。

一、多语种识别：20种语言，不传参数自动中英混合

本次上线的ASR服务支持20种语言，覆盖中文、粤语、英语、日语、韩语以及东南亚、欧洲多语种。在日常开发接入时，开发者不需要手动传入语言参数，接口会自动走中英混合识别，适配国内大量混合场景的音频素材，降低开发适配成本。

针对多人对话场景，接口内置说话人分离功能。系统会自动区分不同发言者，输出结果中以S1、S2标识区分发言人，无需开发者额外做二次算法处理。该能力非常适合访谈录音、多人会议、直播复盘等场景。

时间戳方面提供双粒度选择，包含句段级时间戳与字词级时间戳。中文识别结果按单个汉字标记时间位置，英文则以单词为单位打点，方便后续做字幕对齐、音频文本联动检索。

接口提供两种返回模式，适配不同业务架构：

一次性全量JSON返回：适合离线批量转写音频，一次性获取完整识别结果；
SSE流式实时输出：边接收音频边返回识别文本，可用于实时语音输入、实时字幕等低延迟场景。SSE（Server-Sent Events）是一种基于HTTP的服务器推送技术，适合单向实时数据流场景。

开发者可前往MiniMax开放平台查阅完整API文档，了解请求参数、调用示例、错误码等详细内容。ASR采用按量付费模式（PayGo），按音频时长计费，公开定价页面显示为每小时0.38美元，企业与个人开发者均可直接开通试用。具体单价和计费规则请以MiniMax开放平台定价页面为准。

注：以上链接来自官方通知，提示“请复制链接后前往”。如无法直接打开，请复制到浏览器访问，或登录MiniMax开放平台后查看。

对于正在搭建AI工具、音频处理类应用的开发者来说，新增的ASR能力补齐了MiniMax原有TTS语音合成之外的语音输入闭环。一套平台即可同时搞定语音转文字与文字转语音，减少多厂商API对接带来的运维成本。

随着大模型应用持续落地，音频转写作为内容生产、智能体交互的基础模块，更低门槛的API服务也会加速各类音频AI产品的开发落地。

支持20种语言，覆盖中文、粤语、英语、日语、韩语以及东南亚、欧洲多语种。不传语言参数时，接口自动走中英混合识别。

接口内置说话人分离，输出结果中以S1、S2标识自动区分不同发言者，无需额外算法处理。适用于多人会议、访谈录音等场景。

一次性全量JSON返回适合离线批量转写；SSE流式实时输出适合实时语音输入、实时字幕等低延迟场景，边接收音频边返回识别文本。

采用按量付费（PayGo）模式，按音频时长计费。公开定价页面显示为每小时0.38美元，具体单价和规则请以MiniMax开放平台定价页面为准。

在同一平台同时调用ASR和TTS，可以减少多厂商API对接的运维成本，实现语音输入与输出的闭环。

参考来源：

免责声明：
本文信息整理自MiniMax开放平台官方通知与公开文档。API能力、定价和可用性可能随时调整，请以MiniMax开放平台官方页面为准。本文不构成购买建议或投资建议。

MiniMax ASR 语音识别API 说话人分离多语言转写 SSE流式输出音频转文字 MiniMax开放平台