用途：在媒体制作流程中调用 AssemblyAI 生成可靠的转写产物，驱动字幕、片段挑选、说话人轮次、节目笔记、章节、翻译、审核与合规检查。这是供应商技能，不是通用 ASR 入门；生产实现前应查阅最新官方文档，因为模型名、价格、附加功能、速率限制与数据保留设置会变化。
主要能力：预录 STT 是批量异步 API，提交 audio_url 或先上传本地文件，再轮询 GET /v2/transcript/{id} 或用 webhook 等待完成，返回文本、元数据、毫秒级词时间戳及可选功能输出。同步 STT 用于单次 HTTP 请求的短音频（80 毫秒至 120 秒）。实时 STT 通过 WebSocket（wss://streaming.assemblyai.com/v3/ws）流式输出 Begin、Turn、Termination 事件，适合直播字幕、语音智能体与实时监看。
模型与功能：预录模型含 Universal-3.5 Pro（18 种语言、原生语码切换、上下文提示、最多 1000 关键词）与 Universal-2（99 种语言、最多 200 关键词）；流式模型含 Universal-3.5 Pro Streaming、Universal-Streaming Multilingual 与 Universal-Streaming English。Medical Mode 为单独计费附加项。文档所列价格（2026-07-10）为预录 Universal-3.5 Pro $0.21/小时、Universal-2 $0.15/小时；流式 Universal-3.5 Pro Streaming $0.45/小时，另两个 $0.15/小时，使用前应重新核对。
用法要点：本地文件上传到 /v2/upload，返回的 upload_url 作为 audio_url 提交；cURL 上传用 --data-binary @file 传原始字节。可用 audio_start_from 与 audio_end_at 限定片段。预录状态含 queued、processing、completed、error。用删除端点删除转写，并保存 transcript_id 以便审计与重试。说话人分离用 speaker_labels: true，输出 utterances；标签为 A、B、C 等，可通过 Speaker Identification 映射到已知姓名。speakers_expected 与 min/max_speakers_expected 是硬边界。字幕可导出 SRT 或 VTT。翻译、摘要、实体检测、情感分析、主题检测、关键短语、PII 脱敏、内容审核与脏话过滤属于 Speech Understanding 与 Guardrails 功能。
限制：流式按 WebSocket 打开时长计费，未关闭会话 3 小时后自动关闭并可能按全程计费；浏览器客户端应使用临时流式令牌，不得暴露账户 API 密钥。多声道预录按声道分别计费。脱敏音频 URL 仅保留 24 小时，且仅支持小于 1 GB 的原始文件；PII 脱敏只处理 text 属性中的词，其他功能输出仍可能含 PII。预录并行任务数免费账户从 5 起、付费账户 200+，超出按 FIFO 排队。摘要为公开测试版，旧 auto_chapters 参数已弃用。说话人分离建议每位说话人至少 30 秒连续语音，串音、噪声、相似嗓音与短插话会降低准确度。发布前应人工复核说话人标签与转写内容。