火山引擎提供开箱即用的音频处理能力，支持语音识别（asr）、音频降噪与人声分离（mediaprocessing）、ai配音（tts）；需开通服务、获取app key/secret及access key，再通过python sdk或api调用。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
想把一段录音自动转成文字、提取人声、降噪或生成AI配音，火山引擎提供了开箱即用的音频处理能力，无需自建FFmpeg集群或训练模型。
开通服务并获取凭证
登录火山引擎控制台，在搜索栏输入“语音识别”或“语音合成”，进入对应服务页，点击【立即开通】。
开通后进入【API管理】→【创建应用】，填写应用名称（如“短视频配音后台”），系统自动生成App Key和App Secret；【务必复制保存App Secret，页面关闭后无法再次查看】。
在【密钥管理】中创建Access Key，选择“程序调用”，生成后下载CSV文件——里面含ACCESS_KEY_ID和SECRET_ACCESS_KEY，这是后续调用所有音频API的身份凭据。
用Python调用语音识别（ASR）
方法一：同步识别（适合≤60秒短音频）
安装SDK：pip install volcengine。
初始化客户端并发起请求，注意AudioUrl必须是公网可直连的HTTPS地址（不能是本地路径或内网地址）：
```python
from volcengine.volc import get_service()
asr = get_service("asr", region="cn-beijing", access_key="AKLTxxx", secret_key="SKLTxxx")
resp = asr.sync_submit_task(AudioUrl="https://example.com/audio.mp3", AudioFormat="mp3")
print(resp["Result"]["Text"])
```
方法二：异步识别（推荐用于长音频或批量任务）
调用async_submit_task获取TaskId，再用get_task_result轮询结果；轮询间隔不得小于2秒，否则触发限流。
音频降噪与人声分离（使用MediaProcessing服务）
第一步：上传原始音频到火山引擎对象存储（TOS）
在TOS控制台新建Bucket（如“audio-raw”），将待处理的wav/mp3文件拖入，设为公共读权限，获得类似https://audio-raw.tos-cn-beijing.volces.com/noisy_20260819.mp3的URL。
第二步：调用MediaProcessing API发起任务
请求Body中指定降噪强度（0–100，默认50）和是否启用语音增强：
```json
{
"Input": {"ObjectKey": "noisy_20260819.mp3"},
"Output": {"Bucket": "audio-clean", "ObjectKey": "cleaned.mp3"},
"Template": {
"NoiseReduction": {"Enable": true, "Strength": 75},
"VoiceEnhancement": {"Enable": true}
}
}
```
第三步：监听回调或主动查询任务状态
任务成功后，清洗后的文件会自动存入你指定的Output Bucket，可直接下载或用于下一步合成。
生成AI配音（TTS）并控制语速语调
① 访问火山引擎TTS控制台，确认已开通服务并处于“运行中”状态。
② 在【语音库管理】中选择适合场景的音色，例如“zh_female_yunxi”（女声·云溪）适用于知识类口播，“zh_male_zhixing”（男声·志行）适合新闻播报。
③ 构造请求体，关键参数必须传全：
"text"：纯文本，不支持HTML标签；"voice_type"：音色ID必须与控制台一致；"format"：仅支持mp3、wav、pcm；"speed"：0.5–2.0之间，1.0为默认，低于0.7易失真；"pitch"：-5～5，调节基频，负值更沉稳，正值更清亮。
④ 发起POST请求至https://openspeech.bytedance.com/api/v1/tts，Header中携带Authorization: Bearer YOUR_API_TOKEN（Token需用App Key/Secret通过STS服务签发，不可直接填Secret）。
