GLM-ASR-2512

智谱在 2025 年 12 月 10 日正式推出两款面向语音识别任务的模型：闭源云端模型 GLM-ASR（具体版本为 GLM-ASR-2512）与完全开源、参数规模约 1.5B 的 GLM-ASR-Nano-2512。前者作为在线服务提供高质量的语音转写能力，后者用于本地化部署与端侧应用。两者共同构成智谱在语音识别方向的最新产品能力。

GLM-ASR（闭源）：面向生产场景的在线语音识别模型

模型定位

GLM-ASR 是智谱面向企业与开发者提供的云端语音识别模型，支持在真实环境中将音频高质量地转写为文本。模型强调“可读性”和“场景鲁棒性”，适用于会议、客服、教学、多说话人交流等实际业务场景，而不是仅面对干净语音的实验室条件。

主要特点

• 上下文理解能力增强：在连续语音中，能够根据前后语境生成更自然、连贯的文本，而不只是逐字式转写。
• 噪声鲁棒性强：即便存在机械噪声、环境噪音、风噪、混响等复杂因素，仍能保持较稳定的识别质量。
• 多语种与方言适配：除普通话与英语外，还支持多种中国方言，覆盖从东北官话到西南官话等多个地域变体，适应国内复杂语言环境。
• 字符错误率 CER 0.0717：在多场景测试中的整体表现达到 0.0717 的 CER，属于云端 ASR 服务中的较高水准。

输入与输出

• 输入：音频文件（wav/mp3），支持直接上传文件或 Base64 方式提交。
• 输出：结构化、有标点的自然语言文本。

音频时长上限为 30 秒（同步接口），更长内容通常以分段方式处理。

API 调用与参数

GLM-ASR 通过智谱开放平台提供 RESTful API 和 SDK（Python、Java 等），关键参数包括：

• model：glm-asr-2512
• stream：是否采用流式分段返回
• prompt：连续识别时可提供之前转写片段作为上下文
• hotwords：用于强化特定行业词汇和专有名词
• request_id / user_id：便于业务侧跟踪、审计与风控

这些设置使模型更适合会议笔记、客服语音审核、字幕制作等需要保持术语一致性或需要实时反馈的场景。

适用场景

GLM-ASR 的设计面向广泛而真实的使用环境，包括：

• 企业会议记录：连续多轮、多人交互的长语音内容转写
• 客户服务与质检：自动转录客服通话并用于情绪分析与业务分类
• 教学与培训记录：课堂、讲座录音转写
• 视频字幕生成：直播、录播视频自动生成文本字幕
• 车载语音与智能家居：适应自然口音差异的语音指令识别

定价与并发能力

• 价格：0.06 元 / 分钟音频
• 并发限制：按用户等级分级管理（例如基础账户 5 并发、高等级账户可达 20 并发）

这种按时长计费方式适用于会议转写、客服录音等分钟级数据量较大的使用场景，也方便成本估算。