AI 之家 / 模型库 / Doubao-Seed-2.1-pro

Doubao-Seed-2.1-pro

AI 辅助整理
火山引擎多模态交互语音输入识别语音转文字多模态生成录入参考价 · 以官方为准

Doubao-Seed-2.1-pro 是火山引擎方舟平台的多模态大模型,支持语音输入参与多模态交互,可通过官方 SDK 以 base64 音频或 TOS URL 方式调用。语音输入支持 wav、mp3、m4a、aac、opus 五种格式,单条最长 60 秒,采样率最低 8kHz、推荐 16kHz,音频不超过 10MB。适合实时语音客服、端侧多模态对话硬件及语音转文字联动生成场景;超长录音转写、实时翻译一体化、离线识别等需求应改用火山引擎对应的语音专用产品。

上下文 token待核实
输入 / 百万 token待核实
输出 / 百万 token待核实
版本v2.1.0
部署云端 API:需开通火山引擎方舟大模型服务,获取 API Key 与 Secret Key 后通过官方 SDK(v1.2.0 及以上)调用;支持 Python 3.8+ / Node.js 16+ / Java 1.8+ 环境;语音输入需 base64 编码或上传至火山引擎对象存储 TOS 传入公网 URL,不支持直接读取本地文件路径

能力与用途

多模态交互语音输入识别语音转文字多模态生成

【定位与能力】Doubao-Seed-2.1-pro 定位于多模态交互,语音输入是其中一项能力:用户上传语音后接口返回识别文本并联动多模态生成响应。来源描述其适用于单条语音不超过 60 秒、日均调用量 1 万–100 万次的智能客服,采样率 16kHz 及以上的端侧多模态对话硬件,以及批量语音文件上传识别后联动多模态生成的内容创作。 【语音输入规格】支持 wav、mp3、m4a、aac、opus 共 5 种格式,请求参数中 format 字段必须与实际音频格式完全一致,否则解码失败。采样率最低支持 8kHz,推荐 16kHz,24kHz 与 48kHz 也支持但不会提升准确率,反而增加传输体积;16kHz 16bit 单声道 wav 的识别准确率在来源引用的内部测试中比同音质 mp3 高 2.3 个百分点。音频大小超过 10MB 会被拒绝。 【集成前提】需开通方舟大模型服务并获取 API Key/Secret Key,子账号需分配调用权限(否则返回 403 AccessDenied);依赖方舟 SDK v1.2.0 及以上,Python 安装命令为 pip install volcengine-python-sdk==1.2.0,Node.js 为 npm install @volcengine/ark-sdk@1.2.0。本地音频需转 base64 或上传 TOS 生成公网 URL。 【工程实践建议】对超时与 5xx 错误配置重试(如 tenacity 最多 3 次、间隔 1 秒)可提升调用成功率;超 60 秒音频需拆分后批量调用。 【选型取舍】纯语音识别不需联动多模态生成的场景,来源建议直接使用火山引擎语音识别 ASR 产品,成本约低 60%;长录音转写选 Long ASR;实时翻译一体化选同传翻译 API;离线无网络环境本方案不支持,需端侧离线语音识别 SDK。

能力对比

暂无经过核验的逐项评分,暂不绘制能力雷达或综合排名。

数据与来源

资料提供方
火山引擎
站内资料更新
2026-11-09 03:03:52

站内更新时间不等同于模型发布日期。未提供测试集、日期和原始成绩时,不展示官方或平台实测分数。

版本记录

v2.1.0当前录入版本

历史版本、上线与下线日期待核实。

接入与使用

请按官方文档确认 API 地址、模型标识、身份验证、权限与收费规则。

打开官方文档

平台实测

暂无已核验的模型测试报告。模型能力标签不表示已经完成平台实测。
选型助手

让需求变成可修改的筛选条件

依据已录入参数生成条件,结果可查看和修改。帧率与性能需核对实测,不能仅凭算力数值保证。