豆包AI的API支持语音识别，但必须通过WebSocket发送符合五项参数的原始PCM二进制流（单声道、16kHz、int16、小端序），并严格配置ARK_APP_ID与ARK_ACCESS_TOKEN认证凭证，否则返回400错误或连接中断。
☞☞☞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☜☜☜
豆包AI的API确实支持语音识别功能，但必须严格按其端到端实时语音大模型协议传入音频数据，否则服务端直接拒绝解析或返回400错误。你不能上传MP3、WAV文件或base64字符串，只能通过WebSocket发送原始PCM二进制流。
确认API接入前提
先检查是否已获取合法调用凭证：必须拥有ARK_APP_ID和ARK_ACCESS_TOKEN两个环境变量，缺一不可。若未配置，后续所有连接都会在StartSession阶段被服务端中断。
确保你的Node.js服务已部署WebSocket客户端，并能维持长连接——豆包RealtimeAPI不接受HTTP POST上传音频，只认WebSocket二进制帧。
准备符合要求的PCM音频
音频必须满足五项硬性参数，任意一项不符，ASR引擎将静默丢弃整段流：
立即进入“豆包AI人工智官网入口”；
立即学习“豆包AI人工智能在线问答入口”；
• 格式：PCM（未经压缩，不是WAV容器）
• 声道：单声道（【双声道音频会导致ASR完全无响应】）
• 采样率：16000 Hz（不是44100、48000或8000）
• 位深：int16（即每个采样点占2字节）
• 字节序：小端序（Little-Endian）
如果你用Web Audio API采集麦克风，需手动将Float32Array重采样为int16并翻转字节序；若用FFmpeg转换本地录音，命令必须是：ffmpeg -i input.mp3 -ar 16000 -ac 1 -f s16le -acodec pcm_s16le output.pcm。
建立WebSocket连接并发送StartSession
第一步：向/api/v1/ai/speech-recognition发起WebSocket连接，携带认证头Authorization: Bearer {ARK_ACCESS_TOKEN}和X-App-ID: {ARK_APP_ID}。
第二步：连接成功后，立即发送StartSession事件（Event ID 100），JSON体中必须包含：
{"audio_config": {"sample_rate": 16000, "channels": 1, "format": "pcm", "bit_depth": 16}, "model": "doubao-asr-v2"}
注意：【audio_config字段不可省略，且键名大小写敏感，写成sampleRate或SampleRate都会触发400】。服务端收到后返回Session ID，后续所有TaskRequest都需带上它。
分块推送音频流
第一步：将PCM文件按每20ms切片（即每次发送320字节：16000 Hz × 1通道 × 2字节 × 0.02秒）。
第二步：对每个切片构造TaskRequest事件（Event ID 200），二进制帧结构为：4字节事件ID（小端序）+ 4字节payload长度（小端序）+ JSON头部（含session_id）+ 原始PCM数据。
第三步：连续发送，间隔不超过100ms——超时会触发server_vad自动结束检测，导致ASRResponse丢失中间结果。
这一步操作起来很简单，直接把文件拖进去就行，但务必确保每个帧的PCM数据紧贴JSON头部之后，中间不能插入任何空字节或分隔符。
