glm-asr — 语音转文本（GLM-ASR-2512）

场景

• 录音/语音备忘录转文字
• 会议片段、访谈片段的快速转写
• 语音输入（说一段话 → 文本给下游 Agent 处理）
• 带专有名词的音频（--hotwords 提升识别率）

触发条件

用户给出音频文件并要求转文字/转录/提取内容时。

输入（硬限制，超了会被 API 直接拒绝）

• 格式：仅 wav / mp3（其他格式先用 ffmpeg 转：ffmpeg -i in.xxx out.mp3）
• 单文件：≤25MB 且 ≤30 秒
• 并发：勿超过 10（20 并发实测触发 429/1302；高峰期 14:00-18:00 更严）
• 视频（mp4/mov/m4a）不收：先抽音轨 ffmpeg -i in.mp4 -vn -b:a 64k out.mp3（伪装后缀也会被服务端识破）
• --hotwords "词1,词2"：热词表（≤100 个），专有名词识别更准（实测：给"智谱"可把"质朴"修回"智谱"）
• --prompt "上下文"：长文本场景的前文提示
• --out 文件：保存到文件

步骤

python3 scripts/glm_asr.py 录音.mp3
python3 scripts/glm_asr.py meeting.mp3 --hotwords "智谱,AutoGLM" --out transcript.txt

视频先抽音轨，超 30 秒的长音频先切分（ffmpeg）：

# 视频抽音轨（mp4/mov/m4a 都不收，必须先转）
ffmpeg -i video.mp4 -vn -b:a 64k audio.mp3

# 超长音频切分（每段 28 秒，留 2 秒余量）
ffmpeg -i audio.mp3 -f segment -segment_time 28 -c copy part_%03d.mp3
python3 scripts/glm_asr.py part_001.mp3 --prompt "（上一段的转录文本作为上下文）"

判断标准

• 输出空文本 → stderr 有明确错误（401 key / 429 限流 / 格式问题）
• 专有名词错 → 加 --hotwords 重试

输出

stdout：转录文本。--out 时同时落盘。错误写 stderr，退出码非 0。

异常处理

数据回流（2026-09-08 实测）

• 端点：coding plan（/api/coding/paas/v4/audio/transcriptions）与普通端点（/api/paas/v4/...）均可用（同 key），config 默认前者
• 响应 text 直接在顶层（无 reasoning 坑）
• 中文 TTS 测试 24 字逐字准确；专有名词（GLM ASR→GLM ATP）加 hotwords 后修正
• 端点/模型/key 变化只改 config.json，脚本零改动

版本

v1.0 · 2026-09-08 · 项项（skill-creator-exflower 流程：冒烟先行→开发→10 项功能测试→安装）