实时语音

OpenAI Realtime

GET /v1/realtime 是 WebSocket 端点，用于实时对话。

请求参数

参数	类型	必填	说明
`model`	`string`	否	实时对话模型。

连接示例

text

wss://one.gloscai.com/v1/realtime?model=gpt-4o-realtime

建立连接时同样需要携带认证信息。成功升级连接后响应状态为 101。

SeedASR 流式语音识别

GET /api/v3/plan/sauc/bigmodel_nostream 用于调用火山 Agent Plan 的 SeedASR 流式语音识别：

text

wss://one.gloscai.com/api/v3/plan/sauc/bigmodel_nostream

该端点使用火山二进制 WebSocket 协议，与 /v1/realtime 的 OpenAI JSON 事件协议不同，两者不能混用。

模型与认证

请求头	必填	说明
`X-Api-Key`	是	GLOSC API Key，例如 `sk-xxxxxx`。
`X-Api-Resource-Id`	是	固定为 `volc.seedasr.sauc.duration`。
`X-Api-Request-Id`	建议	每次请求使用一个新的 UUID。省略时由网关生成。
`X-Api-Connect-Id`	建议	连接 UUID，通常与 Request ID 相同。
`X-Api-Sequence`	建议	初始值为 `-1`。

网关通过 Resource ID 将请求路由到模型 bytedance/volc.seedasr.sauc.duration。客户端无需提供火山 API Key；网关会使用所选火山 Agent Plan 渠道的凭据连接上游。

成功时服务端返回 101 Switching Protocols，之后客户端和服务端只交换二进制帧。

二进制帧格式

每个请求帧由以下部分组成，整数均使用大端序：

字段	长度	说明
Header	4 字节	协议版本、消息类型、序列标志、序列化和压缩方式。
Sequence	4 字节	有符号 `int32`；最后一个音频包使用负数。
Payload size	4 字节	gzip 压缩后 payload 的字节数。
Payload	不定长	gzip 压缩后的 JSON 或音频数据。

常用 Header：

消息	Header 十六进制	说明
Full client request	`11 11 11 00`	正 sequence、JSON、gzip。
Audio request	`11 21 11 00`	正 sequence、gzip 音频分片。
Last audio request	`11 23 11 00`	负 sequence，表示发送结束。

会话流程

建立 WebSocket 连接并携带认证请求头。
发送 Full client request，sequence 从 1 开始。
收到服务端初始化响应后开始发送音频。
将 16 kHz、16-bit、单声道 PCM WAV 按 200 ms 分片发送；每发送一片递增 sequence，并按真实音频时长控制发送间隔。
最后一片使用负 sequence 和 NEG_WITH_SEQUENCE 标记。
持续接收识别结果；响应 Header 的 flags 包含 0x02 时表示最终结果。
读取 result.text，然后正常关闭连接。

Full client request 中的音频配置应与实际输入一致：

json

{
  "user": { "uid": "demo-user" },
  "audio": {
    "format": "wav",
    "codec": "raw",
    "rate": 16000,
    "bits": 16,
    "channel": 1
  },
  "request": {
    "model_name": "bigmodel",
    "enable_itn": true,
    "enable_punc": true,
    "enable_ddc": true,
    "enable_nonstream": false,
    "show_utterances": true,
    "result_type": "full"
  }
}

可直接运行的 Python 示例见语音 API。

实时语音 ​

OpenAI Realtime ​

请求参数 ​

连接示例 ​

SeedASR 流式语音识别 ​

模型与认证 ​

二进制帧格式 ​

会话流程 ​