AssemblyAI 推出 Sync API：短音频转录一次请求搞定，134ms 返回结果
语音听写、语音指令、IVR 单轮应答——这些场景有个共同点：音频短，用户等不起。但现有的转录 API 要么让你提交任务再轮询（白白多等 5-6 秒），要么让你为了一句话开个 WebSocket 连接，杀鸡用牛刀。
AssemblyAI 今天发布的 Sync API 专门解决这个问题：一个 HTTP POST 请求发音频，同一个响应里拿回完整转录结果，p50 延迟仅 134 毫秒。
填补了什么空白
AssemblyAI 此前有两条转录产品线：
- Realtime API（WebSocket）：适合实时会话、直播字幕，但为一次性短请求开 WebSocket 太重了。
- Async API（提交 + 轮询）：适合长音频批量处理，但 2 秒的音频要等 5-6 秒才拿到结果，延迟不可接受。
Sync API 补上了中间缺失的那一档：短音频、需要立刻拿到结果、但不需要持续连接。请求-响应模式，用完即走。
核心性能
Sync API 跑的是 Universal-3.5 Pro——AssemblyAI 当前最准的语音识别模型，和 Async、Realtime 用的是同一款。区别在于调用方式：
- 延迟：p50 约 134ms，全程 sub-300ms
- 精度：短音频词错率（WER）1.59%
- 原理：不做分块流式处理，整段音频一次性解码为 16kHz 数组，模型对每一帧做全注意力计算，所以快且准
这意味着你不需要在速度和精度之间做取舍。134ms 的响应时间落在人说话后的自然停顿内，用户几乎感觉不到等待。
三条产品线怎么选
| 场景 | 产品 | 传输方式 | 特点 |
|------|------|----------|------|
| 实时会话、直播字幕 | Realtime | WebSocket | 持续流式 |
| 短片段、听写、语音指令 | Sync | HTTP POST | 一次请求一次响应 |
| 长音频、批量处理 | Async | HTTP POST + 轮询 | 延迟不敏感 |
谁用得上
- 语音听写/Dictation：说完一句话，文字立刻出现在屏幕上。此前用 Async 要等 5 秒，用 WebSocket 又太重，Sync API 正好卡在"说完即见"的体验区间。
- 语音 Agent：你的 Agent 已经做了 turn detection，用户说完一句话后，直接把这段音频发给 Sync API，一个请求拿到转录文本，再喂给 LLM，不需要维护 WebSocket 会话状态。
- IVR/呼叫路由：转录一个指令，分支流程，继续。没有轮询等待造成的"死空气"。
- Push-to-talk/语音指令：松开按钮的瞬间，结果就回来了。
- 语音信箱/短片段：2 分钟以内的音频，不用提交任务再轮询。
对比本地模型
本地语音识别模型为了跑得快，必须做得小，精度因此打折。Sync API 的思路是：旗舰精度 + 近本地速度，但模型在云端，你不需要打包、更新、管理任何东西。对于做语音听写应用的开发者来说，这是一个值得考虑的替代方案。
怎么用
调用非常简单——音频直接放在请求体里发过去，不需要先上传到某个 URL 再提交任务：
```
POST https://sync.assemblyai.com/transcribe
Headers:
Authorization: YOUR_API_KEY
X-AAI-Model: universal-3.5-pro
Body: 音频数据
```
响应里直接返回完整转录文本。没有 job ID，没有轮询，没有 WebSocket 握手。
---
AssemblyAI Sync API 的发布，本质上是把"短音频同步转录"从一种需要妥协的场景，变成了一个有专用工具的一等公民。如果你在做语音 Agent、听写应用或任何"音频短、要得急"的产品，这个 API 值得关注。
来源：[AssemblyAI 官方博客](https://www.assemblyai.com/blog/sync-api)