使用 OpenAI ASR 实现语音识别接口（Java 后端示例）

本文介绍如何在 Java 后端快速实现一个“上传音频文件 → 调用 OpenAI ASR（Whisper）→ 返回识别文本”的接口，并加入缓存机制避免重复识别，降低成本与延迟。

整体流程可以理解为四步：

客户端通过 POST /api/v1/asr 上传音频文件（表单字段名为 file）。
后端接收文件后，先对文件内容做 MD5，去数据库查缓存。
如果缓存命中，直接返回历史识别结果。
如果未命中，则上传音频到对象存储（用于留档/追溯），随后调用 OpenAI Whisper 转写，把结果写入数据库缓存，再返回给客户端。

接口定义

请求方式：POST /api/v1/asr
上传字段：file: binary
返回：统一 JSON 结构，data.result 为识别文本

请求示例（概念描述）：

POST /api/v1/asr
file:binary

响应示例：

{
  "data": {
    "id": null,
    "result": "......\n"
  },
  "code": 1,
  "msg": null,
  "ok": true,
  "error": null
}

核心实现思路（通俗版）

1）Handler 负责“接收请求 + 转交服务 + 返回响应”

Handler 做的事情很简单：从请求里把上传文件取出来，交给 ASR 服务处理，然后把结果包装成 HTTP 响应返回。

2）Service 负责“去重缓存 + 并发控制 + 调用 ASR + 落库”

Service 主要解决三个实际问题：

重复识别浪费钱：同一个音频反复上传不应每次都调用 ASR，所以用 MD5 做缓存键。
并发时重复调用：比如同一时间多个请求上传同一个文件，如果不控制，会同时调用 ASR 多次。这里用 Striped<Lock> 按 md5 做分段锁，保证同一个 md5 在同一时间只会有一个线程真正去调用 ASR。
结果持久化：识别完成后保存到表 ai_audio_asr_cache，下次直接命中缓存。

后端代码

下面是完整代码（保持原样展示，不拆分）。

package com.litongjava.llm.handler;

import com.litongjava.jfinal.aop.Aop;
import com.litongjava.llm.service.AiAudioAsrService;
import com.litongjava.model.body.RespBodyVo;
import com.litongjava.tio.boot.http.TioRequestContext;
import com.litongjava.tio.http.common.HttpRequest;
import com.litongjava.tio.http.common.HttpResponse;
import com.litongjava.tio.http.common.UploadFile;
import com.litongjava.tio.http.server.handler.HttpRequestHandler;

public class ApiAsrHandler implements HttpRequestHandler {

  @Override
  public HttpResponse handle(HttpRequest httpRequest) throws Exception {
    UploadFile uploadFile = httpRequest.getUploadFile("file");
    RespBodyVo vo = Aop.get(AiAudioAsrService.class).asr(uploadFile);
    HttpResponse response = TioRequestContext.getResponse();
    return response.body(vo);
  }

}

package com.litongjava.llm.service;

import java.util.concurrent.locks.Lock;

import com.google.common.util.concurrent.Striped;
import com.litongjava.db.activerecord.Db;
import com.litongjava.db.activerecord.Row;
import com.litongjava.jfinal.aop.Aop;
import com.litongjava.llm.consts.AgentTableNames;
import com.litongjava.model.TaskResponse;
import com.litongjava.model.body.RespBodyVo;
import com.litongjava.model.http.response.ResponseVo;
import com.litongjava.openai.whisper.WhisperClient;
import com.litongjava.openai.whisper.WhisperResponseFormat;
import com.litongjava.tio.boot.admin.services.storage.AliyunStorageService;
import com.litongjava.tio.boot.admin.vo.UploadResultVo;
import com.litongjava.tio.http.common.UploadFile;
import com.litongjava.tio.utils.crypto.Md5Utils;
import com.litongjava.tio.utils.snowflake.SnowflakeIdUtils;

public class AiAudioAsrService {
  private static final Striped<Lock> locks = Striped.lock(1024);

  public RespBodyVo asr(UploadFile uploadFile) {
    byte[] data = uploadFile.getData();
    String md5Hex = Md5Utils.md5Hex(data);
    String sql = "select content from %s where md5=? and deleted=0";
    sql = String.format(sql, AgentTableNames.ai_audio_asr_cache);
    String content = Db.queryStr(sql, md5Hex);
    if (content == null) {
      Lock lock = locks.get(md5Hex);
      lock.lock();
      try {
        content = Db.queryStr(sql, md5Hex);
        if (content == null) {
          content = parse0(uploadFile, md5Hex);
        }
      } finally {
        lock.unlock();
      }

    }

    TaskResponse taskResponse = new TaskResponse(content);
    return RespBodyVo.ok(taskResponse);
  }

  public String parse0(UploadFile uploadFile, String md5Hex) {
    UploadResultVo uploadFileResult = Aop.get(AliyunStorageService.class).uploadFile("audio", uploadFile);
    Long fileId = uploadFileResult.getId();
    byte[] data = uploadFile.getData();
    String name = uploadFile.getName();

    ResponseVo transcriptions = WhisperClient.transcriptions(name, data, WhisperResponseFormat.text);
    String content = transcriptions.getBodyString();

    long id = SnowflakeIdUtils.id();
    Row row = Row.by("id", id).set("md5", md5Hex).set("file_id", fileId)
        //
        .set("content", content);
    Db.save(AgentTableNames.ai_audio_asr_cache, row);
    return content;
  }
}