语音识别
上传一段音频,返回识别出的文字,适合会议记录、字幕生成、语音输入。接口兼容 OpenAI POST /v1/audio/transcriptions,请求为 multipart/form-data。
如果需要把非英语音频直接译成英文,用 语音翻译。
| 项 | 值 |
|---|---|
| 方法与路径 | POST /v1/audio/transcriptions |
| 鉴权 | Authorization: Bearer YOUR_API_KEY |
| Content-Type | multipart/form-data |
快速示例
cURL
BASH
curl https://www.nextai-code.com/v1/audio/transcriptions \
-H "Authorization: Bearer $NEXTAI_API_KEY" \
-F [email protected] \
-F model=YOUR_MODEL \
-F language=zh
Python(OpenAI SDK)
PYTHON
import os
from openai import OpenAI
client = OpenAI(api_key=os.environ["NEXTAI_API_KEY"], base_url="https://www.nextai-code.com/v1")
with open("meeting.mp3", "rb") as f:
result = client.audio.transcriptions.create(model="YOUR_MODEL", file=f, language="zh")
print(result.text)
Node.js(OpenAI SDK)
JAVASCRIPT
import fs from "node:fs";
import OpenAI from "openai";
const client = new OpenAI({ apiKey: process.env.NEXTAI_API_KEY, baseURL: "https://www.nextai-code.com/v1" });
const result = await client.audio.transcriptions.create({
model: "YOUR_MODEL",
file: fs.createReadStream("meeting.mp3"),
language: "zh",
});
console.log(result.text);
可用的语音识别模型以 模型列表(
GET /v1/models)为准。
请求参数
以表单字段提交。
| 参数 | 类型 | 必填 | 说明 |
|---|---|---|---|
file |
file | 是 | 音频文件,字段名必须是 file,缺失时返回 400(缺少上传文件)。支持的格式与大小上限取决于模型 |
model |
string | 是 | 识别模型名。缺失时返回 400(缺少 model 参数) |
language |
string | 否 | 音频语言(ISO-639-1,如 zh、en),指定后可提升准确率 |
prompt |
string | 否 | 引导文本(专有名词、上下文等) |
response_format |
string | 否 | 输出格式,如 json、text、srt、verbose_json、vtt;默认 json,可选值取决于模型 |
temperature |
number | 否 | 采样温度 |
| 其他字段 | - | 否 | 其他表单字段(如 timestamp_granularities[])会原样转发给模型服务商,是否生效取决于模型 |
响应
响应体为模型服务商的原始返回,格式由 response_format 决定。
json:
JSON
{ "text": "欢迎使用 NextAI Code。" }
verbose_json(含分段时间戳):
JSON
{
"task": "transcribe",
"language": "chinese",
"duration": 3.2,
"text": "欢迎使用 NextAI Code。",
"segments": [
{
"id": 0, "seek": 0, "start": 0.0, "end": 3.2,
"text": "欢迎使用 NextAI Code。",
"tokens": [50364, 21982],
"temperature": 0.0, "avg_logprob": -0.21,
"compression_ratio": 0.9, "no_speech_prob": 0.01
}
]
}
| 字段 | 说明 |
|---|---|
text |
识别出的完整文本 |
language |
识别出的语言(verbose_json) |
duration |
音频时长,秒(verbose_json) |
segments[] |
分段结果,含起止时间 start / end(秒)和文本(verbose_json) |
text、srt、vtt 返回纯文本。
计费
- 响应中带有
usage(总 Token 大于 0)时,按其中的 Token 数计费。 - 否则按音频时长折算:每分钟计 1000 输入 Token(时长向上取整到秒)。
- 按次计价的模型每次请求固定扣费。