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。

相关文档