Eine speech-to-text-API transkribiert gesprochenes Audio in geschriebenen Text. Sie laden eine Aufnahme hoch, geben ihre URL oder streamen Live-Audio, und die API gibt das Transkript zurück, mit Zeitstempeln, Lautsprecherbezeichnungen oder Untertiteldateien auf den Modellen, die sie unterstützen.
Eine speech-to-text-API, auch Transkriptions- oder automatische Spracherkennung (ASR)-API genannt, wandelt die gesprochenen Wörter in einer Audio- oder Videodatei in Text um. Das einfachste Ergebnis ist ein schlichtes Transkript. Je nach Modell kann die API außerdem:
Viele Modelle erkennen die gesprochene Sprache automatisch, und einige akzeptieren eine Liste von Schlüsselbegriffen wie Produktnamen oder Fachjargon, um diese zuverlässiger zu erkennen.
Für eine Aufnahme senden Sie POST /v1/audio/transcriptions mit der Modell-ID und entweder der Datei als Mehrteil-Upload oder deren HTTPS-URL in file_url. Die API gibt das Transkript in der Antwort zurück. Eine lange Transkription kann stattdessen eine Job-ID zurückgeben, bei der Sie eine Umfrage durchführen KOMM /v1/jobs/{job_id}, und die Überschrift Bevorzugen: Response-asynchron fragt sofort nach einem Job-ID.
Für Sprache während des Geschehens, etwa bei einem Anruf oder einem Live-Event, streamen Live-Transkriptionsmodelle Text zurück über die Echtzeitsprache WebSocket bei /v1/realtime. Je nach Modell kommen Teilwörter an, während die Person spricht, und bei jeder Pause erscheint ein festes Transkript.
Modellvergleiche direkt nebeneinander zeigen Sie die Fähigkeiten und Raten zweier Modelle zusammen.
Durchsuchen Sie die Transkriptionsmodelle und eine Aufnahme in der Playground um eines zu testen. Um ein Modell aufzurufen, erstellen Sie einen API-Schlüssel im Dashboard und senden Sie das Audio an https://api.empiriolabs.ai/v1/audio/transcriptions. Die Transkriptionsreferenz listet die Anfragefelder und Antwortformate auf, und die Leitfaden zur Realtime Voice API Deckt Live-Transkription ab.
Zahlen Sie nach Bezahlung oder wählen Sie einen Plan mit wöchentlichen Zulagen. Die aktuellen Tarife sind auf der preisseite.
13 Modelle, günstigste zuerst, wo sie eine Abrechnungseinheit teilen. Die Seite jedes Modells zeigt die vollständige Preisliste, Parameter und Code.
Endpunkte
/v1/audio/transcriptions WEBSOCKET /v1/realtimePreis pro Minute oder Stunde Audio
| Modell | Niedrigster Tarif | Gilt für |
|---|---|---|
| StepAudio 2.5 ASR StepFun | $0.05 pro Stunde Audio | Transkription |
| Qwen Audio 3.0 ASR Alibaba Cloud | $0.252 pro Stunde Audio | Transkription |
| Whisper Large v3 Turbo OpenAI | $0.042$0.005 pro Minute Audio | Kontrollierte Transkription |
| StepAudio 2.5 ASR Stream StepFun | $0.40 pro Stunde Audio | Transkription |
| StepAudio 3 ASR Max StepFun | $0.60 pro Stunde Audio | Transkription |
| Qwen Audio 3.0 ASR Stream Alibaba Cloud | $0.648 pro Stunde Audio | Transkription |
| Deepgram Nova-3 Deepgram | $0.014 pro Minute Audio | Transkription |
| Deepgram Nova-3 Stream Deepgram | $0.025 pro Minute Audio | Transkription |
| OpenAI Whisper 1 OpenAI | $0.030 pro Minute | Pro Minute Audio |
Ebenfalls verfügbar: Sonilo Proofread, Qwen Audio 3.1 ASR, Qwen Audio 3.1 ASR Stream, Qwen Audio 3.1 ASR Message
Ja. Automatische Spracherkennung (ASR) ist der technische Name zur Umwandlung von Sprache in Text, und eine speech-to-text- oder Transkriptions-API stellt sie Ihrem Code zur Verfügung.
Ja, bei Modellen, die Diarisierung unterstützen. Das Transkript beschriftet jeden Teil mit einem Sprecher, damit du sehen kannst, wer was gesagt hat.
Ja. Live-Transkriptionsmodelle streamen Text über einen WebSocket zurück, während die Person spricht. Aufnahmen verwenden stattdessen den Datei-Transkriptionsendpunkt.
Ja, bei Modellen, die SRT oder VTT zurückgeben. Diese Untertitelformate tragen jede Textzeile mit ihrer Start- und Endzeit.
Die meisten Modelle rechnen nach der Länge des Audios, pro Minute oder pro Stunde, und manche nach Audio-Tokens. Auf EmpirioLabs AI können Sie nach Bezahlung bezahlen oder einen Plan mit wöchentlichen Zulagen wählen.
StepAudio 2.5 ASR hat den niedrigsten Tarif pro Audiominute der 9 Transkription Modelle mit dieser Abrechnung, gefolgt von Qwen Audio 3.0 ASR, Whisper Large v3 Turbo. Die Preistabelle auf dieser Seite zeigt den niedrigsten Tarif jedes Modells und wofür er gilt.
Schauen Sie sich unsere Preise an oder kontaktieren Sie uns, wenn Sie Ihr eigenes Modell auf unserem Stack implementieren möchten.