Was ist eine speech-to-text-API?

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.

Modellarten

Was eine speech-to-text-API bewirkt

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:

  • Zeitstempel Für jedes Segment oder Wort für Untertitel und durchsuchbare Wiedergabe.
  • Lautsprecherbezeichnungen Dieser Mark, der jeden Teil eines Gesprächs sagte, ein Merkmal namens Tagebuchbearbeitung.
  • Untertiteldateien im SRT- oder VTT-Format.
  • Formatierung von Interpunktion, Zahlen und Daten sowie Verschleierung persönlicher Informationen.
  • Übersetzung der Sprache ins Englische oder in andere Sprachen auf Modellen für Untertitelung.

Viele Modelle erkennen die gesprochene Sprache automatisch, und einige akzeptieren eine Liste von Schlüsselbegriffen wie Produktnamen oder Fachjargon, um diese zuverlässiger zu erkennen.

Dateitranskription und Live-Transkription

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.

Wofür speech-to-text verwendet wird

  • Meetings und Anrufe. Durchsuchbare Notizen und Zusammenfassungen, wenn du das Transkript an einen weitergibst LLM-API.
  • Untertitel und Untertitel. Zeitgesteuerter Text für Videos, Kurse und Livestreams.
  • Spracheingabe. Diktat, Sprachnachrichten und gesprochene Befehle in Apps.
  • Medienarchive. Transkripte, die Podcasts und Videos durchsuchbar machen.
  • Lokalisierung. Transkriptionen und übersetzte Untertitelspuren, die ein Video für andere Sprachen vorbereiten.

Was zwischen Transkriptionsmodellen zu vergleichen ist

  • Genauigkeit bei deinem Audio. Teste es mit echten Aufnahmen, die deine Akzente, Hintergrundgeräusche, Crosstalk und Domänenwortschatz enthalten.
  • Sprachen und Dialekte. Überprüfe jede Sprache, die du brauchst, einschließlich Sprache, die Sprachen mischt.
  • Ausgabedetail. Wortzeitstempel, Lautsprecherbezeichnungen, Untertitelformate und Formatierungsoptionen.
  • Archivieren oder live. Live-Untertitel benötigen ein Modell, das über den WebSocket gestreamt wird. Fertige Aufnahmen werden an den Dateiendpunkt gesendet.
  • Preis. Die meisten Transkriptionsmodelle rechnen nach der Länge des Audios, pro Minute oder pro Stunde, und einige nach Audio-Tokens, sodass die Kosten mit der Dauer der Aufnahme steigen.

Modellvergleiche direkt nebeneinander zeigen Sie die Fähigkeiten und Raten zweier Modelle zusammen.

Versuche, auf EmpirioLabs AI ein Transkriptionsmodell anzurufen.

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.

Transkription Modelle auf EmpirioLabs AI

13 Modelle, günstigste zuerst, wo sie eine Abrechnungseinheit teilen. Die Seite jedes Modells zeigt die vollständige Preisliste, Parameter und Code.

Endpunkte

POST /v1/audio/transcriptions WEBSOCKET /v1/realtime

Preis pro Minute oder Stunde Audio

ModellNiedrigster TarifGilt für
StepAudio 2.5 ASR StepFun$0.05 pro Stunde AudioTranskription
Qwen Audio 3.0 ASR Alibaba Cloud$0.252 pro Stunde AudioTranskription
Whisper Large v3 Turbo OpenAI$0.042$0.005 pro Minute AudioKontrollierte Transkription
StepAudio 2.5 ASR Stream StepFun$0.40 pro Stunde AudioTranskription
StepAudio 3 ASR Max StepFun$0.60 pro Stunde AudioTranskription
Qwen Audio 3.0 ASR Stream Alibaba Cloud$0.648 pro Stunde AudioTranskription
Deepgram Nova-3 Deepgram$0.014 pro Minute AudioTranskription
Deepgram Nova-3 Stream Deepgram$0.025 pro Minute AudioTranskription
OpenAI Whisper 1 OpenAI$0.030 pro MinutePro Minute Audio

Ebenfalls verfügbar: Sonilo Proofread, Qwen Audio 3.1 ASR, Qwen Audio 3.1 ASR Stream, Qwen Audio 3.1 ASR Message

Häufige Fragen

Ist speech-to-text dasselbe wie ASR?

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.

Kann eine speech-to-text-API verschiedene Lautsprecher voneinander unterscheiden?

Ja, bei Modellen, die Diarisierung unterstützen. Das Transkript beschriftet jeden Teil mit einem Sprecher, damit du sehen kannst, wer was gesagt hat.

Kann ich Live-Audio transkribieren?

Ja. Live-Transkriptionsmodelle streamen Text über einen WebSocket zurück, während die Person spricht. Aufnahmen verwenden stattdessen den Datei-Transkriptionsendpunkt.

Kann ich Untertitel über eine Transkriptions-API abrufen?

Ja, bei Modellen, die SRT oder VTT zurückgeben. Diese Untertitelformate tragen jede Textzeile mit ihrer Start- und Endzeit.

Wie ist speech-to-text bepreist?

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.

Welches Transkription Modell ist bei EmpirioLabs AI am günstigsten?

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.

Bereit, bessere Endpunkte zu nutzen?

Schauen Sie sich unsere Preise an oder kontaktieren Sie uns, wenn Sie Ihr eigenes Modell auf unserem Stack implementieren möchten.