Qu’est-ce qu’une API speech-to-text ?

Une API speech-to-text transcrit l’audio parlé en texte écrit. Vous téléversez un enregistrement ou transmettez son URL, ou diffusez de l’audio en direct, et l’API renvoie la transcription, avec des horodatages, des étiquettes de haut-parleurs ou des fichiers sous-titres sur les modèles qui les supportent.

Types de modèles

Ce qu’une API speech-to-text fait

Une API speech-to-text, également appelée API de transcription ou de reconnaissance vocale automatique (ASR), convertit les mots prononcés dans un fichier audio ou vidéo en texte. Le résultat le plus simple est une transcription simple. Selon le modèle, l’API peut également renvoyer:

  • Horodatages pour chaque segment ou mot, pour les légendes et la lecture consultable.
  • Étiquettes des haut-parleurs Cette marque qui disait chaque partie d’une conversation, une caractéristique appelée diarisation.
  • Fichiers de sous-titres au format SRT ou VTT.
  • Mise en forme de la ponctuation, des chiffres et des dates, ainsi que du masquage des informations personnelles.
  • Traduction de la parole en anglais, ou dans d’autres langues sur des modèles conçus pour le sous-titrage.

De nombreux modèles détectent automatiquement la langue parlée, et certains acceptent une liste de termes clés, tels que les noms de produits ou le jargon, pour les reconnaître plus efficacement.

Transcription de fichier et transcription en direct

Pour un enregistrement, envoyez APRÈS /v1/audio/transcriptions avec l’ID du modèle et soit le fichier en tant qu’envoi multipartite, soit son URL HTTPS dans file_url. L’API renvoie la transcription dans la réponse. Une transcription longue peut retourner un ID de tâche à la place, auquel vous interrogez ALLEZ-/v1/jobs/{job_id}, et l’en-tête Prefer: respond-async demande immédiatement une carte d’identification de poste.

Pour la parole au moment où elle se produit, comme un appel ou un événement en direct, les modèles de transcription en direct diffusent du texte en retour sur le Voix en temps réel WebSocket à /v1/realtime. Selon le modèle, des mots partiels arrivent pendant que la personne parle, et une transcription stable arrive à chaque pause.

À quoi sert speech-to-text

  • Réunions et appels. Notes et résumés consultables lorsque vous transmettez la transcription à un LLM API.
  • Légendes et sous-titres. Texte chronométré pour les vidéos, les cours et les flux en direct.
  • Entrée vocale. Dictée, messages vocaux et commandes vocales dans les applications.
  • Archives médiatiques. Des transcriptions qui rendent les podcasts et vidéos consultables.
  • Localisation. Transcriptions et pistes de sous-titres traduites qui préparent une vidéo pour d’autres langues.

Que comparer entre les modèles de transcription

  • Précision de votre audio. Testez avec de vrais enregistrements incluant vos accents, le bruit de fond, la crosstalk et le vocabulaire du domaine.
  • Langues et dialectes. Vérifiez toutes les langues dont vous avez besoin, y compris la parole qui mélange les langues.
  • Détails de sortie. Dates de mots (timestamps), étiquettes des haut-parleurs, formats de sous-titres et options de formatage.
  • Enregistrer ou vivre. Les sous-titres en direct nécessitent un modèle qui diffuse sur WebSocket. Les enregistrements terminés vont vers le point de terminaison du fichier.
  • Prix. La plupart des modèles de transcription facturent selon la durée de l’audio, par minute ou par heure, et certains facturent par jetons audio, donc le coût augmente avec la durée de l’enregistrement.

Comparaisons de modèles côte à côte Afficher les capacités et les taux de deux modèles ensemble.

Essayez d’appeler un modèle de transcription sur EmpirioLabs AI

Parcourez le Modèles de transcription et téléverser un enregistrement dans le Playground pour en tester un. Pour appeler un modèle, créez une clé API dans le tableau de bord et envoyez l’audio à https://api.empiriolabs.ai/v1/audio/transcriptions. Le Référence de transcription liste les champs de requête et les formats de réponse, et le Guide de l’API vocale en temps réel couvre la transcription en direct.

Payez au fur et à mesure, ou choisissez un plan avec des indemnités hebdomadaires. Les tarifs actuels sont sur le page de prix.

Modèles Transcription sur EmpirioLabs AI

13 modèles, du moins cher au plus cher lorsqu'ils partagent une unité de facturation. La page de chaque modèle présente sa grille tarifaire complète, ses paramètres et du code.

Endpoints

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

Prix par minute ou par heure d'audio

ModèleTarif le plus basS'applique à
StepAudio 2.5 ASR StepFun$0.05 par heure d’audioTranscription
Qwen Audio 3.0 ASR Alibaba Cloud$0.252 par heure d’audioTranscription
Whisper Large v3 Turbo OpenAI$0.042$0.005 par minute d’audioTranscription contrôlée
StepAudio 2.5 ASR Stream StepFun$0.40 par heure d’audioTranscription
StepAudio 3 ASR Max StepFun$0.60 par heure d’audioTranscription
Qwen Audio 3.0 ASR Stream Alibaba Cloud$0.648 par heure d’audioTranscription
Deepgram Nova-3 Deepgram$0.014 par minute d’audioTranscription
Deepgram Nova-3 Stream Deepgram$0.025 par minute d’audioTranscription
OpenAI Whisper 1 OpenAI$0.030 par minutePar minute d’audio

Également disponibles : Sonilo Proofread, Qwen Audio 3.1 ASR, Qwen Audio 3.1 ASR Stream, Qwen Audio 3.1 ASR Message

Questions fréquentes

Est-ce speech-to-text la même chose que l’ASR ?

Oui. La reconnaissance vocale automatique (ASR) est le nom technique pour convertir la parole en texte, et une API de speech-to-text ou de transcription la rend accessible à votre code.

Une API speech-to-text peut-elle distinguer les différents haut-parleurs ?

Oui, sur les modèles qui supportent la diarisation. La transcription étiquete chaque partie avec un haut-parleur, pour que vous puissiez voir qui a dit quoi.

Puis-je transcrire de l’audio en direct ?

Oui. Les modèles de transcription en direct diffusent du texte via un WebSocket pendant que la personne parle. Les enregistrements utilisent plutôt le point de terminaison de transcription de fichiers.

Puis-je obtenir des sous-titres via une API de transcription ?

Oui, sur les modèles qui retournent SRT ou VTT. Ces formats de sous-titres contiennent chaque ligne de texte avec son heure de début et de fin.

Comment speech-to-text est-il tarifé ?

La plupart des modèles facturent selon la durée de l’audio, par minute ou par heure, et certains facturent par jetons audio. Sur EmpirioLabs AI vous pouvez payer à l’avance ou choisir un forfait avec des quotas hebdomadaires.

Quel modèle Transcription coûte le moins cher sur EmpirioLabs AI ?

StepAudio 2.5 ASR affiche le tarif par minute d'audio le plus bas des 9 modèles Transcription facturés de cette façon, suivi de Qwen Audio 3.0 ASR, Whisper Large v3 Turbo. Le tableau des prix de cette page indique le tarif le plus bas de chaque modèle et ce à quoi il s'applique.

Prêt à utiliser de meilleurs points de terminaison ?

Consultez nos tarifs ou contactez-nous si vous souhaitez que votre propre modèle soit déployé sur notre stack.