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.
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:
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.
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.
Comparaisons de modèles côte à côte Afficher les capacités et les taux de deux modèles ensemble.
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.
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
/v1/audio/transcriptions WEBSOCKET /v1/realtimePrix par minute ou par heure d'audio
| Modèle | Tarif le plus bas | S'applique à |
|---|---|---|
| StepAudio 2.5 ASR StepFun | $0.05 par heure d’audio | Transcription |
| Qwen Audio 3.0 ASR Alibaba Cloud | $0.252 par heure d’audio | Transcription |
| Whisper Large v3 Turbo OpenAI | $0.042$0.005 par minute d’audio | Transcription contrôlée |
| StepAudio 2.5 ASR Stream StepFun | $0.40 par heure d’audio | Transcription |
| StepAudio 3 ASR Max StepFun | $0.60 par heure d’audio | Transcription |
| Qwen Audio 3.0 ASR Stream Alibaba Cloud | $0.648 par heure d’audio | Transcription |
| Deepgram Nova-3 Deepgram | $0.014 par minute d’audio | Transcription |
| Deepgram Nova-3 Stream Deepgram | $0.025 par minute d’audio | Transcription |
| OpenAI Whisper 1 OpenAI | $0.030 par minute | Par minute d’audio |
Également disponibles : Sonilo Proofread, Qwen Audio 3.1 ASR, Qwen Audio 3.1 ASR Stream, Qwen Audio 3.1 ASR Message
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.
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.
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.
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.
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.
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.
Consultez nos tarifs ou contactez-nous si vous souhaitez que votre propre modèle soit déployé sur notre stack.