O que é uma API speech-to-text?

Uma API speech-to-text transcreve áudio falado em texto escrito. Você faz upload de uma gravação ou passa sua URL, ou transmite áudio ao vivo, e a API retorna a transcrição, com timestamps, etiquetas de alto-falantes ou arquivos de legendas nos modelos que os suportam.

Tipos de modelos

O que uma API speech-to-text faz

Uma API speech-to-text, também chamada de API de transcrição ou reconhecimento automático de fala (ASR), converte as palavras faladas em um arquivo de áudio ou vídeo em texto. O resultado mais simples é uma transcrição simples. Dependendo do modelo, a API também pode retornar:

  • Timestamps para cada segmento ou palavra, para legendas e reprodução pesquisável.
  • Rótulos dos alto-falantes Aquele Mark que dizia cada parte de uma conversa, uma característica chamada diarização.
  • Arquivos de legendas em formato SRT ou VTT.
  • Formatação de pontuação, números e datas, e mascaramento de informações pessoais.
  • Tradução da fala para o inglês, ou para outros idiomas em modelos construídos para legendagem.

Muitos modelos detectam a linguagem falada automaticamente, e alguns aceitam uma lista de termos-chave, como nomes de produtos ou jargão, para reconhecê-los com mais confiabilidade.

Transcrição de arquivo e transcrição ao vivo

Para uma gravação, envie PÓS-/v1/audio/transcriptions com o ID do modelo e o arquivo como upload multiparte ou sua URL HTTPS em file_url. A API retorna a transcrição na resposta. Uma transcrição longa pode retornar um ID de tarefa em vez disso, que você faz sondagem em VÁ /v1/jobs/{job_id}, e o cabeçalho Preferir: respond-async pede um ID de emprego imediatamente.

Para fala enquanto acontece, como uma chamada ou um evento ao vivo, modelos de transcrição ao vivo transmitem texto de volta pelo voz em tempo real WebSocket em /v1/realtime. Dependendo do modelo, palavras parciais chegam enquanto a pessoa fala, e uma transcrição consolidada chega a cada pausa.

Para que speech-to-text é usado

  • Reuniões e ligações. Notas e resumos pesquisáveis quando você passa a transcrição para um LLM API.
  • Legendas e legendas. Texto cronometrado para vídeos, cursos e transmissões ao vivo.
  • Entrada de voz. Ditado, mensagens de voz e comandos falados em aplicativos.
  • Arquivos de mídia. Transcrições que tornam podcasts e vídeos pesquisáveis.
  • Localização. Transcrições e faixas de legendas traduzidas que preparam um vídeo para outros idiomas.

O que comparar entre modelos de transcrição

  • Precisão no áudio. Teste com gravações reais que incluam seus sotaques, ruído de fundo, crosstalk e vocabulário de domínio.
  • Línguas e dialetos. Verifique todos os idiomas que você precisa, incluindo fala que misture idiomas.
  • Detalhes da saída. Carimbos de data/hora do Word, etiquetas dos alto-falantes, formatos de legendas e opções de formatação.
  • Arquivo ou ao vivo. Legendas ao vivo precisam de um modelo que transmita pelo WebSocket. As gravações finalizadas vão para o endpoint do arquivo.
  • Price. A maioria dos modelos de transcrição cobra pelo comprimento do áudio, por minuto ou por hora, e alguns cobram por tokens de áudio, então o custo aumenta com o tempo da gravação.

Comparações de modelos lado a lado Mostrar as capacidades e taxas de dois modelos juntos.

Tente chamar um modelo de transcrição no EmpirioLabs AI

Navegar pelo Modelos de transcrição e envie uma gravação no Playground para testar um. Para chamar um modelo, crie uma chave API no painel e envie o áudio para https://api.empiriolabs.ai/v1/audio/transcriptions. O Referência de transcrição lista os campos de solicitação e os formatos de resposta, e o Guia da API de Voz em Tempo Real Covers Live Transcription.

Pague conforme você utiliza, ou escolha um plano com subsídios semanais. As tarifas atuais estão no página de preços.

Modelos de Transcrição no EmpirioLabs AI

13 modelos, do mais barato para o mais caro quando compartilham uma unidade de cobrança. A página de cada modelo traz a tabela de preços completa, os parâmetros e código.

Endpoints

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

Preço por minuto ou hora de áudio

ModeloMenor tarifaAplica-se a
StepAudio 2.5 ASR StepFun$0.05 por hora de áudioTranscrição
Qwen Audio 3.0 ASR Alibaba Cloud$0.252 por hora de áudioTranscrição
Whisper Large v3 Turbo OpenAI$0.042$0.005 por minuto de áudioTranscrição controlada
StepAudio 2.5 ASR Stream StepFun$0.40 por hora de áudioTranscrição
StepAudio 3 ASR Max StepFun$0.60 por hora de áudioTranscrição
Qwen Audio 3.0 ASR Stream Alibaba Cloud$0.648 por hora de áudioTranscrição
Deepgram Nova-3 Deepgram$0.014 por minuto de áudioTranscrição
Deepgram Nova-3 Stream Deepgram$0.025 por minuto de áudioTranscrição
OpenAI Whisper 1 OpenAI$0.030 por minutoPor minuto de áudio

Também disponíveis: Sonilo Proofread, Qwen Audio 3.1 ASR, Qwen Audio 3.1 ASR Stream, Qwen Audio 3.1 ASR Message

Perguntas frequentes

speech-to-text é a mesma coisa que ASR?

Sim. Reconhecimento automático de fala (ASR) é o nome técnico para converter fala em texto, e uma API de speech-to-text ou transcrição o disponibiliza para o seu código.

Uma API speech-to-text consegue diferenciar diferentes alto-falantes?

Sim, em modelos que suportam diarização. A transcrição rotulou cada parte com um alto-falante, assim você pode ver quem disse o quê.

Posso transcrever áudio ao vivo?

Sim. Modelos de transcrição ao vivo transmitem texto de volta por um WebSocket enquanto a pessoa está falando. Gravações usam o endpoint de transcrição de arquivos em vez disso.

Posso obter legendas de uma API de transcrição?

Sim, em modelos que retornam SRT ou VTT. Esses formatos de legenda trazem cada linha de texto com seu horário de início e fim.

Como speech-to-text é precificado?

A maioria dos modelos cobra pelo comprimento do áudio, por minuto ou por hora, e alguns cobram por tokens de áudio. Em EmpirioLabs AI você pode pagar conforme vai ou escolher um plano com alocações semanais.

Qual modelo Transcrição custa menos no EmpirioLabs AI?

StepAudio 2.5 ASR tem a menor tarifa por minuto de áudio entre os 9 modelos Transcrição com esse tipo de cobrança, seguido de Qwen Audio 3.0 ASR, Whisper Large v3 Turbo. A tabela de preços desta página mostra a menor tarifa de cada modelo e a que ela se aplica.

Pronto para usar endpoints melhores?

Confira nossos preços ou entre em contato se quiser que seu próprio modelo seja implementado em nossa pilha.