什么是speech-to-text API?

speech-to-text API 将语音音频转录成书面文本。你上传录音或传递其 URL,或直播音频,API 返回转录文本,并在支持这些内容的模型上标注时间戳、说话者标签或字幕文件。

模型类型

speech-to-text API 的作用

speech-to-text API,也称为转录或自动语音识别(ASR)API,将音频或视频文件中的口语转换为文本。最简单的结果是纯文字转录。根据模型的不同,API 还可以返回:

  • 时间戳 针对每个片段或单词,用于字幕和可搜索回放。
  • 扬声器标签 那个说话每个部分的马克,一个叫做日记化的功能。
  • 字幕文件 以 SRT 或 VTT 格式。
  • 格式化 标点符号、数字和日期,以及个人信息的掩盖。
  • 翻译 将语音翻译成英语,或基于专为字幕设计的模型翻译成其他语言。

许多模型会自动识别口语,有些则接受关键术语列表,如产品名称或行话,以便更可靠地识别它们。

文件转录与现场转录

如需录音,请发送 /v1/audio/transcriptions后 其中有模型 ID 和文件作为多部分上传或其 HTTPS URL 的 file_url.API 会在响应中返回转录本。较长的转录可以返回一个职位 ID,你只需在该 ID 进行轮询 快/v1/jobs/{job_id},以及 偏好:异步响应 立刻要求提供职位编号。

对于实时语音,比如通话或现场活动,实时转录模型会通过 实时语音 WebSocket at /v1/realtime.根据模型的不同,部分单词会在说话时出现,每个停顿时会收到固定的文字记录。

speech-to-text用途

  • 会议和电话。 当你把文字记录交给 LLM API。 。 。.
  • 字幕和字幕。 视频、课程和直播的定时文本。
  • 语音输入。 在应用程序中提供语音输入、语音消息和口头指令。
  • 媒体档案。 让播客和视频可搜索的文字稿。
  • 本地化。 为其他语言制作视频准备的文字稿和翻译字幕轨。

该比较哪些转录模型

  • 音频的准确性。 用真实录音测试,包含你的口音、背景噪音、串扰和领域词汇。
  • 语言和方言。 检查你需要的所有语言,包括混合语言的语言。
  • 输出详情。 Word 时间戳、说话者标签、字幕格式和格式选项。
  • 要么在线,要么直播。 实时字幕需要一个能通过 WebSocket 进行流式传输的模型。完成的录制会被发送到文件端点。
  • 价格。 大多数转录模型按音频长度计费,如每分钟或每小时计费,有些则按音频代币计费,因此成本会随着录音长度增加而增加。

并排模型比较 同时展示两个型号的性能和速率。

试着在EmpirioLabs AI上调用一个转录模型

浏览 转录模型 并上传录音于 Playground 测试一个模型。要调用模型,请在仪表板中创建一个 API 密钥并发送音频到 https://api.empiriolabs.ai/v1/audio/transcriptions.该 转录参考 列出请求字段和响应格式,以及 实时语音 API 指南 涵盖现场转录。

按需付费,或选择带有每周津贴的计划。当前费率详见 定价页面。 。 。.

EmpirioLabs AI 上的转录模型

共 13 个模型;计费单位相同的按价格从低到高排列。每个模型的页面都有完整价目表、参数和代码。

端点

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

按音频分钟或小时计价

模型最低费率适用于
StepAudio 2.5 ASR StepFun$0.05 每小时音频转录
Qwen Audio 3.0 ASR Alibaba Cloud$0.252 每小时音频转录
Whisper Large v3 Turbo OpenAI$0.042$0.005 每分钟音频受控转录
StepAudio 2.5 ASR Stream StepFun$0.40 每小时音频转录
StepAudio 3 ASR Max StepFun$0.60 每小时音频转录
Qwen Audio 3.0 ASR Stream Alibaba Cloud$0.648 每小时音频转录
Deepgram Nova-3 Deepgram$0.014 每分钟音频转录
Deepgram Nova-3 Stream Deepgram$0.025 每分钟音频转录
OpenAI Whisper 1 OpenAI$0.030 每分钟每分钟音频

另有: Sonilo Proofread, Qwen Audio 3.1 ASR, Qwen Audio 3.1 ASR Stream, Qwen Audio 3.1 ASR Message

常见问题

speech-to-text和ASR是一样的吗?

是的。自动语音识别(ASR)是将语音转换为文本的技术名称,而speech-to-text或转录API使它可用于你的代码。

speech-to-text API 能区分不同的扬声器吗?

是的,在支持日记化的模型上。文字记录会标注每个部分的发言者,这样你就能看出谁说了什么。

我可以转录现场音频吗?

是的。实时转录模型会在听众说话时通过 WebSocket 将文本流回。录音则使用文件转录端点。

我能通过转录 API 获取字幕吗?

是的,适用于返回SRT或VTT的型号。这些字幕格式会包含每行文本及其开始和结束时间。

speech-to-text定价如何?

大多数型号按音频长度计费,按分钟或小时计费,有些按音频代币计费。EmpirioLabs AI 上你可以按使用量付费,或者选择带周配额的套餐。

在 EmpirioLabs AI 上,哪个 转录 模型最便宜?

在按此方式计价的 9 个 转录 模型中,StepAudio 2.5 ASR 的每分钟音频费率最低,其次是 Qwen Audio 3.0 ASR, Whisper Large v3 Turbo。本页的价格表列出了每个模型的最低费率及其适用范围。

准备好使用更好的终端了吗?

查看我们的定价,或者如果你想将自己的模型部署到我们的堆栈中,请联系我们。