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。
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:
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。
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。
并排模型比较 同时展示两个型号的性能和速率。
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。 。 。.
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
/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
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。
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。
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。
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。
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。