音声認識と文字起こしAPI

入力

モデルのapi_modeに応じて、音声ファイルまたはbase64のinput_audioペイロード。

出力

書き起こしテキスト、または構造化された書き起こし応答。

終点

POST /v1/audio/transcriptions or POST /v1/chat/completions with input_audio, according to api_mode

ライフサイクル

記載されている公開エンドポイントモードに対して同期的に動作します。トランスクリプトを永続化し、拒否されたファイル形式を明示的に処理します。

stepaudio-2-asr-pro

StepFun StepAudio 2 ASR Pro — パラメータ32Bの音声認識モデルで、StepFunのASR系では精度重視の選択肢、stepaudio-2.5-asrは速度とコスト重視の選択肢です。ogg、mp3、wavのアップロードを受け付け、文字起こしの出力は課金されません。

タスク: 文字起こし

終点： POST /v1/audio/transcriptions

費用例： 1音声時間 × $0.296296 = $0.296296。

mimo-v2.5-asr

Xiaomi MiMo-V2.5-ASR — 中国語、英語、コードスイッチング、地域方言、ノイズの多い録音、遠距離音声、複数話者、歌詞の音声認識。

タスク: 文字起こし

終点： POST /v1/chat/completions

費用例： 1音声時間 × $0.074 = $0.074。

qwen3-asr-flash

Qwen3-ASR-Flash — 言語ヒント、逆テキスト正規化、感情認識、およびOpenAI-compatible音声入力による多言語ファイル文字起こし。

タスク: 文字起こし

終点： POST /v1/audio/transcriptions

費用例： 1音声時間 × $0.126 = $0.126。

stepaudio-2.5-asr

StepAudio 2.5 ASR — 中国語-英語の高速認識、ITN正規化、字幕、会議、音声エージェントのための4B MTP ストリーミング文字起こしモデル。

タスク: 文字起こし

終点： POST /v1/audio/transcriptions

費用例： 1音声時間 × $0.022 = $0.022。