การแปลงเสียงเป็นข้อความและการถอดเสียง API

ข้อมูลนำเข้า

ไฟล์เสียงหรือเพย์โหลด input_audio แบบ base64 ขึ้นอยู่กับ api_mode ของโมเดล

เอาต์พุต

ข้อความถอดเสียงหรือคำตอบการถอดเสียงที่มีโครงสร้าง

จุดสิ้นสุด

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

วงจรชีวิต

ทำงานแบบซิงโครนัสสำหรับโหมดปลายทางสาธารณะที่ระบุไว้ บันทึกการถอดเสียงและจัดการรูปแบบไฟล์ที่ถูกปฏิเสธอย่างชัดเจน

stepaudio-2-asr-pro

StepFun StepAudio 2 ASR Pro — การรู้จำเสียงพูดขนาด 32B พารามิเตอร์ เป็นตัวเลือกที่เน้นความแม่นยำในสาย ASR ของ StepFun ขณะที่ stepaudio-2.5-asr เป็นตัวเลือกที่เน้นความเร็วและต้นทุน รับไฟล์ ogg, mp3 และ wav โดยไม่คิดค่าบริการสำหรับผลลัพธ์การถอดเสียง

หน้าที่: ถอดเสียงเป็นข้อความ

จุดสิ้นสุด: POST /v1/audio/transcriptions

ตัวอย่างค่าใช้จ่าย: 1 ชั่วโมงเสียง × $0.296296 = $0.296296.

mimo-v2.5-asr

Xiaomi การรู้จำเสียงพูดสำหรับภาษาจีน ภาษาอังกฤษ การสลับภาษา สำเนียงท้องถิ่น การ MiMo-V2.5-ASR ที่มีเสียงรบกวน เสียงจากระยะไกล ผู้พูดหลายคน และเนื้อเพลง

หน้าที่: ถอดเสียงเป็นข้อความ

จุดสิ้นสุด: POST /v1/chat/completions

ตัวอย่างค่าใช้จ่าย: 1 ชั่วโมงเสียง × $0.074 = $0.074.

qwen3-asr-flash

Qwen3-ASR-Flash การถอดเสียงไฟล์หลายภาษาพร้อมคำแนะนำภาษา การปรับข้อความให้เป็นมาตรฐานแบบผกผัน การจดจำอารมณ์ และการป้อนข้อมูล OpenAI-compatible

หน้าที่: ถอดเสียงเป็นข้อความ

จุดสิ้นสุด: POST /v1/audio/transcriptions

ตัวอย่างค่าใช้จ่าย: 1 ชั่วโมงเสียง × $0.126 = $0.126.

stepaudio-2.5-asr

StepAudio โมเดลการถอด 2.5 สตรี 4B ASR MTP สำหรับการจดจำภาษาจีน-อังกฤษอย่างรวดเร็ว การปรับมาตรฐาน ITN คำบรรยาย การประชุม และตัวแทนเสียง

หน้าที่: ถอดเสียงเป็นข้อความ

จุดสิ้นสุด: POST /v1/audio/transcriptions

ตัวอย่างค่าใช้จ่าย: 1 ชั่วโมงเสียง × $0.022 = $0.022.