跳转到主要内容
POST
语音转写

授权

Authorization
string
header
必填

Bearer authentication header of the form Bearer <token>, where <token> is your auth token.

请求体

multipart/form-data
file
file
必填

待转写的音频文件。

model
file
必填

语音转写模型 ID。

language
string

输入音频语言,建议使用 ISO 639-1 语言代码。

示例:

"zh"

languages
string[]

可能出现的语言代码。

示例:

"zh,en"

prompt
string

用于指导转写风格、术语和上下文的提示词。

示例:

"会议纪要术语:Tikway"

keywords
string[]

需要重点识别的词语或短语。

示例:

"Tikway,API"

response_format
string

响应格式。

示例:

"json"

temperature
string

采样温度。

示例:

"0"

stream
number

是否使用 SSE 流式返回。

示例:

"false"

chunking_strategy
boolean

分块策略。

示例:

"auto"

known_speaker_names
string[]

已知说话人名称。

示例:

"Alice,Bob"

known_speaker_references
string[]

已知说话人的音频 Base64 data URL。

示例:

"data:audio/wav;base64,UklGRg=="

响应

200 - application/json

非流式语音转写 JSON 响应。兼容普通转写、详细时间戳转写和说话人分离结果。

text
string
必填

完整转写文本。

task
string

任务类型。详细 JSON 和说话人分离响应通常返回该字段。

Allowed value: "transcribe"
language
string

检测或使用的音频语言。

duration
number

音频时长,单位为秒。

必填范围: x >= 0
words
object[]

词级时间戳,仅请求 word 粒度时返回。

segments
object[]

分段转写结果。verbose_json 返回时间戳分段;diarized_json 还会返回说话人信息。

logprobs
object[]

请求 include[]=logprobs 时可能返回。

usage
TokenUsage · object

上游返回的 token 或音频时长用量。