API تبدیل گفتار به متن فارسی؛ متن جلسه با جداسازی گوینده
تبدیل صدای جلسه به متن وقتی به کار میآید که معلوم باشد هر جمله را چه کسی گفته است. وان ای آی (1ai) مسیر POST /v1/audio/transcriptions را با همان قالب OpenAI دارد و چند مدل رونویسی در آن میآید. مدل GPT-4o Transcribe Diarize علاوه بر متن، گوینده و زمان شروع و پایان هر بخش را برمیگرداند. در آزمون ما روی یک گفتگوی فارسی دونفره هر دو گوینده را درست جدا کرد. متن رونویسی ممکن است در چند واژه خطا داشته باشد، پس برای صورتجلسهی رسمی آن را بازبینی کنید.
چرا با 1ai
گوینده و زمان
هر بخش از متن گوینده، زمان شروع و زمان پایان دارد؛ برای صورتجلسه و مصاحبه آماده است.
فارسی آزمودهشده
مدلها را پیش از عرضه با صدای فارسی آزمودهایم و مدلی که فارسی را نفهمد عرضه نمیشود.
قالب OpenAI
همان مسیر و همان فیلدها؛ SDK فعلی شما با عوض کردن نشانی پایه کار میکند.
هزینه به اندازهی صدا
هزینه از روی مدت واقعی صدا حساب میشود و در هدر پاسخ میآید.
در چند قدم
- ۱
کلید بسازید
از بخش توسعهدهندگان ← کلیدها یک کلید بسازید.
- ۲
فایل را بفرستید
فایل صوتی را در فیلد file بفرستید؛ حداکثر ۲۵ مگابایت. فایل بزرگتر را تکه کنید.
- ۳
قالب پاسخ را انتخاب کنید
برای گوینده و زمان، response_format را diarized_json بگذارید.
- ۴
متن را بازبینی کنید
نامها و عددها را با صدا مقایسه کنید و به جای A و B نام افراد را بگذارید.
مدلهای تبدیل گفتار به متن در API
همهی مدلهاGPT-4o Transcribe Diarize
متن جلسه با مشخص شدن هر گوینده
نمونه درخواست با curl
curl https://1ai.ir/v1/audio/transcriptions \
-H "Authorization: Bearer $ONEAI_API_KEY" \
-F model=openai/gpt-4o-transcribe-diarize \
-F response_format=diarized_json \
-F file=@meeting.mp3قالب پاسخ
{
"model": "openai/gpt-4o-transcribe-diarize",
"text": "سلام، جلسه را شروع میکنیم. گزارش آماده است؟ بله، آماده است.",
"duration": 12.4,
"segments": [
{ "speaker": "A", "start": 0.0, "end": 4.6, "text": "سلام، جلسه را شروع میکنیم. گزارش آماده است؟" },
{ "speaker": "B", "start": 5.6, "end": 11.5, "text": "بله، آماده است." }
]
}گویندهها با حرف نامگذاری میشوند و مدل نام واقعی افراد را نمیداند.
از متن جلسه تا صورتجلسه
متن را به یک مدل چت بدهید و بخواهید تصمیمها و کارهای هر نفر را بیرون بکشد:
lines = "\n".join(f"{s['speaker']}: {s['text']}" for s in result["segments"])
reply = client.chat.completions.create(
model="qwen/qwen3.8-flash",
messages=[{"role": "user", "content": f"از این متن جلسه، تصمیمها و کارهای هر نفر را فهرست کن:\n\n{lines}"}],
)اگر فقط خلاصه میخواهید و متن کامل لازم نیست، تحلیل صدا با API مسیر کوتاهتری است.
نکتههایی برای نتیجهی بهتر
- میکروفن نزدیک و اتاق کمنویز بیشترین اثر را دارد.
- وقتی چند نفر همزمان حرف میزنند، جداسازی گوینده دقت کمتری دارد.
- پیش از ضبط و پردازش صدای افراد، از آنها اجازه بگیرید.
سوالات متداول
متن فارسی چقدر دقیق است؟
جملهها در آزمون ما درست فهمیده شدند، ولی چند واژه خطا داشت، مثلاً «جلست» به جای «جلسه». این مدل برای پیشنویس صورتجلسه خوب است و متن رسمی به بازبینی نیاز دارد.
چند گوینده را جدا میکند؟
ما آن را با دو گوینده آزمودهایم و هر دو را درست جدا کرد. با افراد بیشتر و صدای همزمان دقت پایین میآید؛ روی نمونهی خودتان امتحان کنید.
فایل حداکثر چقدر میتواند باشد؟
هر فایل حداکثر ۲۵ مگابایت است. فایل طولانیتر را تکه کنید و بخشها را جدا بفرستید. در این حالت حرفهای گویندهها بین تکهها یکسان نامگذاری نمیشوند.
هزینه چطور حساب میشود؟
به ازای مدت صدا. قیمت هر مدل در جدول مدلها آمده و هزینهی هر درخواست در هدر x-1ai-credits برمیگردد.
زیرنویس SRT هم میدهد؟
مدلهای رونویسی معمولی srt و vtt میدهند، اگر مدل از آن پشتیبانی کند. مدل جداسازی گوینده را با json یا diarized_json صدا بزنید.
مطالب مرتبط

استفاده از API سازگار با OpenAI در 1ai: راهنمای عملی با Python، Node.js و cURL
چطور پروژهای را که با کتابخانهی OpenAI نوشته شده، فقط با تغییر آدرس پایه و کلید به 1ai وصل کنید؛ با نمونه کد Python، Node.js و cURL، استریم، فهرست مدلها و مدیریت خطا.

کلید API در 1ai: امنیت، محدودیتها و کنترل هزینه
چطور کلیدهای API را امن نگه دارید و هزینه را مهار کنید: مدلهای مجاز، سقف اعتبار ماهانه، محدودیت نرخ، تاریخ انقضا، کلیدهای تیمی و گزارش مصرف.
صفحههای مرتبط
همهی امکاناتتحلیل صدا با API
فایل صوتی را همراه پرسش به مسیر چت بفرستید. مدل خود صدا را میشنود و به فارسی خلاصه میکند، به پرسش جواب میدهد یا نکتهها را بیرون میکشد.
OpenAI SDK
کتابخانهی رسمی openai را در Python و Node.js با تغییر آدرس پایه به 1ai وصل کنید و چت، فراخوانی ابزار، بردار متن، تصویر و صدا را از یک کلید بگیرید.
تبدیل متن به صدا
متن را بنویسید، صدا و سرعت را انتخاب کنید و فایل صوتی طبیعی بگیرید؛ با مدلهای ElevenLabs، Gemini و OpenAI.
API تبدیل گفتار به متن فارسی؛ متن جلسه با جداسازی گوینده
فایل صوتی را بفرستید و متن فارسی بگیرید. با مدل جداسازی گوینده هر بخش از متن زمان و گویندهی خودش را دارد، برای صورتجلسه و مصاحبه.
ساخت کلید API