صدا و موسیقی

تبدیل گفتار به متن

یک فایل صوتی را به متن تبدیل می‌کند. درخواست multipart است و هزینه بر اساس طول صدا حساب می‌شود.

POST/v1/audio/transcriptions

فایل صوتی را در فیلد file به صورت multipart/form-data بفرستید. هر فایل حداکثر ۲۵ مگابایت است؛ بزرگ‌تر از آن خطای ۴۱۳ file_too_large می‌دهد.

با response_format برابر json یا verbose_json پاسخ JSON است. قالب‌های text، srt و vtt متن ساده برمی‌گردانند. هزینه بر اساس مدت صدا حساب می‌شود: اگر مدل مدت را گزارش کند همان (به ثانیه‌ی شروع‌شده گرد می‌شود)، وگرنه تخمینی از حجم فایل که پیش از اجرا هم برای رزرو به کار می‌رود.

نمونه‌ها

curl https://1ai.ir/v1/audio/transcriptions \
  -H "Authorization: Bearer $ONEAI_API_KEY" \
  -F 'model=openai/whisper-1' \
  -F "file=@meeting.mp3"
200پاسخ
{
  "model": "openai/whisper-1",
  "text": "Let's start with the budget review."
}

بدنه‌ی درخواست

  • filefileالزامی

    فایل صوتی، حداکثر ۲۵ مگابایت. نبودن آن خطای invalid_request با param: file است.

  • modelstringالزامی

    شناسه‌ی مدل تبدیل گفتار به متن، برای نمونه openai/whisper-1.

  • languagestring

    زبان صدا، حداکثر ۱۰ نویسه (برای نمونه fa).

  • promptstring

    متن راهنما برای سبک یا واژه‌های خاص، حداکثر ۴٬۰۰۰ نویسه.

  • response_formatstring

    قالب پاسخ.

    مقادیر مجاز:jsontextsrtverbose_jsonvtt
  • temperaturenumber

    دمای نمونه‌گیری، بین ۰ و ۱.

خطاها

  • invalid_request400

    فایل نیامده یا فیلدی نامعتبر است، یا بدنه‌ی multipart خراب است.

  • model_kind_mismatch400

    مدل داده‌شده مدل تبدیل گفتار به متن نیست.

  • insufficient_credits402

    اعتبار برای رزرو هزینه کافی نیست.

  • model_not_found404

    مدل وجود ندارد یا کلید شما به آن دسترسی ندارد.

  • file_too_large413

    فایل صوتی از ۲۵ مگابایت بزرگ‌تر است.

صفحه‌های مرتبط