Sprachsynthese

Audiotranskription

multipart/form-data mit model und file oder JSON model und input_audio:{data,format} (rohes base64). Formate: wav, mp3, mp4, m4a, ogg, flac, webm, aac. Dekodiertes Audio: 25 MiB; Anfragekörper: 50 MiB für base64. audio.transcription_max_seconds_by_model setzt das Limit pro Modell; sonst gelten audio.transcription_max_seconds und danach 60 Sekunden. Längeres Audio wird vor der Verarbeitung mit 413 audio_too_long abgelehnt und nicht berechnet. response_format: nur json oder verbose_json; timestamp_granularities word/segment nur mit verbose_json. stream nicht unterstützt (400 unsupported_parameter); Audio zu groß: 413 audio_too_large. provider wird ignoriert. Datenbankpreise pro usage.seconds oder Eingabe-/Ausgabe-token; Minutenpreis = 60 × Sekundenpreis. usage.cost ist der Kundenbetrag in USD.

POST/v1/audio/transcriptions

Autorisierung

Authorizationerforderlich

string · header

API-Schlüssel als Bearer-Token im Authorization-Header.

Body

modelerforderlich

string

ID des Transkriptionsmodells, z. B. elevenlabs/scribe-v2.

GET /v1/models?output_modalities=transcription

file

file

Audiodatei (multipart). Unterstützt: wav, mp3, mp4, m4a, ogg, flac, webm, aac. Maximal 25 MiB. JSON-Clients können stattdessen input_audio: {data: base64, format} senden.

multipart/form-data: required; decoded <= 25 MiB

input_audio

object

JSON-Alternative zu file: data enthält rohe base64-Audiodaten, format bezeichnet etwa wav oder mp3. Anfragekörper maximal 50 MiB, dekodiertes Audio maximal 25 MiB.

application/json: required; data: raw base64; format: wav | mp3 | mp4 | m4a | ogg | flac | webm | aac

response_format

string

json (Standard) liefert {text}; verbose_json ergänzt Sprache, Dauer und segments/words.

default: json

jsonverbose_json

timestamp_granularities

string[]

word und/oder segment. Nur bei response_format=verbose_json angewendet, sonst ignoriert. Zeitstempel auf Wortebene werden derzeit nicht zurückgegeben; Segmente schon.

response_format=verbose_json; multipart: timestamp_granularities[]

wordsegment

language

string

Optionaler Sprachhinweis wie en oder zh. Leer lassen für automatische Erkennung.

ISO-639-1

prompt

string

Optionaler Kontext für Namen und Begriffe. Nicht jedes Modell wendet ihn an.

temperature

number

Optionale Sampling-Temperatur; nicht jedes Modell wendet sie an.

0 <= temperature <= 1

stream

boolean

Streaming wird nicht unterstützt; stream=true ergibt 400 unsupported_parameter.

Unsupported: 400 unsupported_parameter

provider

object

Optionales Routingfeld; wird ignoriert.

Ignored

Detailguide →

POST /v1/audio/transcriptions

1
2
3
4
5
6
7
8
9
10
curl https://api.bazaarlink.ai/v1/audio/transcriptions \
  -H "$BAZAARLINK_AUTH_HEADER" \
  -F model="<transcription-model-id>" \
  -F file=@audio.wav \
  -F response_format=json

curl https://api.bazaarlink.ai/v1/audio/transcriptions \
  -H "$BAZAARLINK_AUTH_HEADER" \
  -H "Content-Type: application/json" \
  -d '{"model":"<transcription-model-id>","input_audio":{"data":"<raw-base64-audio>","format":"wav"},"response_format":"verbose_json","timestamp_granularities":["word","segment"]}'

Antwortbeispiele

Audiotranskription: json / verbose_json — Beispielbeträge dienen der Veranschaulichung und sind keine Modellpreise. audio.transcription_max_seconds_by_model setzt das Limit pro Modell; sonst gelten audio.transcription_max_seconds und danach 60 Sekunden. Längeres Audio wird vor der Verarbeitung mit 413 audio_too_long abgelehnt und nicht berechnet.

1
{"text":"Hello","usage":{"seconds":1,"cost":0.00001}}

verbose_json

1
{"text":"Hello","duration":1,"segments":[{"id":0,"start":0,"end":1,"text":"Hello"}],"words":[{"word":"Hello","start":0,"end":1}],"usage":{"seconds":1,"cost":0.00001}}