Синтез речи

Транскрибация аудио

Отправьте multipart/form-data model и file или JSON model и input_audio:{data,format} (сырой base64). Форматы: wav, mp3, mp4, m4a, ogg, flac, webm, aac. Аудио: максимум 25 MiB; тело запроса: 50 MiB. audio.transcription_max_seconds_by_model задаёт лимит для модели; при отсутствии используется audio.transcription_max_seconds, затем значение по умолчанию 60 секунд. Более длинное аудио отклоняется до обработки с кодом 413 audio_too_long и не оплачивается. response_format: json или verbose_json; timestamp_granularities word/segment требует verbose_json. stream не поддерживается (400 unsupported_parameter); слишком большое аудио: 413 audio_too_large. provider игнорируется. Цены базы данных за usage.seconds или входные/выходные token; цена минуты = 60 × цена секунды. usage.cost — сумма клиента в USD.

POST/v1/audio/transcriptions

Авторизация

Authorizationобязательно

string · header

Ключ API как Bearer-токен в заголовке Authorization.

Тело

modelобязательно

string

ID модели транскрибации, например elevenlabs/scribe-v2.

GET /v1/models?output_modalities=transcription

file

file

Аудиофайл (multipart). Поддерживаются wav, mp3, mp4, m4a, ogg, flac, webm, aac; максимум 25 MiB. Клиент JSON может отправить input_audio: {data: base64, format}.

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

input_audio

object

JSON-замена для file: data содержит исходное аудио в base64, format указывает формат, например wav или mp3. Тело запроса до 50 MiB, декодированное аудио до 25 MiB.

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

response_format

string

json (по умолчанию) возвращает {text}; verbose_json добавляет язык, длительность и segments/words.

default: json

jsonverbose_json

timestamp_granularities

string[]

word и/или segment. Применяется только с response_format=verbose_json; иначе игнорируется. Временные метки на уровне слов пока не возвращаются; segments возвращаются.

response_format=verbose_json; multipart: timestamp_granularities[]

wordsegment

language

string

Необязательная подсказка языка, например en или zh. Пустое значение включает автоопределение.

ISO-639-1

prompt

string

Необязательный контекст для распознавания имён и терминов. Применяется не каждой моделью.

temperature

number

Необязательная температура сэмплирования; применяется не каждой моделью.

0 <= temperature <= 1

stream

boolean

Потоковая выдача не поддерживается; stream=true возвращает 400 unsupported_parameter.

Unsupported: 400 unsupported_parameter

provider

object

Необязательное поле маршрутизации; игнорируется.

Ignored

Подробное руководство →

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"]}'

Примеры ответов

Транскрибация аудио: json / verbose_json — Пример суммы приведён для иллюстрации и не является ценой модели. audio.transcription_max_seconds_by_model задаёт лимит для модели; при отсутствии используется audio.transcription_max_seconds, затем значение по умолчанию 60 секунд. Более длинное аудио отклоняется до обработки с кодом 413 audio_too_long и не оплачивается.

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}}