คู่มือถอดเสียงเป็นข้อความ

POST /v1/audio/transcriptions รองรับรูปแบบ OpenAI-compatible: อัปโหลดเสียงด้วย multipart/form-data หรือส่ง input_audio แบบ base64 ผ่าน JSON แล้วรับข้อความ โมเดลมี elevenlabs/scribe-v2 และ elevenlabs/scribe-v2-medical ดูรายการล่าสุดที่ GET /v1/models?output_modalities=transcription GET /v1/models ค่าเริ่มต้นจะคืนเฉพาะโมเดลข้อความ ให้เพิ่ม ?output_modalities=transcription (หรือ all) เพื่อดูรายการ

POST/v1/audio/transcriptions

พารามิเตอร์

พารามิเตอร์	ชนิด	จำเป็น	คำอธิบาย
model	string	ใช่	รหัสโมเดลถอดเสียง เช่น elevenlabs/scribe-v2
file	file	ใช่	ไฟล์เสียง (multipart) รองรับ wav, mp3, mp4, m4a, ogg, flac, webm, aac สูงสุด 25 MiB ไคลเอนต์ JSON ใช้ input_audio: {data: base64, format} แทนได้
response_format	string	ไม่	json (ค่าเริ่มต้น) ส่งคืน {text}; verbose_json เพิ่มภาษา ระยะเวลา และ segments/words
language	string	ไม่	คำใบ้ภาษาแบบเลือกได้ เช่น en หรือ zh เว้นว่างเพื่อให้ตรวจจับอัตโนมัติ
prompt	string	ไม่	ข้อความบริบทแบบเลือกได้เพื่อช่วยจำชื่อและศัพท์ ไม่ใช่ทุกโมเดลจะนำไปใช้
timestamp_granularities[]	string[]	ไม่	word และ/หรือ segment ใช้เฉพาะเมื่อ response_format=verbose_json; รูปแบบอื่นจะละเว้น ขณะนี้ยังไม่ส่งคืนเวลาระดับคำ แต่ส่งคืน segments

รูปแบบผลลัพธ์

response_format รับเฉพาะ json หรือ verbose_json (ไม่รองรับ text, srt, vtt) ไม่รองรับ stream ระยะเวลาเสียงจำกัดตามโมเดล ค่าเริ่มต้น 60 วินาที เสียงที่ยาวกว่าจะถูกปฏิเสธก่อนประมวลผลด้วย 413 audio_too_long และไม่คิดค่าบริการ ให้แบ่งเสียงยาวเป็นช่วง

การคิดค่าบริการ

การถอดเสียงคิดตามจำนวนวินาทีของเสียง ราคาต่อวินาทีอยู่ในหน้าโมเดลที่ /models และใน GET /v1/models ที่ pricing.second; ราคาต่อนาทีเท่ากับ 60 เท่าของค่านี้ คำตอบ usage แสดงวินาทีที่คิดเงิน และ usage.cost แสดงยอดเรียกเก็บ

ตัวอย่าง

1
2
3
4
5
6
curl https://api.bazaarlink.ai/v1/audio/transcriptions \
  -H "Authorization: Bearer $BAZAARLINK_API_KEY" \
  -F model="elevenlabs/scribe-v2" \
  -F file=@audio.mp3 \
  -F response_format=verbose_json \
  -F "timestamp_granularities[]=word"

ข้อผิดพลาดที่พบบ่อย

สถานะ	สาเหตุและวิธีแก้
400	คำขอไม่ถูกต้อง: ขาด model หรือ file, เสียงว่าง, response_format ไม่ใช่ json/verbose_json, stream=true (unsupported_parameter) หรือ timestamp_granularities ไม่ใช่ word/segment
401	ไม่มีคีย์ API หรือคีย์ไม่ถูกต้อง
402	ยอดคงเหลือไม่พอ เติมเงินแล้วลองใหม่
413	audio_too_large: เสียงหลังถอดรหัสเกิน 25 MiB audio_too_long: เสียงเกินขีดจำกัดตามโมเดล (ค่าเริ่มต้น 60 วินาที) จะถูกปฏิเสธก่อนประมวลผลและไม่คิดค่าบริการ ให้บีบอัดหรือแบ่งเสียง
429	ถึงขีดจำกัดอัตราแล้ว รอตาม Retry-After แล้วลองใหม่
502	บริการโมเดลไม่พร้อมชั่วคราวหรือการส่งเสียงถูกขัดจังหวะ ให้ลองใหม่ คำขอที่ล้มเหลวไม่คิดค่าบริการ

ข้อมูลพารามิเตอร์ทั้งหมด: ถอดเสียง

ถอดเสียง

ส่ง multipart/form-data model และ file หรือ JSON model และ input_audio:{data,format} (base64 ดิบ) รูปแบบ wav, mp3, mp4, m4a, ogg, flac, webm, aac เสียงสูงสุด 25 MiB; เนื้อหาคำขอ 50 MiB ค่า audio.transcription_max_seconds_by_model กำหนดขีดจำกัดตามโมเดล หากไม่มีจะใช้ audio.transcription_max_seconds แล้วจึงใช้ค่าเริ่มต้น 60 วินาที เสียงที่ยาวกว่าจะถูกปฏิเสธก่อนประมวลผลด้วย 413 audio_too_long และไม่คิดค่าบริการ response_format เฉพาะ json หรือ verbose_json; timestamp_granularities word/segment ต้องใช้ verbose_json ไม่รองรับ stream (400 unsupported_parameter); ใหญ่เกินไป 413 audio_too_large ละเว้น provider คิดค่าบริการตามราคาฐานข้อมูลต่อ usage.seconds หรือ token ขาเข้า/ขาออก ราคานาที = 60 × ราคาวินาที usage.cost เป็นค่าบริการลูกค้าใน USD

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"]}'