章节导航
语音转文字（转录）指南
语音转文字（转录）指南
POST /v1/audio/transcriptions 与 OpenAI-compatible 接口兼容：通过 multipart/form-data 上传音频，或通过 JSON 发送 base64 格式的 input_audio，返回文字。模型包括 elevenlabs/scribe-v2 和 elevenlabs/scribe-v2-medical。最新列表见 GET /v1/models?output_modalities=transcription。 GET /v1/models 默认只返回文本模型，请加上 ?output_modalities=transcription（或 all）才会列出转录模型。
/v1/audio/transcriptions参数
| 参数 | 类型 | 必填 | 说明 |
|---|---|---|---|
| model | string | 是 | 转录模型 ID，例如 elevenlabs/scribe-v2。 |
| file | file | 是 | 音频文件（multipart）。支持 wav、mp3、mp4、m4a、ogg、flac、webm、aac，最大 25 MiB。JSON 客户端可改用 input_audio: {data: base64, format}。 |
| response_format | string | 否 | json（默认）返回 {text}；verbose_json 还包含语言、时长以及 segments/words。 |
| language | string | 否 | 可选语言提示，例如 en 或 zh。留空则自动识别。 |
| prompt | string | 否 | 可选上下文文字，有助于识别人名和术语；并非所有模型都会应用。 |
| timestamp_granularities[] | string[] | 否 | word 和/或 segment。仅在 response_format=verbose_json 时生效，其他格式会忽略。 目前尚未返回逐词（word）时间戳，会返回 segments。 |
输出格式
response_format 仅支持 json 或 verbose_json（不支持 text、srt、vtt）。不支持 stream。音频时长按模型限制，默认 60 秒；超过时在处理前返回 413 audio_too_long，且不收费。较长的录音请分段。
计费
转录按音频秒数计费。每秒价格见 /models 中的模型页，以及 GET /v1/models 中的 pricing.second；每分钟价格为其 60 倍。响应的 usage 显示计费秒数，usage.cost 显示扣费金额。
示例
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"常见错误
| 状态码 | 原因与处理 |
|---|---|
| 400 | 请求无效：缺少 model 或 file、音频为空、response_format 不是 json/verbose_json、发送 stream=true（unsupported_parameter），或 timestamp_granularities 不是 word/segment。 |
| 401 | API 密钥缺失或无效。 |
| 402 | 余额不足，请充值后重试。 |
| 413 | audio_too_large：解码后音频超过 25 MiB。audio_too_long：音频超过按模型设置的时长限制（默认 60 秒），处理前即拒绝且不收费。请压缩或分段。 |
| 429 | 达到速率限制，请按 Retry-After 响应头等待后重试。 |
| 502 | 模型服务暂时不可用，或音频传输中断。请重试；失败的请求不收费。 |
语音转写
使用 multipart/form-data 的 model、file，或 JSON 的 model、input_audio:{data,format}（原始 base64）。格式：wav、mp3、mp4、m4a、ogg、flac、webm、aac。解码音频上限 25 MiB；请求正文上限 50 MiB，允许 base64。audio.transcription_max_seconds_by_model 设置各模型上限；未设置时依次使用 audio.transcription_max_seconds 和默认 60 秒。超过时在处理前返回 413 audio_too_long，且不收费。response_format 仅支持 json、verbose_json；timestamp_granularities 的 word、segment 需要 verbose_json。stream 不支持（400 unsupported_parameter）；音频过大：413 audio_too_large。provider 被忽略。按数据库模型價格以 usage.seconds 或输入／输出 token 计费；每分钟价格为每秒的 60 倍。usage.cost 是客户的 USD 费用。
/v1/audio/transcriptions