Skip to Content
Справочник APIПротокол совместимости с OpenAIAudio Transcriptions

Audio Transcriptions API

Преобразует аудио в текст. Совместим с POST /v1/audio/transcriptions из OpenAI; аудиофайл загружается как multipart/form-data.

СемействоМодельОписание
Транскрипция GPTopenai/gpt-transcribe, openai/gpt-4o-mini-transcribe, openai/gpt-4o-transcribe-diarizeСм. Транскрипция GPT
ElevenLabselevenlabs/scribe_v2Поддерживает пословные временные метки и разделение говорящих; см. ElevenLabs

Быстрый старт

base_urlhttps://api.ofox.ai/v1
Адрес эндпоинтаhttps://api.ofox.ai/v1/audio/transcriptions
ID моделиopenai/gpt-transcribe
transcribe.py
import os
from openai import OpenAI
 
client = OpenAI(base_url="https://api.ofox.ai/v1", api_key=os.environ["OFOX_API_KEY"])
 
with open("meeting.mp3", "rb") as f:
    result = client.audio.transcriptions.create(
        model="openai/gpt-transcribe",
        file=f,
        language="zh",
        prompt="以下是普通话的句子，请使用简体中文。",
    )
print(result.text)

Параметры запроса

fileобязательныйfile

Аудиофайл, например mp3 или wav. Для файлов, не являющихся аудио, возвращается 400.

modelобязательныйstring

ID модели; см. таблицу выше.

languagestring

Язык аудио, например zh, en. Если не указан, определяется автоматически.

promptstring

Текст-подсказка для задания орфографических предпочтений или имён собственных; применим к моделям транскрипции GPT. При транскрипции речи на путунхуа (мандаринском китайском) рекомендуется одновременно передавать language: "zh" и подсказку «以下是普通话的句子，请使用简体中文。» («Далее — предложения на путунхуа, используйте упрощённые иероглифы»), иначе вывод может оказаться в традиционных иероглифах.

response_formatstring· по умолчанию json· значенияjsonverbose_json

Поддерживаются только json и verbose_json; для text, srt, vtt возвращается 400. verbose_json применим только к ElevenLabs Scribe.

provider_optionsstring

Параметры, специфичные для провайдера; передаются как поле формы в виде JSON-строки, например {"elevenlabs": {"diarize": true}}. См. страницы семейств.

Ответ

{
  "text": "今天天气很好，我们下午三点在会议室讨论新功能。",
  "usage": { "type": "duration", "seconds": 9 }
}
textstring

Текст транскрипции.

usageobject

Основа для тарификации. Если type равен duration, оплата идёт по секундам аудио (seconds); если tokens — по токенам (input_tokens, output_tokens).

ElevenLabs Scribe дополнительно возвращает words (текст каждого слова со временем начала и конца), language, duration и другие поля; см. ElevenLabs. Если нужен файл субтитров, его можно сформировать самостоятельно по временным меткам из words.

Типичные ошибки

HTTPТекст ошибкиПричинаРешение
400Unsupported response_format 'srt'. Only 'json' and 'verbose_json' are supported on this gatewayУказан text, srt или vttИспользуйте json; субтитры формируйте по временным меткам
400response_format 'verbose_json' is not compatible with model 'gpt-transcribe'. Use 'json' or 'text' instead.Модели транскрипции GPT не поддерживают verbose_jsonИспользуйте json
400Unsupported file format txtЗагружен файл, не являющийся аудиоЗагрузите аудио, например mp3 или wav
400Model 'openai/gpt-5.4' is not supported on /v1/audio/transcriptions. Supported: ...Выбранная модель не является моделью транскрипцииИспользуйте модель из списка в тексте ошибки
400You must provide a model parameter.Запрос отправлен как JSON, а не как формаЗагружайте файл через multipart/form-data

Полное описание кодов ошибок см. в разделе Обработка ошибок.

Обновлено
Audio Speech