Skip to Content
API-ReferenzOpenAI-kompatibles ProtokollAudio Transcriptions

Audio Transcriptions API

Wandelt Audio in Text um. Kompatibel mit POST /v1/audio/transcriptions von OpenAI; die Audiodatei wird als multipart/form-data hochgeladen.

ReiheModellHinweis
GPT-Transkriptionopenai/gpt-transcribe, openai/gpt-4o-mini-transcribe, openai/gpt-4o-transcribe-diarizeSiehe GPT-Transkription
ElevenLabselevenlabs/scribe_v2Unterstützt Zeitstempel pro Wort und Sprechertrennung; siehe ElevenLabs

Schnellstart

base_urlhttps://api.ofox.io/v1
Endpunkthttps://api.ofox.io/v1/audio/transcriptions
Modell-IDopenai/gpt-transcribe
transcribe.py
import os
from openai import OpenAI
 
client = OpenAI(base_url="https://api.ofox.io/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)

Anfrageparameter

fileerforderlichfile

Audiodatei, z. B. mp3 oder wav. Eine Datei, die kein Audio enthält, liefert 400.

modelerforderlichstring

Modell-ID; siehe Tabelle oben.

languagestring

Sprache des Audios, z. B. zh oder en. Ohne Angabe wird sie automatisch erkannt.

promptstring

Hinweistext, um Schreibkonventionen oder Eigennamen vorzugeben; gilt für die GPT-Transkriptionsmodelle. Bei der Transkription von Mandarin empfiehlt es sich, zusätzlich language: "zh" und „以下是普通话的句子，请使用简体中文。“ zu senden, da sonst traditionelle Schriftzeichen ausgegeben werden können.

response_formatstring· Standard json· Wertejsonverbose_json

Nur json und verbose_json werden unterstützt; text, srt und vtt liefern 400. verbose_json gilt nur für ElevenLabs Scribe.

provider_optionsstring

Anbieterspezifische Parameter, als JSON-String in einem Formularfeld gesendet, z. B. {"elevenlabs": {"diarize": true}}. Siehe die Seite der jeweiligen Reihe.

Antwort

{
  "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

Der transkribierte Text.

usageobject

Grundlage der Abrechnung. Bei type gleich duration wird nach Audiosekunden abgerechnet (seconds); bei tokens nach Tokens (input_tokens, output_tokens).

ElevenLabs Scribe liefert zusätzlich Felder wie words (Text und Start-/Endzeit pro Wort), language und duration; siehe ElevenLabs. Wenn Sie Untertiteldateien benötigen, können Sie diese anhand der Zeitstempel in words selbst erzeugen.

Häufige Fehler

HTTPFehlermeldungUrsacheLösung
400Unsupported response_format 'srt'. Only 'json' and 'verbose_json' are supported on this gatewaytext, srt oder vtt verwendetjson verwenden; Untertitel anhand der Zeitstempel erzeugen
400response_format 'verbose_json' is not compatible with model 'gpt-transcribe'. Use 'json' or 'text' instead.Die GPT-Transkriptionsmodelle unterstützen verbose_json nichtjson verwenden
400Unsupported file format txtDie hochgeladene Datei ist keine AudiodateiAudio wie mp3 oder wav hochladen
400Model 'openai/gpt-5.4' is not supported on /v1/audio/transcriptions. Supported: ...Das gewählte Modell ist kein TranskriptionsmodellEin in der Fehlermeldung aufgeführtes Modell verwenden
400You must provide a model parameter.Die Anfrage wurde als JSON statt als Formular gesendetDie Datei per multipart/form-data hochladen

Eine vollständige Beschreibung der Fehlercodes finden Sie unter Fehlerbehandlung.

Zuletzt aktualisiert am
Audio Speech