Audio Transcriptions API

Converte áudio em texto. Compatível com o POST /v1/audio/transcriptions da OpenAI; o arquivo de áudio é enviado via multipart/form-data.

Família	Modelo	Observação
Transcrição GPT	`openai/gpt-transcribe`, `openai/gpt-4o-mini-transcribe`, `openai/gpt-4o-transcribe-diarize`	Consulte Transcrição GPT
ElevenLabs	`elevenlabs/scribe_v2`	Suporta timestamps por palavra e separação de locutores; consulte ElevenLabs

Início rápido

base_urlhttps://api.ofox.io/v1

Endpointhttps://api.ofox.io/v1/audio/transcriptions

ID do modeloopenai/gpt-transcribe

Python

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)

Parâmetros da requisição

fileobrigatóriofile

Arquivo de áudio, como mp3 ou wav. Um arquivo que não seja de áudio retorna 400.

modelobrigatóriostring

ID do modelo; consulte a tabela acima.

languagestring

Idioma do áudio, como zh ou en. Se omitido, é detectado automaticamente.

promptstring

Texto de orientação para indicar convenções de escrita ou nomes próprios; aplica-se aos modelos de transcrição GPT. Ao transcrever mandarim, recomenda-se enviar language: "zh" junto com o prompt “以下是普通话的句子，请使用简体中文。” (em chinês, “As frases a seguir estão em mandarim; use chinês simplificado.”); caso contrário, a saída pode vir em caracteres tradicionais.

response_formatstring· padrão json· valoresjsonverbose_json

Somente json e verbose_json são suportados; text, srt e vtt retornam 400. verbose_json aplica-se somente ao ElevenLabs Scribe.

provider_optionsstring

Parâmetros específicos do provedor, enviados como string JSON em um campo de formulário, por exemplo {"elevenlabs": {"diarize": true}}. Consulte a página de cada família.

Resposta


{
  "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

Texto transcrito.

usageobject

Base de cobrança. Quando type é duration, a cobrança é por segundos de áudio (seconds); quando é tokens, é por token (input_tokens, output_tokens).

O ElevenLabs Scribe também retorna campos como words (texto e tempos de início e fim de cada palavra), language e duration; consulte ElevenLabs. Se precisar de um arquivo de legendas, gere-o a partir dos timestamps em words.

Erros comuns

HTTP	Mensagem de erro original	Causa	Solução
400	`Unsupported response_format 'srt'. Only 'json' and 'verbose_json' are supported on this gateway`	Foi usado `text`, `srt` ou `vtt`	Use `json`; para legendas, gere-as a partir dos timestamps
400	`response_format 'verbose_json' is not compatible with model 'gpt-transcribe'. Use 'json' or 'text' instead.`	Os modelos de transcrição GPT não suportam `verbose_json`	Use `json`
400	`Unsupported file format txt`	O arquivo enviado não é de áudio	Envie um áudio como `mp3` ou `wav`
400	`Model 'openai/gpt-5.4' is not supported on /v1/audio/transcriptions. Supported: ...`	O modelo escolhido não é de transcrição	Use um dos modelos listados na mensagem de erro
400	`You must provide a model parameter.`	A requisição foi enviada como JSON, e não como formulário	Envie o arquivo via `multipart/form-data`

A descrição completa dos códigos de erro está em Tratamento de erros.