Zum Hauptinhalt springen

Documentation Index

Fetch the complete documentation index at: https://docs.aihubmix.com/llms.txt

Use this file to discover all available pages before exploring further.

​
Einführung

Die Speech-to-Text (STT)-API auf Basis der Whisper-Modelle von OpenAI kann Audiodateien in Text umwandeln. Sie unterstützt verschiedene Anwendungsfälle:
  • Transkription von Audiodateien in Text
  • Übersetzung mehrsprachiger Audios ins Englische
  • Unterstützung mehrerer Audio-Eingabeformate
  • Verschiedene Ausgabeformate
Verfügbare Modellliste:
  • whisper-large-v3 —— Neuestes großes Whisper-Modell, unterstützt mehrere Sprachen. Für chinesische Erkennung verwenden Sie geeignete Prompts und niedrige Temperaturwerte
  • whisper-1 —— Ursprüngliches Whisper-Modell, stabil und zuverlässig, unterstützt mehrere Sprachen
  • distil-whisper-large-v3-en —— Distilliertes Modell, schneller, aber leicht verringerte Genauigkeit; empfohlen mit niedrigen Temperaturwerten
Performance-Empfehlungen:
  • Für chinesische Audios wird das Modell whisper-large-v3 mit geeigneten Prompts und niedrigeren Temperaturwerten (z. B. 0.2) empfohlen, um Halluzinationen zu reduzieren
  • Für englische Audios oder schnellere Verarbeitung verwenden Sie das Modell distil-whisper-large-v3-en
  • Unterstützte Audioformate: mp3, mp4, mpeg, mpga, m4a, wav, webm
  • Dateigrößenlimit: maximal 25 MB

​
Modellverwendung

​
Sprachtranskription

Verwenden Sie den Endpoint /v1/audio/transcriptions über die Methode client.audio.transcriptions.create(), um Audio in der Originalsprache zu transkribieren.

​
Sprachübersetzung

Verwenden Sie den Endpoint /v1/audio/translations über die Methode client.audio.translations.create(), um Audio in englischen Text zu übersetzen.

​
Request-Parameter

​
Transkriptionsparameter

​
file
file
erforderlich
Audio-Datei-Objekt zur Transkription. Unterstützte Formate: mp3, mp4, mpeg, mpga, m4a, wav, webm; max. 25 MB.
​
model
string
erforderlich
Zu verwendende Modell-ID. Optionen: whisper-large-v3, whisper-1, distil-whisper-large-v3-en
​
language
string
Sprache des Eingabe-Audios im Format ISO-639-1 (z. B. „en”, „zh”). Die Angabe der Sprache kann Genauigkeit und Latenz verbessern.
​
prompt
string
Optionaler Text-Prompt, um den Stil des Modells zu steuern oder ein vorheriges Audiosegment fortzusetzen. Der Prompt sollte zur Audiosprache passen.
​
response_format
string
Ausgabeformat der Transkription. Optionen: json (Standard), text, srt, verbose_json, vtt.
​
temperature
number
Sampling-Temperatur zwischen 0 und 1. Höhere Werte machen die Ausgabe zufälliger, niedrigere Werte machen sie fokussierter und deterministischer. Standard: 0.
​
timestamp_granularities[]
array
Zeitstempel-Granularitäten. Optionen: word, segment. Nur verfügbar, wenn response_format auf verbose_json gesetzt ist.

​
Übersetzungsparameter

​
file
file
erforderlich
Zu übersetzendes Audio-Datei-Objekt. Gleiche Formate wie bei der Transkription.
​
model
string
erforderlich
Zu verwendende Modell-ID, identisch mit den Transkriptionsparametern.
​
prompt
string
Optionaler englischer Text-Prompt zur Steuerung des Übersetzungsstils.
​
response_format
string
Ausgabeformat der Übersetzung, identisch mit den Transkriptionsparametern.
​
temperature
number
Sampling-Temperatur, identisch mit den Transkriptionsparametern.

​
Anwendungsbeispiele

curl https://aihubmix.com/v1/audio/transcriptions \
  -H "Authorization: Bearer $AIHUBMIX_API_KEY" \
  -H "Content-Type: multipart/form-data" \
  -F file="@/path/to/file/audio.mp3" \
  -F model="whisper-large-v3" \
  -F response_format="text" \
  -F temperature="0.2"

​
Antwortformate

​
JSON-Format (Standard)

{
  "text": "This is the transcribed text content"
}

​
Verbose-JSON-Format (verbose_json)

{
  "task": "transcribe",
  "language": "english",
  "duration": 8.470000267028809,
  "text": "This is the transcribed text content",
  "segments": [
    {
      "id": 0,
      "seek": 0,
      "start": 0.0,
      "end": 8.470000267028809,
      "text": " This is the transcribed text content",
      "tokens": [50364, 50365, 50365, 50365],
      "temperature": 0.2,
      "avg_logprob": -0.9929364013671875,
      "compression_ratio": 0.8888888888888888,
      "no_speech_prob": 0.0963134765625
    }
  ]
}

​
Text-Format

This is the transcribed text content

​
SRT-Format

1
00:00:00,000 --> 00:00:08,470
This is the transcribed text content

​
VTT-Format

WEBVTT

00:00:00.000 --> 00:00:08.470
This is the transcribed text content

​
Best Practices

  1. Verarbeitung chinesischer Audios: Verwenden Sie das Modell whisper-large-v3, setzen Sie language="zh", temperature=0.2 und geben Sie geeignete chinesische Prompts an
  2. Verarbeitung englischer Audios: Verwenden Sie distil-whisper-large-v3-en für eine höhere Geschwindigkeit
  3. Umgang mit Geräuschen: Verwenden Sie Prompts, um das Modell anzuweisen, Hintergrundgeräusche zu ignorieren oder Stottern zu bereinigen
  4. Lange Audios: Die API segmentiert lange Audios automatisch; eine Vorverarbeitung der Audioqualität wird für beste Ergebnisse empfohlen
  5. Zeitstempel-Anforderungen: Verwenden Sie verbose_json und timestamp_granularities, wenn präzise Zeitstempel benötigt werden
  6. Untertitelerstellung: Verwenden Sie direkt das Ausgabeformat srt oder vtt, ohne weitere Nachbearbeitung
Zuletzt aktualisiert: 2026-06-01