Saltar al contenido principal

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.

​
Introducción

La API de voz a texto (STT) basada en los modelos Whisper de OpenAI puede convertir archivos de audio en texto. Admite varios casos de uso:
  • Transcribir archivos de audio a texto
  • Traducir audio multilingüe al inglés
  • Compatibilidad con múltiples formatos de entrada de audio
  • Varias opciones de formato de salida
Lista de modelos disponibles:
  • whisper-large-v3 —— El modelo Whisper grande más reciente; admite varios idiomas. Para el reconocimiento de chino, úsalo con prompts adecuados y valores bajos de temperatura
  • whisper-1 —— Modelo Whisper original, estable y fiable; admite varios idiomas
  • distil-whisper-large-v3-en —— Modelo destilado; mayor velocidad de procesamiento pero precisión ligeramente menor; se recomienda con valores bajos de temperatura
Recomendaciones de rendimiento:
  • Para audio en chino, se recomienda usar el modelo whisper-large-v3 con prompts adecuados y valores de temperatura más bajos (p. ej., 0.2) para reducir las alucinaciones
  • Para audio en inglés o un procesamiento más rápido, usa el modelo distil-whisper-large-v3-en
  • Formatos de audio admitidos: mp3, mp4, mpeg, mpga, m4a, wav, webm
  • Límite de tamaño de archivo: máximo 25 MB

​
Uso de los modelos

​
Transcripción de voz

Usa el endpoint /v1/audio/transcriptions mediante el método client.audio.transcriptions.create() para transcribir audio a texto en el idioma original.

​
Traducción de voz

Usa el endpoint /v1/audio/translations mediante el método client.audio.translations.create() para traducir audio a texto en inglés.

​
Parámetros de la solicitud

​
Parámetros de transcripción

​
file
file
requerido
Objeto de archivo de audio a transcribir. Formatos admitidos: mp3, mp4, mpeg, mpga, m4a, wav, webm, máximo 25 MB
​
model
string
requerido
ID del modelo a usar. Opciones: whisper-large-v3, whisper-1, distil-whisper-large-v3-en
​
language
string
Idioma del audio de entrada en formato ISO-639-1 (p. ej., ‘en’, ‘zh’). Especificar el idioma puede mejorar la precisión y la latencia
​
prompt
string
Prompt de texto opcional para guiar el estilo del modelo o continuar un segmento de audio previo. El prompt debe coincidir con el idioma del audio
​
response_format
string
Formato de salida de la transcripción. Opciones: json (predeterminado), text, srt, verbose_json, vtt
​
temperature
number
Temperatura de muestreo entre 0 y 1. Valores más altos hacen la salida más aleatoria; valores más bajos la hacen más enfocada y determinista. Por defecto 0
​
timestamp_granularities[]
array
Granularidades de las marcas temporales. Opciones: word, segment. Solo disponible cuando response_format es verbose_json

​
Parámetros de traducción

​
file
file
requerido
Objeto de archivo de audio a traducir. Mismos formatos que la transcripción
​
model
string
requerido
ID del modelo a usar; igual que en los parámetros de transcripción
​
prompt
string
Prompt opcional en texto inglés para guiar el estilo de la traducción
​
response_format
string
Formato de salida de la traducción; igual que en los parámetros de transcripción
​
temperature
number
Temperatura de muestreo; igual que en los parámetros de transcripción

​
Ejemplos de uso

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"

​
Formatos de respuesta

​
Formato JSON (predeterminado)

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

​
Formato JSON detallado (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
    }
  ]
}

​
Formato de texto

This is the transcribed text content

​
Formato SRT

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

​
Formato VTT

WEBVTT

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

​
Buenas prácticas

  1. Procesamiento de audio en chino: Usa el modelo whisper-large-v3, configura language="zh", temperature=0.2 y proporciona prompts adecuados en chino
  2. Procesamiento de audio en inglés: Usa distil-whisper-large-v3-en para una mayor velocidad de procesamiento
  3. Gestión del ruido: Usa prompts para indicar al modelo que ignore el ruido de fondo o que limpie tartamudeos
  4. Procesamiento de audio largo: La API segmenta automáticamente los audios largos; se recomienda preprocesar la calidad del audio para obtener mejores resultados
  5. Requisitos de marcas temporales: Usa el formato verbose_json y timestamp_granularities cuando necesites marcas temporales precisas
  6. Creación de subtítulos: Usa la salida en formato srt o vtt directamente sin procesamiento adicional
Última actualización: 2026-06-01