Passer au contenu principal

​
Introduction

L’API de reconnaissance vocale (STT) basée sur les modèles Whisper d’OpenAI peut convertir des fichiers audio en texte. Elle prend en charge divers cas d’usage :
  • Transcrire des fichiers audio en texte
  • Traduire de l’audio multilingue en anglais
  • Prendre en charge plusieurs formats audio en entrée
  • Proposer plusieurs options de format de sortie
Liste des modèles disponibles :
  • whisper-large-v3 — Dernier grand modèle Whisper, prend en charge de nombreuses langues. Pour la reconnaissance du chinois, utilisez-le avec des prompts appropriés et une température basse
  • whisper-1 — Modèle Whisper d’origine, stable et fiable, prend en charge plusieurs langues
  • distil-whisper-large-v3-en — Modèle distillé, plus rapide mais légèrement moins précis ; recommandé avec une faible température
Recommandations de performance :
  • Pour l’audio en chinois, utilisez le modèle whisper-large-v3 avec des prompts appropriés et des températures plus faibles (par exemple 0,2) afin de réduire les hallucinations
  • Pour l’audio anglais ou un traitement plus rapide, utilisez le modèle distil-whisper-large-v3-en
  • Formats audio pris en charge : mp3, mp4, mpeg, mpga, m4a, wav, webm
  • Limite de taille de fichier : 25 Mo maximum

​
Utilisation du modèle

​
Transcription vocale

Utilisez l’endpoint /v1/audio/transcriptions via la méthode client.audio.transcriptions.create() pour transcrire l’audio en texte dans la langue d’origine.

​
Traduction vocale

Utilisez l’endpoint /v1/audio/translations via la méthode client.audio.translations.create() pour traduire l’audio en texte anglais.

​
Paramètres de requête

​
Paramètres de transcription

​
file
file
requis
Objet fichier audio à transcrire. Formats pris en charge : mp3, mp4, mpeg, mpga, m4a, wav, webm, 25 Mo maximum
​
model
string
requis
ID de modèle à utiliser. Options : whisper-large-v3, whisper-1, distil-whisper-large-v3-en
​
language
string
Langue de l’audio d’entrée au format ISO-639-1 (par exemple, ‘en’, ‘zh’). Spécifier la langue peut améliorer la précision et la latence
​
prompt
string
Prompt textuel facultatif pour guider le style du modèle ou poursuivre un segment audio précédent. Le prompt doit correspondre à la langue de l’audio
​
response_format
string
Format de sortie de la transcription. Options : json (par défaut), text, srt, verbose_json, vtt
​
temperature
number
Température d’échantillonnage entre 0 et 1. Des valeurs plus élevées rendent la sortie plus aléatoire, des valeurs plus basses la rendent plus déterministe. Valeur par défaut : 0
​
timestamp_granularities[]
array
Granularités des horodatages. Options : word, segment. Disponible uniquement lorsque response_format vaut verbose_json

​
Paramètres de traduction

​
file
file
requis
Objet fichier audio à traduire. Mêmes formats que pour la transcription
​
model
string
requis
ID de modèle à utiliser, identique aux paramètres de transcription
​
prompt
string
Prompt textuel facultatif en anglais pour guider le style de traduction
​
response_format
string
Format de sortie de la traduction, identique aux paramètres de transcription
​
temperature
number
Température d’échantillonnage, identique aux paramètres de transcription

​
Exemples d’utilisation

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"

​
Formats de réponse

​
Format JSON (par défaut)

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

​
Format JSON détaillé (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
    }
  ]
}

​
Format texte

This is the transcribed text content

​
Format SRT

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

​
Format VTT

WEBVTT

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

​
Bonnes pratiques

  1. Traitement de l’audio en chinois : utilisez le modèle whisper-large-v3, définissez language="zh", temperature=0.2 et fournissez des prompts chinois appropriés
  2. Traitement de l’audio en anglais : utilisez distil-whisper-large-v3-en pour un traitement plus rapide
  3. Gestion du bruit : utilisez des prompts pour indiquer au modèle d’ignorer le bruit de fond ou de nettoyer les bégaiements
  4. Traitement de l’audio long : l’API segmente automatiquement les longs fichiers audio ; il est recommandé de prétraiter la qualité audio pour de meilleurs résultats
  5. Besoins en horodatage : utilisez le format verbose_json et timestamp_granularities lorsque des horodatages précis sont nécessaires
  6. Création de sous-titres : utilisez directement la sortie au format srt ou vtt sans traitement supplémentaire
Dernière mise à jour : 2026-06-01