​
介紹

語音轉文字（STT）API 基於 OpenAI 的 Whisper 模型，可以將音訊檔案轉換為文字。支援多種用途：
  • 音訊檔案轉錄為文字
  • 多語言音訊翻譯為英文
  • 支援多種音訊格式輸入
  • 提供多種輸出格式選擇
可用模型清單：
  • whisper-large-v3 —— 最新的大型 Whisper 模型，支援多語言，中文識別需搭配 prompt 和低 temperature 使用
  • whisper-1 —— 初代 Whisper 模型，穩定可靠，支援多語言
  • distil-whisper-large-v3-en —— 蒸餾模型，處理速度更快，但準確性略低，建議搭配低 temperature 值
效能建議：
  • 對於中文音訊，推薦使用 whisper-large-v3 模型，搭配適當的 prompt 和較低的 temperature 值（如 0.2）以減少幻覺
  • 對於英文音訊或需要快速處理，可使用 distil-whisper-large-v3-en 模型
  • 支援的音訊格式：mp3, mp4, mpeg, mpga, m4a, wav, webm
  • 檔案大小限制：最大 25MB

​
模型調用方式

​
語音轉錄（Transcriptions）

使用 /v1/audio/transcriptions 端點，通過 client.audio.transcriptions.create() 方法調用，將音訊轉錄為原始語言的文字。

​
語音翻譯（Translations）

使用 /v1/audio/translations 端點，通過 client.audio.translations.create() 方法調用，將音訊翻譯為英文文字。

​
請求參數

​
轉錄參數（Transcriptions）

​
file
file
required
要轉錄的音訊檔案物件，支援格式：mp3, mp4, mpeg, mpga, m4a, wav, webm，最大 25MB
​
model
string
required
要使用的模型 ID。可選值：whisper-large-v3、whisper-1、distil-whisper-large-v3-en
​
language
string
輸入音訊的語言，ISO-639-1 格式（如 ‘en’, ‘zh’）。指定語言可以提高準確性和延遲
​
prompt
string
可選的文字提示，用於指導模型的風格或延續之前的音訊片段。提示應該匹配音訊語言
​
response_format
string
轉錄輸出格式。可選值：json（預設）、text、srt、verbose_json、vtt
​
temperature
number
採樣溫度，介於 0 和 1 之間。較高的值會使輸出更隨機，較低的值會使其更集中和確定。預設為 0
​
timestamp_granularities[]
array
時間戳粒度。可選值：word、segment。僅當 response_format 為 verbose_json 時可用

​
翻譯參數（Translations）

​
file
file
required
要翻譯的音訊檔案物件，支援格式同轉錄
​
model
string
required
要使用的模型 ID，同轉錄參數
​
prompt
string
可選的英文文字提示，用於指導翻譯風格
​
response_format
string
翻譯輸出格式，同轉錄參數
​
temperature
number
採樣溫度，同轉錄參數

​
使用方法

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"

​
回應格式

​
JSON 格式（預設）

{
  "text": "這是轉錄的文字內容"
}

​
詳細 JSON 格式（verbose_json）

{
  "task": "transcribe",
  "language": "chinese",
  "duration": 8.470000267028809,
  "text": "這是轉錄的文字內容",
  "segments": [
    {
      "id": 0,
      "seek": 0,
      "start": 0.0,
      "end": 8.470000267028809,
      "text": " 這是轉錄的文字內容",
      "tokens": [50364, 50365, 50365, 50365],
      "temperature": 0.2,
      "avg_logprob": -0.9929364013671875,
      "compression_ratio": 0.8888888888888888,
      "no_speech_prob": 0.0963134765625
    }
  ]
}

​
文字格式（text）

這是轉錄的文字內容

​
SRT 格式

1
00:00:00,000 --> 00:00:08,470
這是轉錄的文字內容

​
VTT 格式

WEBVTT

00:00:00.000 --> 00:00:08.470
這是轉錄的文字內容

​
最佳實踐

  1. 中文音訊處理：使用 whisper-large-v3 模型，設定 language="zh"，temperature=0.2，並提供合適的中文 prompt
  2. 英文音訊處理：可使用 distil-whisper-large-v3-en 獲得更快的處理速度
  3. 雜音處理：使用 prompt 提示模型忽略背景雜音或清理結巴等問題
  4. 長音訊處理：API 自動將長音訊分段處理，建議預處理音訊品質以獲得最佳效果
  5. 時間戳需求：需要精確時間戳時使用 verbose_json 格式和 timestamp_granularities
  6. 字幕製作：直接使用 srt 或 vtt 格式輸出，無需額外處理