Audio

Распознавание речи (Speech-to-Text) и синтез речи (Text-to-Speech).

Speech-to-Text (Whisper)

Транскрибация аудио в текст.

POST /v1/audio/transcriptions

Тело запроса

Multipart form data:

Параметр	Тип	Обязательный	Описание
file	file	Да	Аудио файл (mp3, mp4, mpeg, mpga, m4a, wav, webm)
model	string	Да	whisper-1
language	string	Нет	ISO-639-1 код языка (ru, en, etc.)
prompt	string	Нет	Контекст для улучшения распознавания
response_format	string	Нет	json, text, srt, verbose_json, vtt
temperature	number	Нет	0.0-1.0

Ответ

{
  "text": "Привет, это тестовая запись для проверки распознавания речи."
}

Примеры

cURL

curl https://api.aipomogator.ru/v1/audio/transcriptions \
  -H "Authorization: Bearer $API_KEY" \
  -F "file=@recording.mp3" \
  -F "model=whisper-1" \
  -F "language=ru"

Python

from openai import OpenAI

client = OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.aipomogator.ru/v1"
)

with open("recording.mp3", "rb") as audio_file:
    transcript = client.audio.transcriptions.create(
        model="whisper-1",
        file=audio_file,
        language="ru"
    )

print(transcript.text)

JavaScript

import OpenAI from 'openai';
import fs from 'fs';

const client = new OpenAI({
  apiKey: 'YOUR_API_KEY',
  baseURL: 'https://api.aipomogator.ru/v1',
});

const transcript = await client.audio.transcriptions.create({
  model: 'whisper-1',
  file: fs.createReadStream('recording.mp3'),
  language: 'ru',
});

console.log(transcript.text);

Verbose формат

При response_format: "verbose_json":

{
  "task": "transcribe",
  "language": "russian",
  "duration": 12.5,
  "text": "Привет, это тестовая запись.",
  "segments": [
    {
      "id": 0,
      "seek": 0,
      "start": 0.0,
      "end": 2.5,
      "text": "Привет,",
      "tokens": [123, 456],
      "temperature": 0.0,
      "avg_logprob": -0.15,
      "compression_ratio": 1.2,
      "no_speech_prob": 0.01
    }
  ]
}

SRT формат (субтитры)

При response_format: "srt":

1
00:00:00,000 --> 00:00:02,500
Привет, это тестовая

2
00:00:02,500 --> 00:00:05,000
запись для проверки.

Перевод аудио

Транскрибация и перевод на английский.

POST /v1/audio/translations

with open("russian_speech.mp3", "rb") as audio_file:
    translation = client.audio.translations.create(
        model="whisper-1",
        file=audio_file
    )

# Возвращает текст на английском
print(translation.text)

Text-to-Speech

Синтез речи из текста.

POST /v1/audio/speech

Тело запроса

{
  "model": "tts-1",
  "input": "Привет! Как дела?",
  "voice": "alloy"
}

Параметры

Параметр	Тип	Обязательный	Описание
model	string	Да	tts-1 или tts-1-hd
input	string	Да	Текст для озвучки (до 4096 символов)
voice	string	Да	Голос
response_format	string	Нет	mp3, opus, aac, flac, wav, pcm
speed	number	Нет	0.25-4.0 (default: 1.0)

Голоса

Голос	Описание
alloy	Нейтральный
echo	Мужской
fable	Выразительный
onyx	Глубокий мужской
nova	Женский
shimmer	Мягкий женский

Ответ

Бинарные данные аудио файла.

Примеры

cURL

curl https://api.aipomogator.ru/v1/audio/speech \
  -H "Authorization: Bearer $API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "tts-1",
    "input": "Привет! Это тестовый синтез речи.",
    "voice": "nova"
  }' \
  --output speech.mp3

Python

from openai import OpenAI

client = OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.aipomogator.ru/v1"
)

response = client.audio.speech.create(
    model="tts-1",
    voice="nova",
    input="Привет! Это тестовый синтез речи."
)

response.stream_to_file("speech.mp3")

Streaming

response = client.audio.speech.create(
    model="tts-1-hd",
    voice="alloy",
    input="Длинный текст для озвучки..."
)

# Потоковое сохранение
with open("speech.mp3", "wb") as f:
    for chunk in response.iter_bytes():
        f.write(chunk)

JavaScript

import OpenAI from 'openai';
import fs from 'fs';

const client = new OpenAI({
  apiKey: 'YOUR_API_KEY',
  baseURL: 'https://api.aipomogator.ru/v1',
});

const response = await client.audio.speech.create({
  model: 'tts-1',
  voice: 'nova',
  input: 'Привет! Это тестовый синтез речи.',
});

const buffer = Buffer.from(await response.arrayBuffer());
fs.writeFileSync('speech.mp3', buffer);

Модели

Whisper

Модель	Цена	Описание
whisper-1	$0.006/мин	Распознавание речи

TTS

Модель	Цена	Описание
tts-1	$0.015/1K символов	Стандартное качество
tts-1-hd	$0.030/1K символов	Высокое качество

Ограничения

• Whisper: максимум 25 MB на файл
• TTS: максимум 4096 символов на запрос

Для длинных текстов разбивайте на части:

def tts_long_text(text, max_chars=4000):
    chunks = [text[i:i+max_chars] for i in range(0, len(text), max_chars)]
    audio_parts = []

    for chunk in chunks:
        response = client.audio.speech.create(
            model="tts-1",
            voice="nova",
            input=chunk
        )
        audio_parts.append(response.content)

    return b''.join(audio_parts)

Ошибки

400 Invalid File

{
  "error": {
    "message": "Invalid file format. Supported: mp3, mp4, mpeg, mpga, m4a, wav, webm",
    "type": "invalid_request_error"
  }
}

413 File Too Large

{
  "error": {
    "message": "File too large. Maximum size is 25MB",
    "type": "invalid_request_error"
  }
}