Преобразование речи в текст

LLMSTORE поддерживает преобразование речи в текст (STT) через выделенный /v1/audio/transcriptions эндпоинт. Отправьте аудио в кодировке Base64 и получите ответ JSON с расшифрованным текстом и статистикой использования.

Открытие модели

Найти модели STT можно несколькими способами:

Через API

Используйте Параметр запроса output_modalities в Models API , чтобы узнать о моделях STT:

# List only STT models
curl "https://api.llmstore.ru/v1/models?output_modalities=transcription"

На странице моделей

Посетите страницу Модели и фильтруйте по модальности вывода, чтобы найти модели, поддерживающие транскрипцию звука. Вы также можете просмотреть Коллекцию преобразования речи в текст за кураторский список.

Использование API

Отправить POST просьба /v1/audio/transcriptions с телом JSON, содержащим аудио в кодировке Base64. Ответом является JSON с расшифрованным текстом и дополнительной статистикой использования.

Базовый пример

Параметры запроса

Параметр	Тип	Требуется	Описание
`model`	строка	Да	Используемая модель STT (например, `openai/whisper-1`)
`input_audio`	объект	Да	Аудиоданные для расшифровки
`input_audio.data`	строка	Да	Аудиоданные в кодировке Base64 (необработанные байты, а не URI данных)
`input_audio.format`	строка	Да	Аудиоформат (например, `wav`, `mp3`, `flac`, `m4a`, `ogg`, `webm`, `aac`)
`language`	строка	Нет	Код языка ISO-639-1 (например, `"en"`, `"ja"`). Обнаруживается автоматически, если опущено
`temperature`	номер	Нет	Температура отбора проб от 0 до 1. Более низкие значения дают более детерминированные результаты
`provider`	объект	Нет	Конфигурация транзитной передачи для конкретного поставщика

Многочастные запросы, совместимые с OpenAI

Эндпоинт также поддерживает стиль OpenAI. multipart/form-data запросов, поэтому клиенты созданы для OpenAI /v1/audio/transcriptions (включая официальные SDK OpenAI) работают, указывая свой базовый URL-адрес по адресу Поддерживаются поля https://api.llmstore.ru/v1:

OpenAI SDK (Python)

from openai import OpenAI

client = OpenAI(
    base_url="https://api.llmstore.ru/v1",
    api_key="<LLMSTORE_API_KEY>",
)

with open("audio.wav", "rb") as f:
    result = client.audio.transcriptions.create(
        model="openai/whisper-large-v3",
        file=f,
    )

print(result.text)

cURL (multipart)

curl https://api.llmstore.ru/v1/audio/transcriptions \
  -H "Authorization: Bearer $LLMSTORE_API_KEY" \
  -F file="@audio.wav" \
  -F model="openai/whisper-large-v3"

Объект file, model, language, temperature, response_format, и timestamp_granularities . prompt принимается, но игнорируется. response_format может быть json (по умолчанию) или verbose_json, что добавляет task, language, durationи временные метки ответа на уровне сегмента; verbose_json доступен только у OpenAI-совместимых провайдеров (OpenAI, Groq, Together) — другие провайдеры отклоняют его с кодом 400. text, srt, и vtt отклоняются с оценкой 400. С verbose_json, пас timestamp_granularities[]=word , чтобы также получать метки времени на уровне слов в words массив (segment — значение провайдера по умолчанию). То же самое Поля response_format и Параметры timestamp_granularities работают по пути JSON в формате base64. Загрузка нескольких частей ограничена 25 МБ, то же самое ограничение устанавливает OpenAI. Для сжатых форматов это охватывает длинные записи — примерно 26 минут MP3 со скоростью 128 кбит/с, 52 минуты со скоростью 64 кбит/с или более 2 часов голосовых заметок Opus со скоростью 24 кбит/с. Несжатый WAV заполняет шапку гораздо быстрее (около 13 минут при моно 16 кГц); предпочитаю mp3 или Сообщения opus для длинных записей. Файлы большего размера следует отправлять в формате Base64 JSON через input_audio, который поддерживает разгрузку потоковой передачи, а записи длительностью обработки более минуты должны быть разделены в любом случае, поскольку время ожидания вышестоящих поставщиков истекает через 60 секунд на каждый запрос.

Опции, зависящие от поставщика

Вы можете передать параметры, специфичные для провайдера, с помощью provider параметр. Параметры кодируются слагом поставщика, и пересылаются только параметры соответствующего поставщика:

{
  "model": "openai/whisper-large-v3",
  "input_audio": {
    "data": "UklGRiQA...",
    "format": "wav"
  },
  "provider": {
    "options": {
      "groq": {
        "prompt": "Expected vocabulary: LLMSTORE, API, transcription"
      }
    }
  }
}

Формат ответа

Эндпоинт STT возвращает ответ JSON с расшифрованным текстом:

{
  "text": "Hello, this is a test of speech-to-text transcription.",
  "usage": {
    "seconds": 9.2,
    "total_tokens": 113,
    "input_tokens": 83,
    "output_tokens": 30,
    "cost": 0.000508
  }
}

Поля ответа

Поле	Тип	Описание
`text`	строка	Транскрибированный текст
`usage.seconds`	номер	Продолжительность входного звука в секундах
`usage.total_tokens`	номер	Общее количество использованных токенов (вход + вывод)
`usage.input_tokens`	номер	Количество выставленных счетов входных токенов
`usage.output_tokens`	номер	Количество сгенерированных выходных токенов
`usage.cost`	номер	Общая стоимость запроса в долларах США

Заголовки ответов

Заголовок	Описание
`X-Generation-Id`	Уникальный идентификатор генерации запроса, полезный для отслеживания и отладки

Поддерживаемые аудиоформаты

Поддерживаемые аудиоформаты зависят от поставщика. Общие форматы включают в себя:

Формат	MIME-тип	Описание
`wav`	`audio/wav`	Несжатый звук высочайшего качества
`mp3`	`audio/mpeg`	Сжатый звук, широкая совместимость
`flac`	`audio/flac`	Сжатый звук без потерь
`m4a`	`audio/mp4`	Аудио MPEG-4
`ogg`	`audio/ogg`	Огг Ворбис аудио
`webm`	`audio/webm`	Аудио WebM, часто встречающееся в записях браузера
`aac`	`audio/aac`	Расширенное аудиокодирование

Цены

В моделях STT используются разные стратегии ценообразования в зависимости от поставщика:

На основе продолжительности (например, OpenAI Whisper): цена за секунду аудиовхода.
На основе токенов (например, новые модели OpenAI): цена за токен ввода/вывода, аналогично текстовым моделям.

Стоимость каждой модели вы можете проверить на странице Модели или через Models API. Поле usage.cost в ответе показывает фактическую стоимость каждого запроса.

BYOK (принесите свой ключ)

STT поддерживает BYOK, что позволяет вам использовать ключи API вашего собственного провайдера. При настройке запросы направляются непосредственно поставщику с использованием вашего ключа, и LLMSTORE взимает только плату за свою платформу, а не стоимость модели за использование.

Детская площадка

Вы можете протестировать модели STT прямо в браузере, используя LLMSTORE Playground. Перейдите на страницу любой модели STT и используйте вкладку «Площадка», чтобы загрузить аудиофайл и просмотреть результат транскрипции.

Отличия от аудиовхода

LLMSTORE поддерживает два способа обработки звука:

Преобразование речи в текст (эта страница): специальный Эндпоинт /v1/audio/transcriptions оптимизирована для транскрипции. Возвращает структурированный JSON с расшифрованным текстом и данными об использовании. Лучше всего конвертировать аудио в текст.
Аудиовход через завершение чата (Аудиодокументы): отправлять аудио как часть /v1/chat/completions запрос с помощью input_audio тип контента. Модель обрабатывает звук вместе с текстом и отвечает в диалоговом режиме. Лучше всего подходит для анализа аудио, ответов на вопросы об аудиоконтенте или объединения аудио с другими модальностями.

Лучшие практики

Выберите правильный формат: WAV обеспечивает наилучшее качество транскрипции. MP3 и другие сжатые форматы работают хорошо, но могут немного снизить точность воспроизведения пограничного звука.
Размер файла: если аудиофайлы очень длинные, рассмотрите возможность разделения их на более мелкие сегменты. Тайм-аут восходящего поставщика составляет 60 секунд, поэтому время ожидания очень больших файлов может истечь.
Кодировка Base64: аудио должно отправляться как данные в кодировке Base64 (необработанные байты, а не URI данных). Большинство языков программирования имеют встроенные утилиты кодирования base64.

Устранение неполадок

Пусто или неправильная транскрипция?

Убедитесь, что аудиоформат соответствует Поле format в вашем запросе
Убедитесь, что качество звука достаточно для транскрипции.

Запросить время ожидания?

Тайм-аут больших аудиофайлов может превышать 60 секунд. Разделите длинные записи на более мелкие сегменты
Сжатые форматы (MP3, AAC) создают меньший объем полезной нагрузки и передаются быстрее.

Модель не найдена?

Используйте страницу Модели или Models API с output_modalities=transcription , чтобы найти доступные модели STT. — убедитесь, что обозначение модели правильное (например, openai/whisper-1, нет whisper-1)

Ошибка аутентификации?

Убедитесь, что вы используете действительный ключ API из вашей панели управления LLMSTORE. — эндпоинт STT использует ту же аутентификацию, что и API завершения чата.

Начало работы

Аутентификация

Мультимодальность

Модели и роутинг

Варианты моделей

Возможности

Плагины

Администрирование

Приватность

Лучшие практики

SDK и интеграции

Открытие модели

Через API

На странице моделей

Использование API

Базовый пример

Параметры запроса

Многочастные запросы, совместимые с OpenAI

Опции, зависящие от поставщика

Формат ответа

Поля ответа

Заголовки ответов

Поддерживаемые аудиоформаты

Цены

BYOK (принесите свой ключ)

Детская площадка

Отличия от аудиовхода

Лучшие практики

Устранение неполадок

​Открытие модели

​Через API

​На странице моделей

​Использование API

​Базовый пример

​Параметры запроса

​Многочастные запросы, совместимые с OpenAI

​Опции, зависящие от поставщика

​Формат ответа

​Поля ответа

​Заголовки ответов

​Поддерживаемые аудиоформаты

​Цены

​BYOK (принесите свой ключ)

​Детская площадка

​Отличия от аудиовхода

​Лучшие практики

​Устранение неполадок

Открытие модели

Через API

На странице моделей

Использование API

Базовый пример

Параметры запроса

Многочастные запросы, совместимые с OpenAI

Опции, зависящие от поставщика

Формат ответа

Поля ответа

Заголовки ответов

Поддерживаемые аудиоформаты

Цены

BYOK (принесите свой ключ)

Детская площадка

Отличия от аудиовхода

Лучшие практики

Устранение неполадок