AudioLebe
LebeOpenAI Whisper
Präzise mehrsprachige Transkription von einer Audio-URL mit einfacher Text-, ausführlicher JSON- oder zeitgestempelter SRT/VTT-Untertitelausgabe.
Audio → text
$0.012 / minute
LebeOpenAI + Google2 Modelle
Speech-to-Text-API – KI-Transkription und Audioanalyse
Die Speech-to-Text-API von Muapi wandelt gesprochenes Audio über einen einheitlichen REST-Endpunkt in Text um. Verwenden Sie Whisper für eine präzise mehrsprachige Transkription mit optionalen zeitgestempelten SRT/VTT-Untertiteln oder Gemini Audio Vision für eine zeitgesteuerte Analyse von Ton, Sprechern und Hintergrundgeräuschen. Ein API-Schlüssel, ein Sende- und Umfrageablauf und ein Pay-as-you-go-Preis ab 0,012 $ pro Minute.
Live-Audiomodelle
Transkription und angeleitetes Audioverständnis2 ModelleVersuchen Sie es mit Modell
AudioLebe
LebeGemini Audio Vision
Natives Audioverständnis über die Transkription hinaus: Fragen Sie nach Sprache, Tonfall, Sprecherwechsel, Musik oder Hintergrundgeräuschen und erhalten Sie eine detaillierte Textanalyse.
Audio → analysis
$2.00/M in · $5.00/M out
Kein Modell entspricht Ihren Filtern.
Was ist eine Speech-to-Text-API?
Eine Speech-to-Text-API wandelt gesprochenes Audio über eine HTTP-Anfrage in geschriebenen Text um. Senden Sie eine Audiodatei-URL und erhalten Sie ein Transkript, ohne eine manuelle Transkription oder Audioverarbeitungspipeline aufzubauen.
Muapi stellt Whisper und Gemini Audio Vision über dasselbe einheitliche REST-Muster bereit, das auf der gesamten Plattform verwendet wird. Whisper ist die zielgerichtete Wahl für mehrsprachige Transkription und Untertitel; Gemini Audio Vision akzeptiert eine Eingabeaufforderung, wenn Sie Analysen, Zusammenfassungen oder strukturierte Beobachtungen zur gesamten Aufnahme benötigen.
Beide Endpunkte verwenden einen Muapi-API-Schlüssel und den standardmäßigen asynchronen Anforderungs- und Abfragelebenszyklus. Wählen Sie das Modell für jeden Auftrag und zahlen Sie nur für die von Ihnen ausgeführte Generation.
Speech-to-Text-API-Funktionen
Mehrsprachige Transkription
Whisper transkribiert gesprochenes Audio in Dutzenden von Sprachen und kann einen optionalen ISO-639-1-Sprachhinweis akzeptieren.
Untertitel mit Zeitstempel
Fordern Sie eine SRT- oder VTT-Ausgabe für Videountertitel an oder eine ausführliche JSON-Ausgabe, wenn Sie Timing und Metadaten pro Segment benötigen.
Geführte Audioanalyse
Gemini Audio Vision kann eine spezifische Frage zu einer Audiodatei beantworten, anstatt nur ein flaches Transkript zurückzugeben.
Sprecher- und Klangbewusstsein
Bitten Sie Zwillinge, Sprecherwechsel, Ton, Emotionen, Musik und andere Hintergrundgeräusche in der Aufnahme zu identifizieren.
Meeting- und Podcast-Workflows
Verwandeln Sie Interviews, Besprechungen, Vorträge und Podcasts in durchsuchbare Transkripte, Notizen oder strukturierte nachgelagerte Eingaben.
Eine asynchrone Integration
Verwenden Sie denselben API-Schlüssel, denselben Upload-Ablauf, denselben Übermittlungsendpunkt und denselben Ergebnisabfragevertrag wie bei jedem anderen Muapi-Modell.
Anwendungsfälle für Sprachausgabe
Videountertitel
Generieren Sie zeitgestempelte SRT- oder VTT-Dateien für Videos, Kurse, Podcasts und soziale Clips.
Intelligenz treffen
Transkribieren Sie Aufnahmen und stellen Sie gezielte Fragen zu Entscheidungen, Sprechern, Aktionspunkten oder Ton.
Sprachgesteuerte Anwendungen
Führen Sie Transkripte in einem automatisierten Workflow in Such-, Agenten-, Zusammenfassungs- oder andere Textgenerierungsschritte ein.
Vergleich von Speech-to-Text-Modellen
| Modell | Anbieter | Preis | Am besten für |
|---|---|---|---|
| Präzise mehrsprachige Transkription und Untertitel | |||
| Geführte Analyse von Sprache, Sprechern, Ton und Hintergrundgeräuschen |
Codebeispiele für die Speech-to-Text-API
Senden Sie eine Audio-URL mit den modellspezifischen Feldern, erhalten Sie eine Anforderungs-ID und fragen Sie den Standardergebnisendpunkt ab, bis das Transkript oder die Analyse abgeschlossen ist.
1. Transkribieren Sie mit OpenAI Whisper
Übergeben Sie audio_url und legen Sie optional Sprache, Antwortformat, Eingabeaufforderung oder Temperatur fest. Verwenden Sie srt oder vtt, wenn die Ausgabe in Untertitel umgewandelt wird.
2. Analysieren Sie Audio mit Gemini Audio Vision
Übergeben Sie audio_url und eine Eingabeaufforderung, die das Transkript, die Zusammenfassung, den Sprecher oder die Tonanalyse beschreibt, die Sie benötigen. Das Ergebnis enthält generierten Text.
Häufig gestellte Fragen zur Speech-to-Text-API
Was ist eine Speech-to-Text-API?
Eine Speech-to-Text-API wandelt eine Audioaufnahme über eine HTTP-Anfrage in geschriebenen Text um. Muapi bietet Whisper für genaue Transkription und Gemini Audio Vision für zeitnahes Audioverständnis.
Kann Whisper Untertitel anstelle von Klartext zurückgeben?
Ja. Setzen Sie „response_format“ auf „srt“ oder „vtt“ für die zeitgestempelte Untertitelausgabe oder verwenden Sie „verbose_json“ für Metadaten und Timing pro Segment.
Wie unterscheidet sich Gemini Audio Vision von der Transkription?
Gemini Audio Vision akzeptiert eine Aufforderung und Begründung für die gesamte Aufnahme. Es kann transkribieren, zusammenfassen, Sprecher identifizieren, den Ton beschreiben und Hintergrundmusik oder Geräusche diskutieren, anstatt nur Wort-für-Wort-Text zurückzugeben.
Wie viel kostet Speech-to-Text?
Whisper kostet 0,012 $ pro Minute Audio bei einer Mindestdauer von einer Minute. Gemini Audio Vision verwendet eine tokenbasierte Abrechnung zu 2,00 $ pro Million Eingabe-Tokens und 5,00 $ pro Million Ausgabe-Tokens.
Welche Audioformate kann ich bei Whisper einreichen?
Whisper akzeptiert gängige Formate, darunter MP3, MP4, MPEG, MPGA, M4A, WAV und WebM. Die hochgeladene Datei muss weniger als 25 MB groß sein.
Wie erhalte ich Zugriff auf die Speech to Text API?
Erstellen Sie ein Muapi-Konto, generieren Sie einen API-Schlüssel über das Dashboard und rufen Sie einen der Endpunkte auf. Es gibt keine Warteliste.
Text-to-Speech-API →Verwandeln Sie generierten Text nach der Transkription wieder in natürliche Sprache.KI-Audio- und Musik-API →Durchsuchen Sie Sprache, Musik, Soundeffekte und andere Audiomodelle.AI Lipsync API →Synchronisieren Sie eine transkriptgesteuerte Sprachspur mit einem Gesichtsvideo.
Bereit, Audio zu transkribieren?
Erstellen Sie einen Muapi-API-Schlüssel und beginnen Sie mit der Whisper-Transkription oder der Gemini Audio Vision-Analyse.