AudioDisponible
DisponibleOpenAI Whisper
Transcripción multilingüe precisa desde una URL de audio, con texto sin formato, JSON detallado o salida de subtítulos SRT/VTT con marca de tiempo.
Audio → text
$0.012 / minute
DisponibleOpenAI + Google2 modelososoos
Speech to Text API — AI Transcription & Audio Analysis
La API de voz a texto de Muapi convierte el audio hablado en texto a través de un punto final REST unificado. Utilice Whisper para una transcripción multilingüe precisa con subtítulos SRT/VTT con marca de tiempo opcionales, o Gemini Audio Vision para un análisis rápido del tono, los parlantes y el sonido de fondo. Una clave API, un flujo de envío y encuesta y precios de pago por uso desde $0,012 por minuto.
Live audio models
Transcription and prompted audio understanding2 modelosProbar modelo
AudioDisponible
DisponibleGemini Audio Vision
Comprensión de audio nativa más allá de la transcripción: pregunte sobre el habla, el tono, los cambios de hablante, la música o los sonidos de fondo y reciba un análisis de texto detallado.
Audio → analysis
$2.00/M in · $5.00/M out
No hay modelos que coincidan con los filtros.
¿Qué es una API de voz a texto?
Una API de voz a texto convierte audio hablado en texto escrito mediante una solicitud HTTP. Envíe la URL de un archivo de audio y reciba una transcripción sin crear una transcripción manual ni un proceso de procesamiento de audio.
Muapi expone Whisper y Gemini Audio Vision a través del mismo patrón REST unificado utilizado en toda la plataforma. Whisper es la opción especializada para transcripciones y subtítulos multilingües; Gemini Audio Vision acepta un aviso cuando necesita análisis, resúmenes u observaciones estructuradas sobre toda la grabación.
Ambos puntos finales utilizan una clave API de Muapi y el ciclo de vida de solicitud y sondeo asincrónico estándar. Elija el modelo para cada trabajo y pague solo por la generación que ejecute.
Capacidades de Speech to Text API
Multilingual transcription
Whisper transcribe audio hablado en docenas de idiomas y puede aceptar una sugerencia de idioma ISO-639-1 opcional.
Timestamped subtitles
Solicite salida SRT o VTT para subtítulos de vídeo, o JSON detallado cuando necesite temporización y metadatos por segmento.
Prompted audio analysis
Gemini Audio Vision can answer a specific question about an audio file instead of returning only a flat transcript.
Speaker and sound awareness
Pídale a Gemini que identifique los cambios del hablante, el tono, las emociones, la música y otros sonidos de fondo en la grabación.
Meeting and podcast workflows
Turn interviews, meetings, lectures, and podcasts into searchable transcripts, notes, or structured downstream inputs.
One async integration
Utilice la misma clave API, flujo de carga, punto final de envío y contrato de sondeo de resultados que cualquier otro modelo de Muapi.
Casos de uso de Speech to text
Video captioning
Genere archivos SRT o VTT con marca de tiempo para videos, cursos, podcasts y clips sociales.
Meeting intelligence
Transcribe recordings and ask targeted questions about decisions, speakers, action items, or tone.
Voice-driven applications
Feed transcripts into search, agents, summarization, or other text-generation steps in an automated workflow.
Comparativa de modelos de voz a texto
| Model | Provider | Price | Best For |
|---|---|---|---|
| OpenAI Whisper | OpenAI | $0.012 / minute | Accurate multilingual transcription and subtitles |
| Gemini Audio Vision | $2.00/M input · $5.00/M output tokens | Análisis rápido del habla, los hablantes, el tono y el sonido de fondo. |
Ejemplos de código de la API de voz a texto
Envíe una URL de audio con los campos específicos del modelo, reciba un ID de solicitud y sondee el punto final de resultados estándar hasta que se complete la transcripción o el análisis.
1. Transcribe with OpenAI Whisper
curl -X POST https://api.muapi.ai/api/v1/openai-whisper -H "x-api-key: YOUR_API_KEY" -H "Content-Type: application/json" -d '{"audio_url":"https://example.com/meeting.mp3","language":"en","response_format":"verbose_json"}'
# Response: {"request_id":"REQUEST_ID"}
curl https://api.muapi.ai/api/v1/predictions/REQUEST_ID/result -H "x-api-key: YOUR_API_KEY"Pase audio_url y, opcionalmente, establezca el idioma, el formato de respuesta, el mensaje o la temperatura. Utilice srt o vtt cuando la salida se convierta en subtítulos.
2. Analyze audio with Gemini Audio Vision
curl -X POST https://api.muapi.ai/api/v1/gemini-audio-vision -H "x-api-key: YOUR_API_KEY" -H "Content-Type: application/json" -d '{"prompt":"Transcribe this audio and describe speaker changes, tone, and background sounds.","audio_url":"https://example.com/interview.mp3","model":"gemini-2.5-flash"}'
# Response: {"request_id":"REQUEST_ID"}
curl https://api.muapi.ai/api/v1/predictions/REQUEST_ID/result -H "x-api-key: YOUR_API_KEY"Pase audio_url y un mensaje que describa la transcripción, el resumen, el orador o el análisis de sonido que necesita. El resultado contiene texto generado.
Preguntas frecuentes sobre Speech to Text API
¿Qué es una API de voz a texto?
Una API de voz a texto convierte una grabación de audio en texto escrito mediante una solicitud HTTP. Muapi proporciona Whisper para una transcripción precisa y Gemini Audio Vision para una comprensión del audio solicitada.
Can Whisper return subtitles instead of plain text?
Sí. Establezca Response_format en srt o vtt para la salida de subtítulos con marca de tiempo, o use verbose_json para metadatos y tiempos por segmento.
¿En qué se diferencia Gemini Audio Vision de la transcripción?
Gemini Audio Vision acepta indicaciones y motivos sobre la grabación completa. Puede transcribir, resumir, identificar hablantes, describir el tono y discutir música o sonidos de fondo en lugar de devolver sólo texto palabra por palabra.
¿Cuánto cuesta la conversión de voz a texto?
Whisper cuesta $0,012 por minuto de audio con un mínimo de un minuto. Gemini Audio Vision utiliza facturación basada en tokens a $2,00 por millón de tokens de entrada y $5,00 por millón de tokens de salida.
What audio formats can I submit to Whisper?
Whisper acepta formatos comunes, incluidos mp3, mp4, mpeg, mpga, m4a, wav y webm. El archivo cargado debe tener menos de 25 MB.
¿Cómo obtengo acceso a la API de voz a texto?
Cree una cuenta Muapi, genere una clave API desde el panel y llame a cualquiera de los puntos finales. No hay lista de espera.
API de texto a voz →Turn generated text back into natural speech after transcription.AI Audio & Music API →Explore voz, música, efectos de sonido y otros modelos de audio.AI Lipsync API →Sync a transcript-driven voice track to a face video.
Ready to transcribe audio?
Obtén tu clave de API y empieza a generar en cuestión de minutos. Facturación por uso, sin cuotas mensuales fijas.