音频利用可能
利用可能OpenAI Whisper
タイムスタンプ付きの出力に対応した、堅牢で高精度な多言語音声文字起こし。
Audio → text
$0.012 / minute
利用可能OpenAI + Google2 個のモデル
Speech to Text API — AI音声文字起こし＆音声認識
Muapiのspeech-to-text APIは、多言語WhisperモデルやGemini Audio Visionによるコンテキスト対応の音声理解を通じて、音声を正確なテキスト、タイムスタンプ付き字幕、インサイトに変換します。
利用可能的音频模型
文字起こしおよびプロンプトベースの高度な音声理解。2 個のモデルPlaygroundで試す
音频利用可能
利用可能Gemini Audio Vision
単なる文字起こしを超え、要約、話者識別、プロンプト指示による分析を行うネイティブ音声理解。
Audio → analysis
$2.00/M in · $5.00/M out
条件に一致するモデルはありません。
语 とは？音转文字 API とは？
speech-to-text APIは、録音された音声をプレーンテキストやタイムスタンプ付きの字幕形式に変換します。会議録、動画キャプション、ボイスメールの要約、音声コマンド処理などに不可欠な技術です。
Muapiは標準的な多言語書き起こし用のWhisperと、プロンプトベースで音声を多角的に分析できるGemini Audio Visionの2つのエンドポイントを提供します。
両エンドポイントとも1つのMuapi APIキーと共通の非同期ポーリングフローを採用しており、インフラ管理不要ですぐに利用できます。
语音转文字 API 功能
多语言转录
Whisper 支持数十种语言的语音转录，也可以传入可選的 ISO-639-1 语言提示。
带時间戳的字幕
動画の字幕やキャプション用途向けに、タイムスタンプ付きのSRTまたはVTT形式の出力を指定可能。
プロンプトによる音声分析
Gemini Audio Visionは、通話の要約や特定質問への回答など、プロンプトで指示されたタスクを直接実行可能。
話者と音響環境の認識
話者の切り替わり、感情のトーン、背景音の識別をGeminiに指示できます。
会议および播客流程
将访谈、会议、讲座和播客转换として可搜索的转录、笔记或下游结构化输入。
統一异步集成
および Muapi 的其他模型一样，使用相同的 API 密钥、上传流程、提交端点和结果轮询协议。
语音转文字主な活用事例
視频字幕
動画やポッドキャスト向けにタイムスタンプ付きのSRTやVTTファイルを自動生成。
会议智能
録音データを書き起こし、顧客対応や会議の要点についてターゲットを絞った質問を行うことが可能。
语音驱動应用
将转录结果传入搜索、智能体、摘要或自動化工作流中的其他文本生成步骤。
语音转文字モデル比較
| モデル | 提供方 | 价格 | 适合场景 |
|---|---|---|---|
| OpenAI Whisper | OpenAI | $0.012 / 分钟 | 准确的多语言转录和字幕 |
| Gemini Audio Vision | $2.00/M 输入 · $5.00/M 输出 token | 発話、話者、トーン、音響イベントに関するプロンプト指示ベースの高度な分析 |
语音转文字 API 代コード示例
モデル固有のパラメータを指定して音声URLを送信し、結果エンドポイントから文字起こしテキストを取得します。
1. 使用 OpenAI Whisper 转录
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"传入 audio_url，并根据需要設置 language、response_format、prompt 或 temperature。需要字幕時使用 srt 或 vtt。
2. Gemini Audio Visionによる音声分析
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"audio_urlと、実行したいタスク（要約、トーン分析など）を指示するプロンプトを渡します。
语音转文字 API よくある質問
语 とは？音转文字 API とは？
speech-to-text APIは、音声録音データを文字起こしテキスト、タイムスタンプ付きキャプション、または構造化された分析結果に変換します。
Whisper 可以返回字幕而不只是纯文本吗 とは？
可以。将 response_format 設置として srt 或 vtt 可生成带時间戳的字幕；使用 verbose_json 可以获取分段元数据和時间信息。
Gemini Audio Vision および普通转录有什么区别 とは？
Gemini Audio Visionはプロンプトを受け付け、単なる書き起こしにとどまらず要約や感情分析、話者識別など多様な質問に直接回答します。
语音转文字的价格是多少 とは？
Whisperは音声1分あたり$0.012です。Gemini Audio Visionはトークンベースの公式レートで課金されます。
Whisperにはどの音声フォーマットを送信できますか？
Whisper 支持 mp3、mp4、mpeg、mpga、m4a、wav 和 webm 等常见格式，上传文件必须小于 25 MB。
如何获得语音转文字 API 访問权限 とは？
Muapiアカウントを作成し、APIキーを発行してヘッダーに指定すれば、すぐに両エンドポイントを呼び出せます。
テキスト読み上げ API →转录后将生成的文本重新转换として自然语音。AI オーディオ＆音楽 API →音声合成、音楽生成、効果音、音声クローンモデルを包括的に閲覧できます。AI リップシンク API →文字起こしから生成した音声トラックを、リップシンク対応の動画アバターに同期させます。
音声の文字起こしを始めましょう
単一のMuapi APIキーを作成し、WhisperまたはGemini Audio Visionを数分で組み込めます。