ÁudioAo vivo
Ao vivoSussurro OpenAI
Transcrição multilíngue precisa de um URL de áudio, com texto simples, JSON detalhado ou saída de legenda SRT/VTT com carimbo de data/hora.
Audio → text
$0.012 / minute
Ao vivoOpenAI + Google2 modelos
API Speech to Text – Transcrição de IA e análise de áudio
A API de fala para texto do Muapi transforma áudio falado em texto por meio de um endpoint REST unificado. Use o Whisper para uma transcrição multilíngue precisa com legendas SRT/VTT opcionais com carimbo de data/hora ou o Gemini Audio Vision para análise imediata de tom, alto-falantes e som de fundo. Uma chave de API, um fluxo de envio e pesquisa e preços pré-pagos a partir de US$ 0,012 por minuto.
Modelos de áudio ao vivo
Transcrição e compreensão de áudio solicitada2 modelosExperimente o modelo
ÁudioAo vivo
Ao vivoVisão de Áudio Gêmeos
Compreensão nativa de áudio além da transcrição: pergunte sobre fala, tom, mudanças de locutor, música ou sons de fundo e receba uma análise detalhada do texto.
Audio → analysis
$2.00/M in · $5.00/M out
Nenhum modelo corresponde aos seus filtros.
O que é uma API de fala em texto?
Uma API de conversão de fala em texto converte áudio falado em texto escrito por meio de uma solicitação HTTP. Envie um URL de arquivo de áudio e receba uma transcrição sem criar uma transcrição manual ou pipeline de processamento de áudio.
Muapi expõe Whisper e Gemini Audio Vision por meio do mesmo padrão REST unificado usado em toda a plataforma. Whisper é a escolha focada para transcrição e legendas multilíngues; Gemini Audio Vision aceita um aviso quando você precisa de análises, resumos ou observações estruturadas sobre toda a gravação.
Ambos os endpoints usam uma chave de API Muapi e o ciclo de vida assíncrono padrão de solicitação e pesquisa. Escolha o modelo para cada trabalho e pague apenas pela geração que você dirige.
Recursos da API de fala em texto
Transcrição multilíngue
O Whisper transcreve áudio falado em dezenas de idiomas e pode aceitar uma dica de idioma ISO-639-1 opcional.
Legendas com carimbo de data/hora
Solicite saída SRT ou VTT para legendas de vídeo ou JSON detalhado quando precisar de tempo e metadados por segmento.
Análise de áudio solicitada
Gemini Audio Vision pode responder a uma pergunta específica sobre um arquivo de áudio em vez de retornar apenas uma transcrição simples.
Alto-falante e consciência sonora
Peça ao Gêmeos para identificar mudanças no alto-falante, tom, emoção, música e outros sons de fundo na gravação.
Fluxos de trabalho de reuniões e podcasts
Transforme entrevistas, reuniões, palestras e podcasts em transcrições pesquisáveis, notas ou entradas estruturadas posteriores.
Uma integração assíncrona
Use a mesma chave de API, fluxo de upload, endpoint de envio e contrato de pesquisa de resultados que qualquer outro modelo Muapi.
Casos de uso de fala para texto
Legendagem de vídeo
Gere arquivos SRT ou VTT com carimbo de data/hora para vídeos, cursos, podcasts e clipes sociais.
Inteligência de reunião
Transcreva gravações e faça perguntas específicas sobre decisões, palestrantes, itens de ação ou tom.
Aplicativos baseados em voz
Alimente transcrições em pesquisas, agentes, resumos ou outras etapas de geração de texto em um fluxo de trabalho automatizado.
Comparação de modelo de fala para texto
| Modelo | Provedor | Preço | Melhor para |
|---|---|---|---|
Exemplos de código da API Speech to Text
Envie um URL de áudio com os campos específicos do modelo, receba um ID de solicitação e pesquise o endpoint de resultado padrão até que a transcrição ou análise seja concluída.
1. Transcreva com OpenAI Whisper
Passe audio_url e, opcionalmente, defina idioma, formato de resposta, prompt ou temperatura. Use srt ou vtt quando a saída se tornar legenda.
2. Analise o áudio com Gemini Audio Vision
Passe audio_url e um prompt descrevendo a transcrição, resumo, palestrante ou análise de som que você precisa. O resultado contém texto gerado.
Perguntas frequentes sobre a API Speech to Text
O que é uma API de fala em texto?
Uma API de conversão de fala em texto converte uma gravação de áudio em texto escrito por meio de uma solicitação HTTP. Muapi fornece Whisper para transcrição precisa e Gemini Audio Vision para compreensão de áudio imediata.
O Whisper pode retornar legendas em vez de texto simples?
Sim. Defina response_format como srt ou vtt para saída de legenda com carimbo de data/hora ou use verbose_json para metadados e tempo por segmento.
Qual a diferença entre o Gemini Audio Vision e a transcrição?
A Gemini Audio Vision aceita uma solicitação e justifica a gravação completa. Ele pode transcrever, resumir, identificar oradores, descrever o tom e discutir música ou sons de fundo, em vez de retornar apenas texto palavra por palavra.
Quanto custa a conversão de fala em texto?
O Whisper custa US$ 0,012 por minuto de áudio com mínimo de um minuto. Gemini Audio Vision usa faturamento baseado em token de US$ 2,00 por milhão de tokens de entrada e US$ 5,00 por milhão de tokens de saída.
Quais formatos de áudio posso enviar para o Whisper?
O Whisper aceita formatos comuns, incluindo mp3, mp4, mpeg, mpga, m4a, wav e webm. O arquivo enviado deve ter menos de 25 MB.
Como obtenho acesso à API Speech to Text?
Crie uma conta Muapi, gere uma chave de API no painel e chame qualquer um dos endpoints. Não há lista de espera.
API de conversão de texto em fala →Transforme o texto gerado novamente em fala natural após a transcrição.API de áudio e música AI →Navegue por fala, música, efeitos sonoros e outros modelos de áudio.API Lipsync AI →Sincronize uma faixa de voz baseada em transcrição com um vídeo facial.
Pronto para transcrever áudio?
Crie uma chave de API Muapi e comece com a transcrição do Whisper ou a análise do Gemini Audio Vision.