LjudLive
LiveOpenAI Whisper
Exakt flerspråkig transkription från en ljud-URL, med vanlig text, utförlig JSON eller tidsstämplad SRT/VTT-undertext.
Audio → text
$0.012 / minute
LiveOpenAI + Google2 modeller
Tal till text API — AI-transkription och ljudanalys
Muapis tal-till-text API förvandlar talat ljud till text genom en enhetlig REST-slutpunkt. Använd Whisper för korrekt flerspråkig transkription med valfria tidsstämplade SRT/VTT-undertexter, eller Gemini Audio Vision för snabb analys av ton, högtalare och bakgrundsljud. En API-nyckel, ett skicka-och-omröstningsflöde och betal-i-för-mån-priser från 0,012 USD per minut.
Live ljudmodeller
Transkription och uppmanad ljudförståelse2 modellerProva Model
LjudLive
LiveGemini Audio Vision
Inbyggd ljudförståelse bortom transkription: fråga om tal, ton, högtalarbyten, musik eller bakgrundsljud och få en detaljerad textanalys.
Audio → analysis
$2.00/M in · $5.00/M out
Inga modeller matchar dina filter.
Vad är ett Speech to Text API?
Ett tal-till-text-API konverterar talat ljud till skriven text genom en HTTP-förfrågan. Skicka in en webbadress för en ljudfil och få en transkription utan att bygga en pipeline för manuell transkription eller ljudbearbetning.
Muapi exponerar Whisper och Gemini Audio Vision genom samma enhetliga REST-mönster som används över plattformen. Whisper är det fokuserade valet för flerspråkig transkription och undertexter; Gemini Audio Vision accepterar en uppmaning när du behöver analyser, sammanfattningar eller strukturerade observationer om hela inspelningen.
Båda slutpunkterna använder en Muapi API-nyckel och den asynkrona standardlivscykeln för begäran och undersökning. Välj modell för varje jobb och betala bara för den generation du driver.
Tal till text API-funktioner
Flerspråkig transkription
Whisper transkriberar talat ljud över dussintals språk och kan acceptera ett valfritt ISO-639-1 språktips.
Tidsstämplade undertexter
Begär SRT- eller VTT-utdata för videotextning, eller utförlig JSON när du behöver timing och metadata per segment.
Uppmanad ljudanalys
Gemini Audio Vision kan svara på en specifik fråga om en ljudfil istället för att bara returnera en platt utskrift.
Högtalare och ljudmedvetenhet
Be Gemini att identifiera högtalarförändringar, ton, känslor, musik och andra bakgrundsljud i inspelningen.
Mötes- och poddarbetsflöden
Förvandla intervjuer, möten, föreläsningar och poddsändningar till sökbara utskrifter, anteckningar eller strukturerade nedströmsdata.
En asynkron integration
Använd samma API-nyckel, ladda upp flöde, skicka in slutpunkt och resultatundersökningskontrakt som alla andra Muapi-modeller.
Användningsfall för tal till text
Videotextning
Generera tidsstämplade SRT- eller VTT-filer för videor, kurser, podcaster och sociala klipp.
Möte intelligens
Transkribera inspelningar och ställ riktade frågor om beslut, talare, åtgärder eller ton.
Röstdrivna applikationer
Mata in transkriptioner till sökningar, agenter, sammanfattningar eller andra textgenereringssteg i ett automatiserat arbetsflöde.
Jämförelse av tal till textmodeller
| Modell | Leverantör | Pris | Bäst för |
|---|---|---|---|
Exempel på tal till text API-kod
Skicka in en ljud-URL med de modellspecifika fälten, få ett begäran-ID och polla standardresultatets slutpunkt tills transkriptionen eller analysen är klar.
1. Transkribera med OpenAI Whisper
Skicka audio_url och valfritt ange språk, response_format, prompt eller temperatur. Använd srt eller vtt när utgången blir undertext.
2. Analysera ljud med 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"Skicka audio_url och en prompt som beskriver transkriptionen, sammanfattningen, talaren eller ljudanalysen du behöver. Resultatet innehåller genererad text.
Tal till text API FAQ
Vad är ett Speech to Text API?
Ett tal-till-text-API konverterar en ljudinspelning till skriven text genom en HTTP-förfrågan. Muapi tillhandahåller Whisper för korrekt transkription och Gemini Audio Vision för snabb ljudförståelse.
Kan Whisper returnera undertexter istället för vanlig text?
Ja. Ställ in response_format till srt eller vtt för tidsstämplad undertextutdata, eller använd verbose_json för per-segment metadata och timing.
Hur skiljer sig Gemini Audio Vision från transkription?
Gemini Audio Vision accepterar en uppmaning och skäl för hela inspelningen. Den kan transkribera, sammanfatta, identifiera talare, beskriva ton och diskutera bakgrundsmusik eller ljud istället för att bara returnera ord-för-ord-text.
Hur mycket kostar tal-till-text?
Whisper kostar 0,012 USD per minut av ljud med minst en minut. Gemini Audio Vision använder token-baserad fakturering på $2,00 per miljon inmatade tokens och $5,00 per miljon output tokens.
Vilka ljudformat kan jag skicka till Whisper?
Whisper accepterar vanliga format inklusive mp3, mp4, mpeg, mpga, m4a, wav och webm. Den uppladdade filen måste vara mindre än 25 MB.
Hur får jag åtkomst till Speech to Text API?
Skapa ett Muapi-konto, generera en API-nyckel från instrumentpanelen och anrop endera slutpunkten. Det finns ingen väntelista.
Text till tal API →Förvandla genererad text tillbaka till naturligt tal efter transkription.AI Audio & Music API →Bläddra bland tal, musik, ljudeffekter och andra ljudmodeller.AI Lipsync API →Synkronisera ett transkriptionsdrivet röstspår till en ansiktsvideo.
Är du redo att transkribera ljud?
Skapa en Muapi API-nyckel och börja med Whisper-transkription eller Gemini Audio Vision-analys.