Âm thanhTrực tiếp
Trực tiếpOpenAI thì thầm
Phiên âm đa ngôn ngữ chính xác từ URL âm thanh, với văn bản thuần túy, JSON dài dòng hoặc đầu ra phụ đề SRT/VTT được đánh dấu thời gian.
Audio → text
$0.012 / minute
Trực tiếpOpenAI + Google2 mô hình
API giọng nói thành văn bản - Phân tích âm thanh và phiên âm AI
API chuyển giọng nói thành văn bản của Muapi biến âm thanh được nói thành văn bản thông qua một điểm cuối REST thống nhất. Sử dụng Whisper để phiên âm đa ngôn ngữ chính xác với phụ đề SRT/VTT được đánh dấu thời gian tùy chọn hoặc Gemini Audio Vision để phân tích nhanh về âm sắc, loa và âm thanh nền. Một khóa API, một luồng gửi và thăm dò ý kiến và mức giá thanh toán theo mức sử dụng từ 0,012 USD mỗi phút.
Mô hình âm thanh trực tiếp
Phiên âm và nhắc nhở hiểu âm thanh2 mô hìnhThử mẫu
Âm thanhTrực tiếp
Trực tiếpTầm nhìn âm thanh của Gemini
Hiểu âm thanh gốc ngoài phiên âm: hỏi về lời nói, âm sắc, thay đổi của người nói, âm nhạc hoặc âm thanh nền và nhận phân tích văn bản chi tiết.
Audio → analysis
$2.00/M in · $5.00/M out
Không có mô hình nào phù hợp với bộ lọc của bạn.
API chuyển lời nói thành văn bản là gì?
API chuyển giọng nói thành văn bản chuyển đổi âm thanh được nói thành văn bản bằng văn bản thông qua yêu cầu HTTP. Gửi URL tệp âm thanh và nhận bản ghi mà không cần xây dựng quy trình xử lý âm thanh hoặc chép lời thủ công.
Muapi giới thiệu Whisper và Gemini Audio Vision thông qua cùng một mẫu REST thống nhất được sử dụng trên nền tảng. Whisper là lựa chọn tập trung cho phiên âm và phụ đề đa ngôn ngữ; Gemini Audio Vision chấp nhận lời nhắc khi bạn cần phân tích, tóm tắt hoặc quan sát có cấu trúc về toàn bộ bản ghi.
Cả hai điểm cuối đều sử dụng một khóa API Muapi và vòng đời yêu cầu và thăm dò không đồng bộ tiêu chuẩn. Chọn mô hình cho từng công việc và chỉ trả tiền cho thế hệ bạn chạy.
Khả năng của API giọng nói thành văn bản
Phiên âm đa ngôn ngữ
Whisper phiên âm âm thanh giọng nói qua hàng chục ngôn ngữ và có thể chấp nhận gợi ý ngôn ngữ ISO-639-1 tùy chọn.
Phụ đề có dấu thời gian
Yêu cầu đầu ra SRT hoặc VTT cho phụ đề video hoặc JSON chi tiết khi bạn cần siêu dữ liệu và thời gian cho mỗi phân đoạn.
Phân tích âm thanh được nhắc nhở
Gemini Audio Vision có thể trả lời một câu hỏi cụ thể về tệp âm thanh thay vì chỉ trả về bản ghi phẳng.
Nhận thức về loa và âm thanh
Yêu cầu Song Tử xác định những thay đổi của loa, giai điệu, cảm xúc, âm nhạc và các âm thanh nền khác trong bản ghi âm.
Quy trình làm việc của cuộc họp và podcast
Biến các cuộc phỏng vấn, cuộc họp, bài giảng và podcast thành bản ghi, ghi chú hoặc đầu vào có cấu trúc có thể tìm kiếm được.
Một tích hợp không đồng bộ
Sử dụng cùng một khóa API, luồng tải lên, điểm cuối gửi và hợp đồng thăm dò kết quả như mọi mô hình Muapi khác.
Các trường hợp sử dụng giọng nói thành văn bản
Chú thích video
Tạo tệp SRT hoặc VTT được đánh dấu thời gian cho video, khóa học, podcast và clip xã hội.
Thông tin cuộc họp
Chép lại các bản ghi âm và đặt các câu hỏi có mục tiêu về quyết định, diễn giả, mục hành động hoặc giọng điệu.
Ứng dụng điều khiển bằng giọng nói
Đưa bản ghi vào tìm kiếm, tác nhân, tóm tắt hoặc các bước tạo văn bản khác trong quy trình làm việc tự động.
So sánh mô hình lời nói và văn bản
| người mẫu | nhà cung cấp | Giá | Tốt nhất cho |
|---|---|---|---|
| Phiên âm và phụ đề đa ngôn ngữ chính xác | |||
| Phân tích nhanh chóng lời nói, người nói, âm sắc và âm thanh nền |
Ví dụ về mã API giọng nói thành văn bản
Gửi URL âm thanh với các trường dành riêng cho mô hình, nhận ID yêu cầu và thăm dò điểm cuối kết quả tiêu chuẩn cho đến khi bản ghi hoặc phân tích hoàn tất.
1. Phiên âm bằng OpenAI Whisper
Truyền audio_url và tùy chọn đặt ngôn ngữ, phản hồi_format, lời nhắc hoặc nhiệt độ. Sử dụng srt hoặc vtt khi đầu ra sẽ trở thành phụ đề.
2. Phân tích âm thanh với Gemini Audio Vision
Truyền audio_url và lời nhắc mô tả bản ghi, tóm tắt, diễn giả hoặc phân tích âm thanh mà bạn cần. Kết quả chứa văn bản được tạo ra.
Câu hỏi thường gặp về API giọng nói thành văn bản
API chuyển lời nói thành văn bản là gì?
API chuyển giọng nói thành văn bản chuyển đổi bản ghi âm thành văn bản viết thông qua yêu cầu HTTP. Muapi cung cấp Whisper để phiên âm chính xác và Gemini Audio Vision để hiểu âm thanh được nhắc nhở.
Whisper có thể trả lại phụ đề thay vì văn bản thuần túy không?
Vâng. Đặt reply_format thành srt hoặc vtt cho đầu ra phụ đề được đánh dấu thời gian hoặc sử dụng Verbose_json cho siêu dữ liệu và thời gian trên mỗi phân đoạn.
Gemini Audio Vision khác với phiên âm như thế nào?
Gemini Audio Vision chấp nhận lời nhắc và lý do đối với bản ghi đầy đủ. Nó có thể phiên âm, tóm tắt, xác định người nói, mô tả giai điệu và thảo luận về nhạc nền hoặc âm thanh thay vì chỉ trả về văn bản từng từ.
Chi phí chuyển lời nói thành văn bản là bao nhiêu?
Whisper có giá 0,012 USD mỗi phút âm thanh với thời lượng tối thiểu một phút. Gemini Audio Vision sử dụng phương thức thanh toán dựa trên mã thông báo ở mức 2,00 USD trên một triệu mã thông báo đầu vào và 5,00 USD trên một triệu mã thông báo đầu ra.
Tôi có thể gửi những định dạng âm thanh nào tới Whisper?
Whisper chấp nhận các định dạng phổ biến bao gồm mp3, mp4, mpeg, mpga, m4a, wav và webm. Tệp được tải lên phải dưới 25 MB.
Làm cách nào để tôi có được quyền truy cập API Chuyển giọng nói thành văn bản?
Tạo tài khoản Muapi, tạo khóa API từ trang tổng quan và gọi một trong hai điểm cuối. Không có danh sách chờ.
API chuyển văn bản thành giọng nói →Biến văn bản được tạo trở lại thành giọng nói tự nhiên sau khi phiên âm.API âm thanh và âm nhạc AI →Duyệt qua giọng nói, âm nhạc, hiệu ứng âm thanh và các mẫu âm thanh khác.API Lipsync AI →Đồng bộ hóa bản ghi giọng nói được điều khiển bằng bản ghi với video khuôn mặt.
Sẵn sàng để phiên âm âm thanh?
Tạo một khóa API Muapi và bắt đầu với phiên mã Whisper hoặc phân tích Tầm nhìn âm thanh Gemini.