請求主體
同步請求逾時: 這個非聊天端點會等待路由到的模型完成處理。大型輸入、長音訊或大量批次可能超過常見的 30s 用戶端預設逾時,因此請將 HTTP 用戶端逾時設定為至少120s。
file
必填
要轉錄的音訊檔案。支援格式:flac、mp3、mp4、mpeg、mpga、m4a、ogg、wav、webm。
string
預設值:"whisper-1"
要使用的模型。目前僅支援
whisper-1。string
音訊的語言,採用 ISO-639-1 格式(例如:
en、zh、ja)。string
可選文字,用於引導模型的風格或延續前一段內容。
string
預設值:"json"
輸出格式:
json、text、srt、verbose_json、vtt。number
預設值:"0"
取樣溫度(0 到 1)。
array
時間戳記粒度:
word 和/或 segment。需要 verbose_json。回應
string
轉錄後的文字。
verbose_json:
string
一律為
transcribe。string
偵測到的語言。
number
音訊時長(秒)。
array
含時間戳記的轉錄片段。
array
詞級時間戳記(若有請求)。