Transcription audio

/

POST /v1/audio/transcriptions attend du multipart/form-data, pas du JSON : envoyez model comme champ de formulaire et l’enregistrement comme partie fichier nommée file. La réponse est {"text": "…"}. POST /v1/audio/translations a la même forme et renvoie de l’anglais. Contrairement aux endpoints vidéo, celui-ci est synchrone : un enregistrement long garde la connexion ouverte jusqu’au bout.

POST /v1/audio/transcriptions 
curl https://api.chinaapi.ai/v1/audio/transcriptions \
  -H "Authorization: Bearer $CHINAAPI_KEY" \
  -F model=stepaudio-2.5-asr \
  -F file=@speech.mp3

# {"text":" China api text to speech verification."}
Le moins cher

stepaudio-2.5-asr

Avec stepaudio-2-asr-pro. stepaudio-2.5-asr est de loin le modèle de transcription le moins cher de l’endpoint ; la variante pro coûte environ quinze fois plus et ne se justifie que si la précision sur de l’audio difficile compte.

Variantes streaming

stepaudio-2.5-asr-stream

Ce modèle est conçu pour la reconnaissance en continu, mais l’endpoint ne diffuse pas sa sortie : envoyez un enregistrement complet en wav (PCM 16 bits) ou en ogg et la transcription entière revient en une seule réponse, comme pour les autres modèles. Il coûte plus cher à la minute que son équivalent non diffusé.

Multilingue et dialectes

qwen3-asr-flash

qwen3-asr-flash prend en charge la transcription multilingue. mimo-v2.5-asr est adapté aux dialectes chinois.

Conseil La facturation compte la durée de l’audio que vous envoyez, à mille tokens la minute, et la durée est arrondie à la seconde supérieure avant cette conversion — un extrait de cinq secondes est donc facturé 83 tokens, et tout ce qui dure moins d’une seconde est facturé comme une seconde. La transcription elle-même est gratuite. Le coût suit donc la longueur de l’enregistrement et non la quantité de parole qu’il contient, ce qui rend utile de couper les silences.