音声認識

POST /v1/audio/transcriptions は JSON ではなく multipart/form-data を受け取ります。model はフォームフィールドとして、録音は file という名前のファイルパートとして送ります。返るのは {"text": "…"} です。POST /v1/audio/translations は同じ形で、英語を返します。動画のエンドポイントと違いこちらは同期処理なので、長い録音は終わるまで接続を保持します。

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."}