stepaudio-2.5-asr
Junto com stepaudio-2-asr-pro. stepaudio-2.5-asr é de longe o modelo de transcrição mais barato do endpoint; a variante pro custa cerca de quinze vezes mais e só compensa quando a precisão em áudio difícil importa.
Fala para texto
/
Nada corresponde. Tente um protocolo, uma capacidade ou um caminho de endpoint.
POST /v1/audio/transcriptions aceita multipart/form-data, não JSON: envie model como campo de formulário e a gravação como parte de arquivo chamada file. A resposta é {"text": "…"}. POST /v1/audio/translations tem o mesmo formato e devolve inglês. Diferente dos endpoints de vídeo, este é síncrono, então uma gravação longa mantém a conexão aberta até terminar.
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."}stepaudio-2.5-asr-stream
Este modelo foi feito para reconhecimento em streaming, mas este endpoint não transmite a saída dele em streaming: envie uma gravação completa em wav (PCM de 16 bits) ou ogg e a transcrição inteira volta em uma única resposta, como nos outros modelos. Ele custa mais por minuto que seu equivalente sem streaming.
qwen3-asr-flash
qwen3-asr-flash oferece transcrição multilíngue. mimo-v2.5-asr é ajustado para dialetos chineses.
Dica
A cobrança conta a duração do áudio que você envia, a mil tokens por minuto, e a duração é arredondada para cima ao segundo inteiro antes dessa conversão — então um trecho de cinco segundos é cobrado como 83 tokens, e qualquer coisa abaixo de um segundo ainda é cobrada como se fosse um. A transcrição em si é gratuita. O custo, portanto, acompanha a duração da gravação e não quanta fala ela contém, o que torna vantajoso cortar os silêncios.