Речь в текст

/

POST /v1/audio/transcriptions принимает multipart/form-data, а не JSON: передайте model как поле формы, а запись — как файловую часть с именем file. Ответ имеет вид {"text": "…"}. POST /v1/audio/translations устроен так же и возвращает английский текст. В отличие от эндпоинтов видео этот работает синхронно, поэтому длинная запись удерживает соединение открытым до завершения.

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."}
Самая низкая цена

stepaudio-2.5-asr

Вместе с stepaudio-2-asr-pro. stepaudio-2.5-asr с большим отрывом самая дешёвая модель расшифровки на этом эндпоинте; вариант pro стоит примерно в пятнадцать раз дороже и оправдан лишь тогда, когда важна точность на сложном аудио.

Потоковые версии

stepaudio-2.5-asr-stream

Эта модель создана для потокового распознавания, но этот эндпоинт не передаёт её результат потоком: загрузите полную запись в wav (16-битный PCM) или ogg, и вся расшифровка вернётся одним ответом, как у остальных моделей. Она стоит дороже за минуту, чем её непотоковый аналог.

Многоязычные и диалекты

qwen3-asr-flash

qwen3-asr-flash поддерживает многоязычную транскрипцию. mimo-v2.5-asr настроена для китайских диалектов.

Совет Тарификация считает длительность загруженного вами аудио из расчёта тысяча токенов на минуту, причём длительность округляется вверх до целой секунды перед пересчётом — так что пятисекундный фрагмент тарифицируется как 83 токена, а всё, что короче секунды, всё равно тарифицируется как одна. Сама расшифровка бесплатна. Поэтому стоимость растёт с длиной записи, а не с количеством речи в ней, и обрезать тишину имеет смысл.