ถอดเสียงเป็นข้อความ

/

POST /v1/audio/transcriptions รับ multipart/form-data ไม่ใช่ JSON ให้ส่ง model เป็นฟิลด์ฟอร์ม และไฟล์บันทึกเสียงเป็นส่วนไฟล์ชื่อ file คำตอบคือ {"text": "…"} ส่วน POST /v1/audio/translations มีรูปแบบเดียวกันและคืนภาษาอังกฤษ ต่างจากเอนด์พอยต์วิดีโอ ตัวนี้ทำงานแบบซิงโครนัส ไฟล์ยาวจึงค้างการเชื่อมต่อไว้จนกว่าจะเสร็จ

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."}
ต้นทุนต่ำสุด

stepaudio-2.5-asr

รวมถึง stepaudio-2-asr-pro โดย stepaudio-2.5-asr ถูกกว่าตัวอื่นบนเอนด์พอยต์นี้อย่างมาก ส่วนรุ่น pro แพงกว่าราวสิบห้าเท่า จึงคุ้มเฉพาะเมื่อความแม่นยำกับเสียงที่ยากเป็นเรื่องสำคัญ

รุ่นสตรีมมิง

stepaudio-2.5-asr-stream

โมเดลนี้สร้างมาสำหรับการรู้จำเสียงแบบสตรีม แต่เอนด์พอยต์นี้ไม่ได้สตรีมผลลัพธ์ของโมเดล ให้อัปโหลดไฟล์บันทึกเสียงฉบับสมบูรณ์เป็น wav (PCM 16 บิต) หรือ ogg แล้วข้อความถอดเสียงทั้งหมดจะกลับมาในการตอบกลับครั้งเดียว เหมือนโมเดลอื่น ๆ และมีราคาต่อนาทีสูงกว่ารุ่นที่ไม่สตรีม

หลายภาษาและสำเนียงถิ่น

qwen3-asr-flash

qwen3-asr-flash รองรับการถอดเสียงหลายภาษา ส่วน mimo-v2.5-asr ได้รับการปรับให้เหมาะกับภาษาถิ่นของจีน

เคล็ดลับ การคิดเงินนับความยาวของเสียงที่คุณอัปโหลด ที่อัตราหนึ่งพันโทเคนต่อนาที และปัดเศษความยาวขึ้นเป็นวินาทีเต็มก่อนแปลง ดังนั้นคลิปห้าวินาทีคิดเป็น 83 โทเคน และอะไรที่สั้นกว่าหนึ่งวินาทีก็ยังคิดเท่าหนึ่งวินาที ข้อความที่ถอดได้ไม่มีค่าใช้จ่าย ค่าใช้จ่ายจึงแปรตามความยาวไฟล์ ไม่ใช่ตามปริมาณคำพูดในไฟล์ การตัดช่วงเงียบออกจึงคุ้มค่า