Создать расшифровку (STT)
Распознавание файлов, Base64 и записей по URL с временными метками и разделением спикеров.
Обновлено
POST /v1/audio/transcriptions принимает JSON или multipart/form-data и возвращает JSON. Передавайте API-ключ рабочего пространства в Authorization: Bearer.
Загрузить запись
Выберите модель с операцией transcription в каталоге аудио. Модель из примера принимает моно PCM WAV 16 кГц; для других форматов сначала проверьте актуальный профиль.
export PROVOD_API_KEY="sk_..."
export AUDIO_MODEL="speechkit-stt-general"
curl --fail-with-body --silent --show-error \
https://api.provod.ai/v1/audio/transcriptions \
-H "Authorization: Bearer $PROVOD_API_KEY" \
-F "model=$AUDIO_MODEL" \
-F "file=@recording.wav;type=audio/wav" \
-F "response_format=json" -o transcript.jsonУспешный ответ по умолчанию содержит text. Необязательный блок usage может отсутствовать. curl -F сам задаёт границу multipart: не устанавливайте Content-Type вручную.
Передать Base64 или URL
В JSON объект input_audio содержит ровно один источник. Для данных внутри запроса передавайте канонический Base64 без префикса data: и укажите format:
import { readFile } from "node:fs/promises";
const response = await fetch("https://api.provod.ai/v1/audio/transcriptions", {
method: "POST",
headers: {
Authorization: `Bearer ${process.env.PROVOD_API_KEY}`,
"Content-Type": "application/json",
},
body: JSON.stringify({
model: process.env.AUDIO_MODEL,
input_audio: {
data: (await readFile("recording.wav")).toString("base64"),
format: "wav",
},
response_format: "json",
}),
});
if (!response.ok) throw new Error(`${response.status}: ${await response.text()}`);
console.log((await response.json()).text);Другой вариант — общедоступный HTTP(S) URL. Замените демонстрационный адрес на URL своего файла:
{
"model": "speechkit-stt-general",
"input_audio": {
"url": "https://media.example.com/recording.wav",
"format": "wav"
},
"response_format": "json"
}Платформа скачивает и проверяет файл перед распознаванием. Адреса внутренних и локальных сетей, а также URL с учётными данными запрещены. Если format отсутствует, формат должен определяться по расширению в пути; для подписанных адресов и путей без расширения укажите его явно. Не передавайте одновременно data и url.
Поля запроса
| Поле | Тип | Поведение |
|---|---|---|
model | строка, обязательно | Публичный ID модели с операцией transcription |
input_audio | объект, только JSON | data + format или url + необязательный format |
file | бинарный файл, только multipart | Один аудио- или видеофайл |
language | строка | Двухбуквенный код ISO-639-1 строчными буквами, например en или ru; отсутствие требует поддержки автоопределения |
response_format | json или verbose_json | По умолчанию json |
timestamp_granularities | массив word/segment | Только для verbose_json; при json игнорируется |
diarize | логическое значение | Метки спикеров; нужны поддержка модели и verbose_json, при этом добавляются метки слов |
keyterms | массив строк | Подсказки распознаванию, если поддержаны; до 1000 терминов по 1–100 символов, у модели могут быть меньшие лимиты |
temperature | число | Только в опубликованном диапазоне выбранной модели |
provider, session_id, user, trace | объекты или строки | Общие параметры аудио |
В multipart передавайте метки повторяющимися полями timestamp_granularities[], diarize — как true/false, а provider и trace — строками JSON. Для терминов используйте JSON-массив в одном поле: -F 'keyterms=["Acme","SpeechKit"]'. Повторяющиеся keyterms[] тоже работают для коротких списков, но всего разрешено 32 текстовых поля и один файл; JSON-массив не расходует отдельное поле на каждый термин. Не передавайте обе формы массива одновременно. Неизвестные поля отклоняются, а не пересылаются без проверки.
Временные метки и ответ
curl --fail-with-body --silent --show-error \
https://api.provod.ai/v1/audio/transcriptions \
-H "Authorization: Bearer $PROVOD_API_KEY" \
-F "model=$AUDIO_MODEL" \
-F "file=@recording.wav;type=audio/wav" \
-F "response_format=verbose_json" \
-F "timestamp_granularities[]=word" \
-F "timestamp_granularities[]=segment" -o transcript.json{
"text": "Hello world",
"task": "transcribe",
"duration": 2.4,
"words": [
{"word": "Hello", "start": 0.2, "end": 0.8},
{"word": "world", "start": 0.9, "end": 1.5}
],
"segments": [{"id": 0, "text": "Hello world", "start": 0.2, "end": 1.5}]
}Время указано в секундах от начала аудио. Дополнительные поля language, оценки уверенности, метки спикеров и сущности появляются, только если их вернула модель. Отсутствие оценки уверенности не означает нулевую уверенность. Разделение спикеров не устанавливает реальные личности людей.
Ограничения файлов и моделей
Для multipart и Base64 внутри JSON допускается не более 25 МиБ (26 214 400 байт) исходного файла. Base64 увеличивает JSON, но лимит применяется к декодированным байтам. При импорте по URL предел — 100 МиБ (104 857 600 байт). У модели могут быть меньшие ограничения, а также пределы длительности, кодека, частоты и числа каналов. Прямая загрузка в кабинете имеет отдельные лимиты и не увеличивает лимит multipart или Base64 в API.
Распознаваемые обозначения форматов: wav, mp3, mp4, m4a, ogg, webm, flac, pcm, mov, mpeg, mpg. Это список форматов входа, а не обещание поддержки любой моделью. В частности, сырой PCM не содержит описания характеристик и должен пройти проверку медиа; для PCM-записей используйте WAV.
Видео принимается, если содержит декодируемую звуковую дорожку. Валидатор извлекает звук для распознавания; содержимое кадров не анализируется. Для multipart указывайте реальный MIME-тип, например file=@recording.mp4;type=video/mp4. Извлечённое аудио должно соответствовать профилю модели. Видео без звука или повреждённый файл отклоняется.