Reconnaissance vocale

La reconnaissance vocale transcrit l’audio parlé en texte écrit. Envoyez un fichier audio à /audio/transcriptions, choisissez un modèle de transcription et sélectionnez le format de réponse que vous souhaitez recevoir. Vous travaillez sur l’enregistrement d’une conversation ? Notes de réunion avec la reconnaissance vocale part d’un fichier audio pour aboutir à des décisions et des actions à réaliser qui citent la seconde où elles ont été convenues, en précisant quels modèles renvoient les horodatages de segments et comment gérer une transcription qui ne dit jamais qui parle.

Utilisation de base

import os

import requests

with open("meeting.mp3", "rb") as audio:
    response = requests.post(
        "https://api.venice.ai/api/v1/audio/transcriptions",
        headers={"Authorization": f"Bearer {os.environ['VENICE_API_KEY']}"},
        files={"file": audio},
        data={
            "model": "nvidia/parakeet-tdt-0.6b-v3",
            "response_format": "json",
        },
    )

response.raise_for_status()
print(response.json()["text"])

import { createReadStream } from "node:fs";
import FormData from "form-data";

const form = new FormData();
form.append("file", createReadStream("meeting.mp3"));
form.append("model", "nvidia/parakeet-tdt-0.6b-v3");
form.append("response_format", "json");

const response = await fetch("https://api.venice.ai/api/v1/audio/transcriptions", {
  method: "POST",
  headers: {
    Authorization: `Bearer ${process.env.VENICE_API_KEY}`,
    ...form.getHeaders(),
  },
  body: form,
});

if (!response.ok) {
  throw new Error(await response.text());
}

const transcript = await response.json();
console.log(transcript.text);

curl https://api.venice.ai/api/v1/audio/transcriptions \
  -H "Authorization: Bearer $VENICE_API_KEY" \
  --form [email protected] \
  --form model=nvidia/parakeet-tdt-0.6b-v3 \
  --form response_format=json

Entrées prises en charge

Les formats audio pris en charge sont wav, wave, flac, m4a, aac, mp4, mp3, ogg, oga et webm. Un fichier est accepté lorsque son type MIME ou son extension figure dans cette liste, et les octets téléversés doivent également passer une vérification des octets magiques — renommer un fichier avec une extension prise en charge ne suffira pas. Consultez la page Modèles de reconnaissance vocale pour connaître les modèles actuellement pris en charge et les tarifs.

Formats de réponse

Format	À utiliser lorsque
`json`	Vous souhaitez une réponse structurée : `text`, plus `duration` et `timestamps` lorsqu’ils sont disponibles.
`text`	Vous souhaitez du texte brut sans analyse JSON.

Ce sont les deux seules valeurs acceptées par response_format. Il n’existe pas d’option srt, vtt ou verbose_json — en demander une renvoie un 400. Pour créer des sous-titres, utilisez timestamps: true avec response_format: json et générez vous-même le rendu des données temporelles.

Timestamps

Passez timestamps=true pour recevoir des données temporelles avec la transcription. La prise en charge est spécifique au modèle, et la granularité diffère :

Modèle	Granularité
`elevenlabs/scribe-v2`	`word`
`stt-xai-v1`	`word`
`openai/whisper-large-v3`	`segment`
`fal-ai/wizper`	`segment`
`nvidia/parakeet-tdt-0.6b-v3`	Aucune

Le modèle par défaut, nvidia/parakeet-tdt-0.6b-v3, accepte timestamps=true puis l’ignore — vous obtenez une réponse contenant uniquement text, sans erreur ni avertissement. Choisissez un modèle du tableau ci-dessus si vous avez besoin de données temporelles, et vérifiez que la clé timestamps existe avant de la lire.

curl https://api.venice.ai/api/v1/audio/transcriptions \
  -H "Authorization: Bearer $VENICE_API_KEY" \
  --form [email protected] \
  --form model=elevenlabs/scribe-v2 \
  --form timestamps=true \
  --form response_format=json

{
  "text": "The quick brown fox jumps over the lazy dog.",
  "duration": 4.099,
  "timestamps": {
    "word": [
      { "word": "The", "start": 0.0, "end": 0.14 },
      { "word": "quick", "start": 0.14, "end": 0.42 }
    ]
  }
}

Les modèles au niveau du segment renvoient à la place un tableau segment, où chaque entrée est { "text": "...", "start": 0.0, "end": 3.2 }. Tous les temps sont en secondes.

Aucun modèle de transcription Venice n’effectue de diarisation des locuteurs, il n’y a donc pas de champ speaker dans les réponses. Une transcription est un flux de texte unique — les locuteurs ne peuvent être attribués que lorsqu’un nom est prononcé à voix haute.

Conseils pour la production

Gardez l’audio clair et évitez les locuteurs qui se chevauchent lorsque possible.
Découpez les enregistrements très longs en fragments plus petits si votre flux de travail nécessite une latence plus faible ou des réessais plus faciles.
Stockez le chemin audio d’origine, l’identifiant du modèle et le format de réponse avec chaque transcription pour la traçabilité.

Documentation

Démarrage

Texte et chat

Image

Vidéo

Audio

Recherche et RAG

Agents et intégrations

Outils de code

Outils pour agents

SDK et frameworks

Utilisation de base

Entrées prises en charge

Formats de réponse

Timestamps

Conseils pour la production

Ressources connexes

​Utilisation de base

​Entrées prises en charge

​Formats de réponse

​Timestamps

​Conseils pour la production

​Ressources connexes

Utilisation de base

Entrées prises en charge

Formats de réponse

Timestamps

Conseils pour la production

Ressources connexes