Speech-to-Text Models | Venice API Docs

在 API 请求中，将 id 值用作 model 参数。当前有 5 个模型可用。

Model	ID	Per audio second	Privacy
ElevenLabs Scribe V2	`elevenlabs/scribe-v2`	$0.0002	Anonymized
Parakeet ASR	`nvidia/parakeet-tdt-0.6b-v3`	$0.0001	Private
Whisper Large V3	`openai/whisper-large-v3`	$0.0001	Private
Wizper (Whisper v3)	`fal-ai/wizper`	$0.0001	Private
xAI Speech to Text v1	`stt-xai-v1`	$0.0000	Anonymized

使用方式

语音转文本模型可将口语音频转录为书面文本。它们通过 Audio Transcriptions API 访问。

wav、wave、flac、m4a、aac、mp4、mp3、ogg、oga、webm 当文件的 MIME 类型或扩展名在此列表中时即被接受，同时还必须通过对上传字节的 magic-byte 检查。仅将文件重命名为受支持的扩展名是不够的。

格式	说明
`json`	默认。返回 `{ "text": "..." }`，以及（如可用）`duration` 和 `timestamps`。
`text`	纯文本转录结果。

设置 timestamps: true 可在转录文本之外接收时间数据。响应会新增一个 timestamps 对象，其粒度取决于模型：

nvidia/parakeet-tdt-0.6b-v3 是默认模型，它会接受 timestamps: true 但不返回时间信息。没有错误也没有警告——响应只包含 text，别无其他。如果需要时间信息，请从上表中选择一个模型，并在读取之前检查 timestamps 键是否存在。

词级条目为 { "word": "...", "start": 0.0, "end": 0.5 }，段级条目为 { "text": "...", "start": 0.0, "end": 3.2 }，所有时间均以秒为单位。

计费按输入音频的秒数进行。请参阅 Audio Transcriptions API 了解请求示例和参数细节。