Открыть в интерактивной справке · markdown для агентов: https://neuraldeep.ru/docs/transcribe.md

Транскрибация · Speech-to-Text

Речь в текст, OpenAI-совместимый POST /v1/audio/transcriptions. Работает синхронно: отправили файл, в том же ответе получили текст. Для длинных записей с разметкой по спикерам есть асинхронный SpeechCore.

модель	что это
`whisper-1`	Whisper large-v3-turbo, 100+ языков, понимает все форматы ответа
`whisper-podlodka-turbo`	Whisper turbo, дообученный под русский
`gigaam-v3`	GigaAM v3, модель под русский язык

Запрос. multipart/form-data, поля:

file, обязательно: аудио или видео файлом;
model, обязательно: одна из моделей выше;
language: код языка (ru, en...). Без него язык определяется сам, на коротких файлах лучше задать явно;
prompt: подсказка с терминами и именами, повышает точность на специальной лексике;
response_format: json (по умолчанию), verbose_json, text, srt, vtt;
timestamp_granularities[]=word: тайм-коды по словам, только вместе с verbose_json;
temperature: по умолчанию 0.

curl https://api.neuraldeep.ru/v1/audio/transcriptions \
  -H "Authorization: Bearer $YOUR_KEY" \
  -F file=@meeting.mp3 \
  -F model=whisper-1 \
  -F language=ru

from openai import OpenAI
client = OpenAI(api_key="$YOUR_KEY", base_url="https://api.neuraldeep.ru/v1")
with open("meeting.mp3", "rb") as f:
    r = client.audio.transcriptions.create(model="whisper-1", file=f, language="ru")
print(r.text)

Ответ. json и verbose_json возвращают text, language, duration в секундах и segments с тайм-кодами. Форматы text, srt и vtt гейт тоже заворачивает в JSON: содержимое лежит строкой в поле text. Субтитры srt и vtt собирает только whisper-1. Для других моделей берите verbose_json и стройте субтитры из segments сами.

{"text": "Добрый день, начинаем созвон.", "language": "ru", "duration": 3.0,
 "segments": [{"id": 0, "start": 0.0, "end": 2.9, "text": "Добрый день, начинаем созвон."}]}

Ограничения на вход.

Размер файла: до 25 МБ на запрос. Файл больше основной движок не принимает, такой запрос уходит в резерв и может отработать медленнее или не пройти. Длинную запись режьте на части до 25 МБ.
Длительность: отдельного предела нет, но ответ должен уложиться в 240 секунд. На практике это десятки минут речи за один запрос. Внутри запроса движок сам делит речь по паузам на короткие фрагменты и склеивает результат, резать на 30-секундные куски не нужно.
Форматы: всё, что читает ffmpeg. mp3, wav, m4a и mp4, ogg и opus, flac, webm, aac, amr, wma, mov и mkv (берётся звуковая дорожка).
Частота и каналы: любые, сервер сам приводит звук к 16 кГц моно. Чтобы влезть в 25 МБ, отправляйте 16 кГц моно в mp3 или opus: час речи в opus 32 кбит/с весит около 15 МБ.

Квота. На бесплатном тарифе действует небольшая дневная квота транскрибаций, сутки считаются по UTC. Когда она кончилась, запрос пройдёт с оплатой по минутам аудио, если у аккаунта есть деньги на кошельке. Иначе придёт 429 с заголовками X-Window: stt-free-daily, X-STT-Limit и Retry-After до 00:00 UTC. На платных тарифах отдельной квоты на транскрибацию нет: каждый запрос считается в общие окна ключа вместе с чатом (запросы в минуту, параллельность, session и week), остатки видны в GET /v1/limits.

Ошибки.

400: файл пустой или не похож на аудио (X-Window: stt-bad-file), ffmpeg не смог его прочитать (недокачан, битый), timestamp_granularities без verbose_json.
429: кончилась бесплатная дневная квота (см. выше) или сработал лимит частоты или параллельности ключа, ждите Retry-After.
408 или 504: распознавание не уложилось во время. Порежьте файл.
503: распознавание временно недоступно, повторите через минуту.

Транскрибация · Speech-to-Text

Разделы справки (markdown для агентов)