OpenAI Spracherkennungs-API (/v1/audio/transcriptions)

Transkribieren Sie Audio in Text, vollständig kompatibel mit OpenAI’s /v1/audio/transcriptions. Jedes OpenAI SDK muss lediglich die base_url auf https://api.acedata.cloud setzen und den Schlüssel durch Ihr AceData Token ersetzen, um direkt verwendet zu werden. Unterstützt vollständige Antworten sowie die SSE-Inkrementaltranskription von gpt-transcribe.

Anforderungsadresse: POST https://api.acedata.cloud/v1/audio/transcriptions (Alias POST /openai/audio/transcriptions)
Authentifizierung: Anfrage-Header Authorization: Bearer {token}
Anforderungsformat: multipart/form-data
Abrechnung: Abrechnung nach Audio-Dauer (siehe Tabelle unten), weniger als 1 Sekunde wird als 1 Sekunde berechnet.

Anfrageparameter

Feld	Typ	Erforderlich	Beschreibung
`file`	file	Ja	Zu transkribierende Audiodatei, maximal 25 MB. Unterstützt `flac`, `mp3`, `mp4`, `mpeg`, `mpga`, `m4a`, `ogg`, `wav`, `webm`.
`model`	string	Nein	`whisper-1` (Standard) oder `gpt-transcribe`, Unterschiede in den Fähigkeiten siehe Tabelle unten.
`language`	string	Nein	Audio-Sprache, ISO-639-1-Code (z. B. `zh`, `en`). Eingabe kann Genauigkeit und Geschwindigkeit erhöhen; leer lassen führt zur automatischen Erkennung.
`prompt`	string	Nein	Eingabeaufforderung zur Anleitung des Schreibstils oder zur Bereitstellung von Fachbegriffen zur Verbesserung der Erkennungsgenauigkeit.
`response_format`	string	Nein	`whisper-1`: `json` (Standard), `text`, `srt`, `verbose_json`, `vtt`; `gpt-transcribe`: nur `json`, `text`.
`temperature`	number	Nein	Abtasttemperatur 0–1, Standard 0.
`timestamp_granularities[]`	array	Nein	Zeitstempelgranularität, `word` oder `segment`, muss zusammen mit `response_format=verbose_json` verwendet werden.
`languages[]`	array	Nein	Kandidatensprachen (ISO-639-1), nur `gpt-transcribe`. Ausschließlich mit `language` inkompatibel, nicht gleichzeitig übergeben.
`keywords[]`	array	Nein	Fachbegriffe/Hinweise, nur `gpt-transcribe`, können die Erkennungsgenauigkeit von Markennamen und Personennamen erheblich verbessern.
`stream`	boolean	Nein	Bei `gpt-transcribe` auf `true` gesetzt, werden SSE-Inkrementalereignisse zurückgegeben; `whisper-1` ignoriert dieses Argument und gibt das vollständige Ergebnis zurück (entspricht dem Verhalten von OpenAI).

Welches Modell wählen

	`whisper-1`	`gpt-transcribe`
Preis	$0.0078 / Minute	$0.0059 / Minute (günstiger)
Erkennungsgenauigkeit	Gut	Besser, insbesondere bei Markennamen und Fachbegriffen
Untertitel-Ausgabe (`srt`/`vtt`)	✅	❌
Wortzeitstempel	✅	❌
`languages[]` / `keywords[]`	❌	✅
Rückgabe der erkannten Sprache	Erfordert `verbose_json`	Standardrückgabe
SSE-Inkrementrückgabe	❌ (wird ignoriert)	✅

Benötigen Sie Untertitel oder Wortzeitstempel → whisper-1; für alle anderen Szenarien wird gpt-transcribe empfohlen (genauer und günstiger).

Beispiel

curl -X POST 'https://api.acedata.cloud/v1/audio/transcriptions' \
  -H 'authorization: Bearer {token}' \
  -F file=@audio.mp3 \
  -F model=whisper-1

Rückgabe:

{
  "text": "Ace Data Cloud Platform testet den Spracherkennungsendpunkt. Der schnelle braune Fuchs springt über den faulen Hund."
}

Chinesische Audios werden ebenfalls unterstützt, ohne die Sprache anzugeben:

{
  "text": "Willkommen auf der AceData Cloud Plattform, wir testen die Spracherkennungs-API, heute ist der 31. Juli."
}

Untertitel generieren

Setzen Sie response_format auf srt oder vtt, um direkt eine verwendbare Untertiteldatei zu erhalten:

curl -X POST 'https://api.acedata.cloud/v1/audio/transcriptions' \
  -H 'authorization: Bearer {token}' \
  -F file=@audio.mp3 \
  -F model=whisper-1 \
  -F response_format=srt \
  -o subtitle.srt

Rückgabeinhalt (Content-Type: text/plain):

1
00:00:00,000 --> 00:00:03,800
Ace Data Cloud Platform testet den Spracherkennungsendpunkt.

2
00:00:03,800 --> 00:00:06,280
Der schnelle braune Fuchs springt über den faulen Hund.

Wortzeitstempel

Wenn die Start- und Endzeiten jedes Wortes benötigt werden, verwenden Sie verbose_json zusammen mit timestamp_granularities[]=word:

curl -X POST 'https://api.acedata.cloud/v1/audio/transcriptions' \
  -H 'authorization: Bearer {token}' \
  -F file=@audio.mp3 \
  -F model=whisper-1 \
  -F response_format=verbose_json \
  -F 'timestamp_granularities[]=word'

Rückgabe:

{
  "task": "transcribe",
  "language": "english",
  "duration": 6.29,
  "text": "Ace Data Cloud Platform testet den Spracherkennungsendpunkt. Der schnelle braune Fuchs springt über den faulen Hund.",
  "words": [
    {
      "word": "Ace",
      "start": 0.0,
      "end": 0.32
    },
    {
      "word": "Data",
      "start": 0.32,
      "end": 0.54
    },
    {
      "word": "Cloud",
      "start": 0.54,
      "end": 0.86
    }
  ]
}

Stream-Transkription

gpt-transcribe kann durch stream=true Content-Type: text/event-stream zurückgeben. Der Dienst sendet OpenAI-kompatible Ereignisse unverändert: transcript.text.delta enthält inkrementellen Text, transcript.text.done enthält den vollständigen Text und usage und zeigt einen normalen Abschluss an.

curl -N -X POST 'https://api.acedata.cloud/v1/audio/transcriptions' \
  -H 'authorization: Bearer {token}' \
  -F file=@audio.mp3 \
  -F model=gpt-transcribe \
  -F stream=true

Ereignisstrombeispiel:

data: {"type":"transcript.text.delta","delta":"Hallo"}

data: {"type":"transcript.text.done","text":"Hallo Welt","usage":{"type":"tokens","input_tokens":14,"output_tokens":3,"total_tokens":17}}

Der Empfang von transcript.text.done zeigt einen normalen Abschluss an. Wenn die Verarbeitung nach dem Aufbau des Streams fehlschlägt, wird die Verbindung nach dem Ereignis event: error beendet; ein aktives Trennen des Clients annulliert die Verarbeitung und es wird nicht im Hintergrund weiter generiert. whisper-1 gibt auch bei Übertragung von stream=true weiterhin eine normale nicht-streamende Antwort zurück.

Verwendung des offiziellen SDK

from openai import OpenAI

client = OpenAI(base_url="https://api.acedata.cloud/v1", api_key="{token}")
with open("audio.mp3", "rb") as f:
    result = client.audio.transcriptions.create(model="whisper-1", file=f)
print(result.text)

Preise

Modell	Preis auf dieser Plattform
`whisper-1`	$0.0078 / Minute
`gpt-transcribe`	$0.0059 / Minute

Abrechnung erfolgt nach der tatsächlichen Dauer des Audios, weniger als 1 Sekunde wird als 1 Sekunde berechnet, maximal 1 Stunde pro Einzelvorgang.

Hinweise

Einzelne Dateien maximal 25 MB. Bei Überschreitung bitte zuerst aufteilen oder komprimieren (eine Senkung der Bitrate reicht normalerweise aus, die Spracherkennung hat keine hohen Anforderungen an die Audioqualität).
gpt-transcribe unterstützt stream=true SSE; whisper-1 ignoriert stream und gibt das vollständige Ergebnis zurück.
Die Parameter sind mit den offiziellen OpenAI /v1/audio/transcriptions konsistent, das offizielle SDK muss nur die base_url ändern, um verwendet zu werden.
include[], chunking_strategy, known_speaker_names[], known_speaker_references[] gehören zu unseren noch nicht veröffentlichten Transkriptionsmodellen, die Übermittlung führt zu einem 400-Fehler anstelle einer stillen Ignorierung. Modell-spezifische Parameter (timestamp_granularities[] für whisper-1, languages[]/keywords[] für gpt-transcribe) führen ebenfalls zu einem 400-Fehler, wenn sie an nicht unterstützte Modelle übergeben werden.
Anfragen können zeitaufwendig sein, es wird empfohlen, die Timeout-Einstellungen des Clients auf mindestens 300 Sekunden zu setzen.

Fehlercodes

Statuscode	code	Beschreibung
400	`bad_request`	`file` nicht bereitgestellt, Datei kann nicht analysiert werden oder Parameter sind ungültig (`model`/`response_format` nicht unterstützte Werte, `temperature` außerhalb von 0–1, `timestamp_granularities[]` nicht mit `verbose_json` kombiniert, Parameter übergeben, die von `whisper-1` nicht unterstützt werden).
401	`authentication_failed`	Token ungültig.
403	`used_up`	Unzureichendes Guthaben.
413	`request_too_large`	Audiodatei überschreitet das Limit von 25 MB.
429	`too_many_requests`	Anfragen sind zu häufig, bitte später erneut versuchen.
500	`api_error`	Interner Serverfehler, bitte später erneut versuchen.

Erste Schritte

KI Chat

KI Bild

KI Video

KI Audio

Web & Daten

CAPTCHA

Identität

Coding

Weitere Anleitungen

OpenAI Spracherkennungs-API (/v1/audio/transcriptions)

Anfrageparameter

Welches Modell wählen

Beispiel

Untertitel generieren

Wortzeitstempel

Stream-Transkription

Verwendung des offiziellen SDK

Preise

Hinweise

Fehlercodes

​Anfrageparameter

​Welches Modell wählen

​Beispiel

​Untertitel generieren

​Wortzeitstempel

​Stream-Transkription

​Verwendung des offiziellen SDK

​Preise

​Hinweise

​Fehlercodes

Anfrageparameter

Welches Modell wählen

Beispiel

Untertitel generieren

Wortzeitstempel

Stream-Transkription

Verwendung des offiziellen SDK

Preise

Hinweise

Fehlercodes