API de reconocimiento de voz de OpenAI (/v1/audio/transcriptions)

Transcribe audio a texto, totalmente compatible con el /v1/audio/transcriptions de OpenAI. Cualquier SDK de OpenAI solo necesita apuntar base_url a https://api.acedata.cloud y cambiar la clave por tu AceData Token para usarlo directamente. Soporta respuestas completas y también la transcripción incremental SSE de gpt-transcribe.

URL de solicitud: POST https://api.acedata.cloud/v1/audio/transcriptions (alias POST /openai/audio/transcriptions)
Autenticación: encabezado de solicitud Authorization: Bearer {token}
Formato de solicitud: multipart/form-data
Facturación: se cobra según la duración del audio (ver tabla a continuación), menos de 1 segundo se cobra como 1 segundo.

Parámetros de solicitud

Campo	Tipo	Requerido	Descripción
`file`	file	Sí	Archivo de audio a transcribir, máximo 25 MB. Soporta `flac`, `mp3`, `mp4`, `mpeg`, `mpga`, `m4a`, `ogg`, `wav`, `webm`.
`model`	string	No	`whisper-1` (por defecto) o `gpt-transcribe`, las diferencias de capacidad se ven en la tabla a continuación.
`language`	string	No	Idioma del audio, código ISO-639-1 (por ejemplo, `zh`, `en`). Completar puede mejorar la precisión y velocidad; dejar en blanco lo identificará automáticamente.
`prompt`	string	No	Palabras clave para guiar el estilo de escritura, o proporcionar nombres propios, términos para mejorar la precisión del reconocimiento.
`response_format`	string	No	`whisper-1`: `json` (por defecto), `text`, `srt`, `verbose_json`, `vtt`; `gpt-transcribe`: solo `json`, `text`.
`temperature`	number	No	Temperatura de muestreo 0–1, por defecto 0.
`timestamp_granularities[]`	array	No	Granularidad de la marca de tiempo, `word` o `segment`, debe usarse con `response_format=verbose_json`.
`languages[]`	array	No	Idiomas candidatos (ISO-639-1), solo `gpt-transcribe`. Excluyente con `language`, no enviar ambos.
`keywords[]`	array	No	Sugerencias de nombres propios/términos, solo `gpt-transcribe`, puede mejorar significativamente la precisión del reconocimiento de nombres de marcas y personas.
`stream`	boolean	No	Cuando `gpt-transcribe` se establece en `true`, devuelve eventos incrementales SSE; `whisper-1` ignorará este parámetro y devolverá el resultado completo (comportamiento consistente con el oficial de OpenAI).

Qué modelo elegir

	`whisper-1`	`gpt-transcribe`
Precio	$0.0078 / minuto	$0.0059 / minuto (más barato)
Precisión de reconocimiento	Buena	Mejor, especialmente para nombres de marcas y nombres propios
Salida de subtítulos (`srt`/`vtt`)	✅	❌
Marca de tiempo a nivel de palabra	✅	❌
`languages[]` / `keywords[]`	❌	✅
Devuelve el idioma detectado	Necesita `verbose_json`	Devuelve por defecto
Devolución incremental SSE	❌ (se ignora `stream`)	✅

Necesitas subtítulos o marcas de tiempo a nivel de palabra → whisper-1; en otros casos, se recomienda gpt-transcribe (más preciso y más barato).

Ejemplo

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

Respuesta:

{
  "text": "La plataforma Ace Data Cloud está probando el punto de reconocimiento de voz. El rápido zorro marrón salta sobre el perro perezoso."
}

El audio en chino también es compatible, no es necesario especificar el idioma:

{
  "text": "Bienvenido a la plataforma AceData Cloud, estamos probando la interfaz de reconocimiento de voz, hoy es 31 de julio."
}

Generar subtítulos

Establece response_format en srt o vtt para obtener directamente un archivo de subtítulos utilizable:

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

Contenido de respuesta (Content-Type: text/plain):

1
00:00:00,000 --> 00:00:03,800
La plataforma Ace Data Cloud está probando el punto de reconocimiento de voz.

2
00:00:03,800 --> 00:00:06,280
El rápido zorro marrón salta sobre el perro perezoso.

Marca de tiempo a nivel de palabra

Si necesitas el tiempo de inicio y fin de cada palabra, usa verbose_json junto con 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'

Respuesta:

{
  "task": "transcribe",
  "language": "english",
  "duration": 6.29,
  "text": "La plataforma Ace Data Cloud está probando el punto de reconocimiento de voz. El rápido zorro marrón salta sobre el perro perezoso.",
  "words": [
    {
      "word": "La",
      "start": 0.0,
      "end": 0.32
    },
    {
      "word": "plataforma",
      "start": 0.32,
      "end": 0.54
    },
    {
      "word": "Ace",
      "start": 0.54,
      "end": 0.86
    }
  ]
}

Transcripción en streaming

gpt-transcribe puede devolver Content-Type: text/event-stream a través de stream=true. El servicio enviará eventos compatibles con OpenAI: transcript.text.delta lleva texto incremental, transcript.text.done lleva texto completo y usage y señala la finalización normal.

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

Ejemplo de flujo de eventos:

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

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

Recibir transcript.text.done indica que se ha completado correctamente. Si el procesamiento falla después de establecer el flujo, la conexión finalizará después del evento event: error; si el cliente se desconecta, se cancelará este procesamiento y no continuará generando en segundo plano. whisper-1, incluso si se pasa stream=true, seguirá devolviendo una respuesta normal no en streaming.

Usar el SDK oficial

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)

Precio

Modelo	Precio en esta plataforma
`whisper-1`	$0.0078 / minuto
`gpt-transcribe`	$0.0059 / minuto

Se cobra según la duración real del audio, menos de 1 segundo se cuenta como 1 segundo, el máximo por una sola vez es de 1 hora.

Consideraciones

El tamaño máximo de un solo archivo es 25 MB. Si excede, divídalo o comprímalo (normalmente reducir la tasa de bits es suficiente, el reconocimiento de voz no requiere alta calidad de audio).
gpt-transcribe soporta stream=true SSE; whisper-1 ignorará stream y devolverá el resultado completo.
Los parámetros son consistentes con la API oficial de OpenAI /v1/audio/transcriptions, el SDK oficial solo necesita cambiar base_url para funcionar.
include[], chunking_strategy, known_speaker_names[], known_speaker_references[] pertenecen a modelos de transcripción que no hemos lanzado, pasarlos devolverá 400 en lugar de ser ignorados silenciosamente. Los parámetros exclusivos del modelo (timestamp_granularities[] para whisper-1, languages[]/keywords[] para gpt-transcribe) también devolverán 400 si se pasan a un modelo no soportado.
Las solicitudes pueden tardar, se recomienda que la configuración de tiempo de espera del cliente no sea inferior a 300 segundos.

Códigos de error

Código de estado	código	Descripción
400	`bad_request`	No se proporcionó `file`, el archivo no se puede analizar, o los parámetros son inválidos (`model`/`response_format` valores no soportados, `temperature` fuera de 0–1, `timestamp_granularities[]` no acompañado de `verbose_json`, se pasaron parámetros no soportados por `whisper-1`).
401	`authentication_failed`	Token inválido.
403	`used_up`	Saldo insuficiente.
413	`request_too_large`	El archivo de audio excede el límite de 25 MB.
429	`too_many_requests`	Solicitudes demasiado frecuentes, por favor intente de nuevo más tarde.
500	`api_error`	Error interno del servicio, por favor intente de nuevo más tarde.

Primeros pasos

Chat de IA

Imagen de IA

Video de IA

Audio de IA

Web y datos

CAPTCHA

Identidad

Coding

Más guías

API de reconocimiento de voz de OpenAI (/v1/audio/transcriptions)

Parámetros de solicitud

Qué modelo elegir

Ejemplo

Generar subtítulos

Marca de tiempo a nivel de palabra

Transcripción en streaming

Usar el SDK oficial

Precio

Consideraciones

Códigos de error

​Parámetros de solicitud

​Qué modelo elegir

​Ejemplo

​Generar subtítulos

​Marca de tiempo a nivel de palabra

​Transcripción en streaming

​Usar el SDK oficial

​Precio

​Consideraciones

​Códigos de error

Parámetros de solicitud

Qué modelo elegir

Ejemplo

Generar subtítulos

Marca de tiempo a nivel de palabra

Transcripción en streaming

Usar el SDK oficial

Precio

Consideraciones

Códigos de error