API de Reconhecimento de Voz da OpenAI (/v1/audio/transcriptions)

Transcreva áudio para texto, totalmente compatível com o /v1/audio/transcriptions da OpenAI. Qualquer SDK da OpenAI pode simplesmente apontar base_url para https://api.acedata.cloud e trocar a chave pelo seu Token AceData para uso direto. Suporta resposta completa padrão e também transcrição incremental SSE do gpt-transcribe.

URL da solicitação: POST https://api.acedata.cloud/v1/audio/transcriptions (também conhecido como POST /openai/audio/transcriptions)
Autenticação: Cabeçalho da solicitação Authorization: Bearer {token}
Formato da solicitação: multipart/form-data
Cobrança: Cobrança com base na duração do áudio (veja a tabela abaixo), menos de 1 segundo é cobrado como 1 segundo.

Parâmetros da Solicitação

Campo	Tipo	Obrigatório	Descrição
`file`	file	Sim	Arquivo de áudio a ser transcrito, máximo de 25 MB. Suporta `flac`, `mp3`, `mp4`, `mpeg`, `mpga`, `m4a`, `ogg`, `wav`, `webm`.
`model`	string	Não	`whisper-1` (padrão) ou `gpt-transcribe`, diferenças de capacidade estão na tabela abaixo.
`language`	string	Não	Idioma do áudio, código ISO-639-1 (como `zh`, `en`). Preencher pode aumentar a precisão e a velocidade; deixar em branco resulta em reconhecimento automático.
`prompt`	string	Não	Palavra-chave para guiar o estilo de escrita ou fornecer nomes próprios e termos para aumentar a precisão do reconhecimento.
`response_format`	string	Não	`whisper-1`: `json` (padrão), `text`, `srt`, `verbose_json`, `vtt`; `gpt-transcribe`: apenas `json`, `text`.
`temperature`	number	Não	Temperatura de amostragem 0–1, padrão 0.
`timestamp_granularities[]`	array	Não	Granularidade do timestamp, `word` ou `segment`, deve ser usado com `response_format=verbose_json`.
`languages[]`	array	Não	Idiomas candidatos (ISO-639-1), apenas `gpt-transcribe`. Exclui `language`, não envie ambos.
`keywords[]`	array	Não	Sugestões de nomes próprios/termos, apenas `gpt-transcribe`, pode aumentar significativamente a precisão do reconhecimento de nomes de marcas e pessoas.
`stream`	boolean	Não	Quando `gpt-transcribe` é definido como `true`, retorna eventos incrementais SSE; `whisper-1` ignorará este parâmetro e retornará o resultado completo (comportamento consistente com o oficial da OpenAI).

Qual modelo escolher

	`whisper-1`	`gpt-transcribe`
Preço	$0.0078 / minuto	$0.0059 / minuto (mais barato)
Taxa de precisão de reconhecimento	Boa	Melhor, especialmente para nomes de marcas e termos próprios
Saída de legendas (`srt`/`vtt`)	✅	❌
Timestamp em nível de palavra	✅	❌
`languages[]` / `keywords[]`	❌	✅
Retorna idioma detectado	Necessita `verbose_json`	Retorno padrão
Retorno incremental SSE	❌ ( `stream` é ignorado)	✅

Precisa de legendas ou timestamps em nível de palavra → whisper-1; para outros cenários, recomenda-se gpt-transcribe (mais preciso e mais barato).

Exemplo

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

Retorno:

{
  "text": "A plataforma Ace Data Cloud está testando o endpoint de reconhecimento de fala. A rápida raposa marrom salta sobre o cachorro preguiçoso."
}

Áudio em chinês também é suportado, sem necessidade de especificar o idioma:

{
  "text": "欢迎使用 AceData Cloud 平台,我们正在测试语音识别接口,今天是 7 月 31 号。"
}

Gerar Legendas

Defina response_format como srt ou vtt para obter diretamente um arquivo de legenda utilizável:

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

Conteúdo retornado (Content-Type: text/plain):

1
00:00:00,000 --> 00:00:03,800
A plataforma Ace Data Cloud está testando o endpoint de reconhecimento de fala.

2
00:00:03,800 --> 00:00:06,280
A rápida raposa marrom salta sobre o cachorro preguiçoso.

Timestamp em Nível de Palavra

Se precisar do tempo de início e fim de cada palavra, use verbose_json junto com 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'

Retorno:

{
  "task": "transcribe",
  "language": "english",
  "duration": 6.29,
  "text": "A plataforma Ace Data Cloud está testando o endpoint de reconhecimento de fala. A rápida raposa marrom salta sobre o cachorro preguiçoso.",
  "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
    }
  ]
}

Transcrição em Fluxo

gpt-transcribe pode retornar Content-Type: text/event-stream com stream=true. O serviço enviará eventos compatíveis com a OpenAI: transcript.text.delta carrega texto incremental, transcript.text.done carrega texto completo e usage e indica conclusão 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

Exemplo de fluxo de eventos:

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

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

Receber transcript.text.done indica conclusão normal. Se o processamento falhar após a conexão ser estabelecida, a conexão será encerrada após o evento event: error; desconectar ativamente do cliente cancelará o processamento atual e não continuará em segundo plano. whisper-1, mesmo com stream=true, ainda retornará como resposta não em fluxo.

Usando o 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)

Preços

Modelo	Preço na plataforma
`whisper-1`	$0.0078 / minuto
`gpt-transcribe`	$0.0059 / minuto

Cobrança baseada na duração real do áudio, menos de 1 segundo é cobrado como 1 segundo, o máximo por vez é de 1 hora.

Observações

O tamanho máximo de um único arquivo é 25 MB. Se exceder, divida ou comprima (reduzir a taxa de bits geralmente é suficiente, o reconhecimento de voz não exige alta qualidade de áudio).
gpt-transcribe suporta stream=true SSE; whisper-1 ignorará stream e retornará o resultado completo.
Os parâmetros são consistentes com a API oficial da OpenAI /v1/audio/transcriptions, o SDK oficial só precisa alterar o base_url para funcionar.
include[], chunking_strategy, known_speaker_names[], known_speaker_references[] pertencem a modelos de transcrição que ainda não estão disponíveis, passar esses parâmetros retornará 400 em vez de ser ignorado silenciosamente. Parâmetros exclusivos do modelo (timestamp_granularities[] para whisper-1, languages[]/keywords[] para gpt-transcribe) também retornarão 400 se passados para um modelo não suportado.
As solicitações podem demorar, recomenda-se que o tempo limite do cliente não seja inferior a 300 segundos.

Códigos de erro

Código de status	código	Descrição
400	`bad_request`	`file` não fornecido, arquivo não pode ser analisado, ou parâmetros inválidos (`model`/`response_format` valores não suportados, `temperature` fora de 0–1, `timestamp_granularities[]` não combinado com `verbose_json`, parâmetros não suportados passados para `whisper-1`).
401	`authentication_failed`	token inválido.
403	`used_up`	Saldo insuficiente.
413	`request_too_large`	O arquivo de áudio excede o limite de 25 MB.
429	`too_many_requests`	Solicitações muito frequentes, por favor, tente novamente mais tarde.
500	`api_error`	Erro interno do serviço, por favor, tente novamente mais tarde.

Primeiros passos

Chat AI

Imagem AI

Vídeo AI

Áudio AI

Web e Dados

CAPTCHA

Identidade

Coding

Mais guias

API de Reconhecimento de Voz da OpenAI (/v1/audio/transcriptions)

Parâmetros da Solicitação

Qual modelo escolher

Exemplo

Gerar Legendas

Timestamp em Nível de Palavra

Transcrição em Fluxo

Usando o SDK Oficial

Preços

Observações

Códigos de erro

​Parâmetros da Solicitação

​Qual modelo escolher

​Exemplo

​Gerar Legendas

​Timestamp em Nível de Palavra

​Transcrição em Fluxo

​Usando o SDK Oficial

​Preços

​Observações

​Códigos de erro

Parâmetros da Solicitação

Qual modelo escolher

Exemplo

Gerar Legendas

Timestamp em Nível de Palavra

Transcrição em Fluxo

Usando o SDK Oficial

Preços

Observações

Códigos de erro