Einführung
Senden Sie eine Audio-URL und optional die gesprochene Sprache, eine Liste von Schlüsselbegriffen und drei Schalter: Zahlen in Schriftform, Füllwörter und Transkription pro Kanal. Die Aufgabe liefert das Transkript als Text und dazu ein strukturiertes Transkript mit Wortzeitmarken, erkannter Sprache und Audiolänge; es entsteht keine Datei. SpicyAPI wendet keinen Inhaltsfilter an: ungefilterte Sprache wird so transkribiert, wie sie gesprochen wurde. Abgerechnet wird pro Sekunde Audio.
| Feld | Wert |
|---|---|
| Eingabe | Audio |
| Ausgabe | Text |
| Pflichtfeld |
|
| Optionale Felder | language (25 Codes), |
| Ergebnis | Transkript als Text, dazu output.transcript mit Wortzeitmarken, Sprache und Dauer; mit multichannel pro Kanal |
| Abgerechnete Menge | Sekunden Audio; Uploads werden mit ihrer Länge vorgemerkt, URLs mit dem Maximum von zwei Stunden |
| Typische Dauer | Etwa 3 Sekunden für einen 10-Sekunden-Clip, etwa 15 Sekunden für eine Stunde |
| Aufbewahrung | Hochgeladenes Audio wird nach einem Tag gelöscht; das Transkript mit den Prompt-Daten |
Request-Parameter
| Parameter | Pflicht | Beschreibung |
|---|---|---|
audio_url | Ja | Das zu transkribierende Audio: ein hochgeladenes MP3 oder WAV oder eine öffentliche URL zu MP3, WAV, M4A, FLAC, OGG, Opus, AAC, MP4 oder MKV. 1 Sekunde bis 2 Stunden. mindestens 1 Zeichen |
language | Nein | Die gesprochene Sprache als Sprachcode. Leer lassen, um die Sprache automatisch zu erkennen; Sprache in jeder unterstützten Sprache wird so oder so transkribiert. |
text_normalization | Nein | Wenn aktiviert, werden gesprochene Zahlen, Preise, Daten und Einheiten in Ziffern geschrieben – „$1,250“ und „March 14“ statt der Wörter. Braucht language. Standardwert: |
keyterms | Nein | Bis zu 100 Wörter oder kurze Wendungen (je 50 Zeichen), die das Transkript bevorzugen soll – Namen, Marken, Fachbegriffe. Ändert den Preis nicht. Standardwert: |
filler_words | Nein | Wenn aktiviert, bleiben Füllwörter wie um und uh im Transkript; aus (Standard) entfernt sie. Ändert den Preis nicht. Standardwert: |
multichannel | Nein | Wenn aktiviert, wird jeder Kanal einer Mehrkanaldatei (bis zu 8) einzeln transkribiert und in einer eigenen Zeile zurückgegeben, in Kanalreihenfolge. Standardwert: |
Preis
$0.00003 / Sekunde Audio
Abgerechnet pro Sekunde Audio. Beim Anlegen der Aufgabe wird für hochgeladenes Audio der Preis seiner tatsächlichen Länge vorgemerkt, für eine Audio-URL der Preis für das Maximum von zwei Stunden; Sie zahlen die tatsächliche Länge, und der Rest wird freigegeben. Eine fehlgeschlagene Anfrage wird nicht berechnet.
Anwendungsfälle
Sprachnotizen und Hörgeschichten
Ungefilterte Sprache wird so transkribiert, wie sie gesprochen wird; Sprachnachrichten, Rollenspiel-Aufnahmen und Hörgeschichten lassen sich daher als Text durchsuchen, untertiteln oder bearbeiten.
Gesprächsaufnahmen
Aufnahmen mit jeder Seite auf einem eigenen Kanal kommen mit multichannel als eine Zeile pro Seite zurück. Ohne gab es in unseren Tests nur eine der beiden Seiten zurück, aktivieren Sie es also für kanalgetrennte Gespräche.
Generierte Sprache prüfen
Lassen Sie ein Text-to-Speech-Ergebnis zurücklaufen und vergleichen Sie das Transkript mit dem Skript: ausgelassene Wörter, ein abgeschnittenes Ende oder ein vorgelesener Tag fallen sofort auf.
Namen, Marken und Zahlen
Listen Sie ungewöhnliche Namen als Schlüsselbegriffe auf und aktivieren Sie text normalization – das Transkript schreibt die Namen dann nach Ihrer Vorgabe und Preise und Daten als $1,250 oder March 14.
Prompt-Leitfaden und Praxistipps
audio_urlauf das Audio zeigen lassenLaden Sie ein MP3 oder WAV hoch oder übergeben Sie eine öffentliche URL, die mit dem Audio selbst antwortet – eine Player-Seite oder ein Freigabelink, der HTML liefert, schlägt fehl. Von 1 Sekunde bis 2 Stunden.
Ergänzen, was Sie wissen
Setzen Sie language, wenn Sie die Sprache kennen, listen Sie Namen und Markenwörter in keyterms auf und aktivieren Sie
text_normalization, wenn Zahlen als Ziffern erscheinen sollen.text_normalizationbraucht language.Den Text aus der Aufgabe lesen
Das Transkript kommt als Text im Aufgabenergebnis an, und output.transcript listet jedes Wort mit Start- und Endzeit. Mit multichannel gibt es eine Zeile pro Kanal, in Kanalreihenfolge. Kopieren Sie es in Ihren eigenen Speicher, wenn Sie es später brauchen.
Was zurückkommt
Das Transkript als Text im Aufgabenergebnis, dazu output.transcript: die erkannte Sprache und ihr Sprachcode, die Audiolänge in Sekunden und jedes Wort mit Start- und Endzeit in Sekunden. Mit multichannel enthält output.transcript.channels dasselbe für jeden Kanal. Es entsteht keine Datei, und nichts landet im Medienspeicher. Sprecherkennzeichnungen sind nicht enthalten.
Audio senden
audio_url nimmt ein hochgeladenes MP3 oder WAV oder eine öffentliche URL zu MP3, WAV, M4A, FLAC, OGG, Opus, AAC, MP4 oder MKV, von 1 Sekunde bis 2 Stunden. Die URL muss mit dem Audio selbst antworten. Rohes Audio ohne Dateikopf (PCM, μ-law, A-law) wird nicht angenommen.
Sprache und Zahlen
Bleibt language leer, wird die Sprache erkannt; Sprache in jeder der 25 unterstützten Sprachen wird so oder so transkribiert. Setzen Sie es und aktivieren Sie text_normalization, um Zahlen, Preise, Daten und Einheiten in Schriftform zu erhalten – in unserem Test wurde aus „one thousand two hundred fifty dollars on March fourteenth“ „$1,250 on March 14“. text_normalization braucht language.
Schlüsselbegriffe und Füllwörter
keyterms nimmt bis zu 100 Begriffe mit bis zu 50 Zeichen, einen pro Zeile. In unserem Test kamen „Xandrelle“ und „Qorvessa“ ohne sie als „Xandrel“ und „Corvessa“ zurück und mit ihnen exakt richtig. filler_words behält um und uh, die standardmäßig entfernt werden.
Mehrere Kanäle
Aktivieren Sie multichannel für Aufnahmen, bei denen jeder Sprecher einen eigenen Kanal hat. Jeder Kanal wird einzeln transkribiert und in einer eigenen Zeile zurückgegeben, in Kanalreihenfolge. Lassen Sie es nur aus, wenn alle Kanäle denselben Klang tragen: In unseren Tests kam eine Stereodatei mit einem anderen Sprecher auf jeder Seite mit einem der beiden Sprecher weniger zurück.
Abrechnung
Abgerechnet pro Sekunde Audio. Beim Anlegen der Aufgabe wird für hochgeladenes Audio der Preis seiner tatsächlichen Länge vorgemerkt, für eine Audio-URL der Preis für das Maximum von zwei Stunden; Sie zahlen die tatsächliche Länge, und der Rest wird freigegeben. Keine der Optionen ändert den Preis. Fehlgeschlagene Anfragen werden nicht berechnet.
Inhalte
SpicyAPI legt keinen Inhaltsfilter darüber. In unseren Tests kam ungefilterte Sprache wortgetreu zurück, ohne Sternchen, Pieptöne oder Lücken.
SpicyAPI fügt keinen Inhaltsfilter hinzu: Sprache wird so transkribiert, wie sie gesprochen wurde, statt verdeckt oder abgelehnt zu werden. Sie sind verantwortlich für die Rechte an dem gesendeten Audio und für die Einwilligung der aufgenommenen Personen.
API-Schnellstart
# Generate the idempotency key once; reuse it when retrying after a lost response.
export SPICY_IDEMPOTENCY_KEY="${SPICY_IDEMPOTENCY_KEY:-$(uuidgen)}"
curl -X POST https://api.spicyapi.ai/api/v1/jobs/createTask \
-H "Authorization: Bearer $SPICY_API_KEY" \
-H "Content-Type: application/json" \
-H "Idempotency-Key: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "xai/grok-stt/speech-to-text",
"input": {
"audio_url": "https://example.com/reference.mp3"
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Authentifizierung, vollständiges Schema, Polling und Fehlerbehandlung stehen in der API-Referenz.
