Einführung
Er transkribiert den in einer Audiodatei gesungenen Text und gibt ihn als Text an der Aufgabe zurück. Er ist auf Gesang über Musik abgestimmt, nicht auf reine Sprache.
HeartMuLa Transcribe holt den gesungenen Text aus einer Audiodatei und gibt ihn als Text zurück. Ein Audiofeld, keine Optionen, mehrsprachig, abgerechnet je Transkription statt je Minute.
Wichtige Funktionen und Highlights
Abgestimmt auf die Stelle, an der allgemeine Spracherkennung versagt
Eine gesungene Zeile kommt komprimiert, gedoppelt, mit Hall überzogen und im selben Frequenzbereich wie die Instrumente an. Genau darauf ist ein allgemeines Sprachmodell nicht trainiert, und genau dort liefert es Bruchstücke. Dieses Modell ist darauf abgestimmt. Umgekehrt gilt dasselbe: Bei einem Interview oder einem Podcast, wo kein Mix dagegenhält, ist ein allgemeines Speech-to-Text-Modell das bessere Werkzeug.
Text an der Aufgabe, keine Datei zum Abholen
Es wird keine Datei geschrieben, die Sie abholen müssten. Der Lauf endet an der Aufgabe selbst, die Transkription liegt im Ergebnis: kein Download-Schritt, kein Bucket zum Hineinschreiben, und nichts davon landet in der 14-tägigen Medienaufbewahrung. Lesen Sie den Text an der fertigen Aufgabe ab und schicken Sie ihn direkt dorthin, wo Ihre Liedtexte ohnehin liegen.
Ein Backkatalog ist eine Multiplikation, ein Haufen Clips nicht
Die Länge geht nie in den Preis ein, ein Sechsminüter kostet also so viel wie ein Zwanzig-Sekunden-Hook. Damit lässt sich ein Rückstand leicht kalkulieren – Titelzahl mal eine einzige Zahl –, während ein Ordner voller kurzer Schnipsel die vergleichsweise teure Form ist. Eines sollten Sie einplanen: Ein Stück, das sich als Instrumental entpuppt, kommt fast leer zurück und zählt trotzdem als erfolgreicher, berechneter Lauf. Sortieren Sie solche Dateien aus, bevor Sie sie einreihen.
Request-Parameter
| Parameter | Pflicht | Beschreibung |
|---|---|---|
audio_url | Ja | Eine URL, die direkt auf eine Audiodatei zeigt. Seiten, die HTML zurückgeben, scheitern als ungültiges Ausgangsmaterial. mindestens 1 Zeichen |
Preis
$0.05 / Transkription
Abgerechnet wird pro Transkription, nicht pro Minute – auch ein dünnes Ergebnis bei einem Instrumentalstück wird berechnet.
Anwendungsfälle
Gesprochenes in nutzbaren Text überführen
Er transkribiert den in einer Audiodatei gesungenen Text und gibt ihn als Text an der Aufgabe zurück. Er ist auf Gesang über Musik abgestimmt, nicht auf reine Sprache. Nutzen Sie diesen Modus zur Transkription einer Audio- oder Videoquelle. Verwenden Sie nach Möglichkeit eine klare Aufnahme und prüfen Sie Namen, Zeitangaben und unsichere Passagen.
Unzensierte Audioangebote
SpicyAPI legt keinen Inhaltsfilter darüber, derbe Zeilen kommen transkribiert zurück statt abgelehnt oder entschärft. Für die Rechte am eingereichten Audio bleiben Sie verantwortlich.
Metadaten für Musikkataloge
Erzeugen Sie Liedtexte über einen ganzen Katalog hinweg, für Suche, Anzeige und Verschlagwortung. Weil je Lauf abgerechnet wird, ist der Preis eines Rückstands eine schlichte Multiplikation und keine Funktion der Gesamtlaufzeit.
Untertitel für Videos mit Musik
Holen Sie die gesungenen Zeilen aus einem Titel heraus, damit sie für Untertitel in Kurzvideos zeitlich eingepasst werden können – dort liegt die Stimme über einem dichten Mix.
Prompt-Leitfaden und Praxistipps
Schicken Sie eine direkte URL zur Audiodatei
Das Feld nimmt eine URL entgegen, keinen Upload-Body. Sie sollte auf das Audio selbst zeigen – eine Streaming-Seite oder ein Freigabelink, der HTML zurückgibt, scheitert als ungültiges Ausgangsmaterial und nicht als schlechte Transkription.
Erwarten Sie Text an der Aufgabe, keine Datei
Die Transkription kommt als Text im Aufgabenergebnis zurück. Es gibt kein Medien-Asset zum Abholen, und für diesen Endpunkt wird nichts in der Medienaufbewahrung abgelegt.
Prüfen Sie das Ergebnis vor der nächsten Iteration
Eine Audio-URL hinein, Liedtext heraus, und nichts einzustellen: kein Sprachhinweis, keine Zeitmarken, keine Sprecherzuordnung, keine Konfidenzwerte und keine Wahl der Ausgabeform. Das Modell ist auf gesungene Stimmen über Musik abgestimmt; dicht geschichtete Mixe, geflüsterter oder geschriener Gesang und Quellen mit sehr niedriger Bitrate verschlechtern das Ergebnis, und reine Instrumentalaufnahmen liefern wenig bis nichts. Die URL muss direkt auf eine Audiodatei zeigen – eine Seite, die HTML zurückgibt, scheitert als ungültiges Ausgangsmaterial. Dieser Endpunkt erzeugt kein Medien-Asset, es geht also nichts davon in die 14-tägige Medienaufbewahrung ein.
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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "heartmula/transcribe/speech-to-text",
"input": {
"audio_url": "https://example.com/reference.mp3"
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Authentifizierung, vollständiges Schema, Polling und Fehlerbehandlung stehen in der API-Referenz.