跳转到主要内容
语音转写和语音翻译均上传音频文件,返回文本,不返回合成语音。 OpenAI 兼容翻译语义是“音频转英文”,不是任意目标语言翻译。若需要其他语言,可先转写,再把文本交给支持翻译的对话模型。转写模型不一定支持翻译端点。

上传录音

按 Python SDK设置 API_BASE_URL(包含 /v1)、API_KEY、API_MODEL,另设置 API_AUDIO_PATH 为本地录音路径。保存为 transcribe.py,执行 python transcribe.py transcribe;选用支持翻译的模型后,执行 python transcribe.py translate。 运行时会上传录音。示例限制为非空且不超过 20 MiB;这是客户端示例限制,不是所有模型的统一上限。保留真实文件扩展名,并确认模型支持该编码。SDK 负责 multipart boundary,file 是文件字节,不是本地路径字符串或远程 URL。

返回格式与长录音

本例固定 response_format: json,读取 text;静音可能返回空文本,应由业务决定是否接受。text、srt、vtt 是文本响应,不能再按含 text 字段的 JSON 解析。需要时间戳时,确认模型支持 verbose_json 与 timestamp_granularities[];时间戳或说话人分离不是所有模型都支持。 language 是转写输入语言提示,不是翻译目标;prompt 是上下文提示。长录音需按服务限制分段,保留时间偏移并处理重叠文字。不要假定上传限制只来自模型:反向代理、网关和渠道都可能更小。 本页使用已录制文件的非 SSE 响应。流式转写、说话人事件与实时音频协议需另外确认渠道支持,不可直接套用 Chat Completions 事件结构。 参考:OpenAI 文件转写和翻译说明。 Read in English 相关指南:音频对话输入