La API de audio ofrece dos endpoints de voz a texto:
transcriptionstranslations
Para empezar a usar la API de audio, consulta nuestra documentación de voz a texto para desarrolladores.
Preguntas frecuentes
¿Cuánto cuesta usar la API de audio?
Consulta nuestra página de precios para obtener más información.
¿Qué idiomas se admiten?
Consulta la lista de idiomas admitidos aquí.
¿Cómo podemos gestionar archivos de audio grandes?
Al cargar archivos para transcripción mediante la versión anterior de la API de audio (whisper-1), el tamaño máximo de la solicitud es de 25 MiB. Las rutas de transcripción más recientes de gpt-4o pueden aplicar otras validaciones, como límites de duración o de tokens, así que consulta la documentación específica del modelo cuando proceses audios largos de los usuarios.
¿Qué métodos de streaming están disponibles?
Puedes recibir la transcripción en streaming de dos formas, según si transcribes una grabación de audio ya finalizada o un flujo de audio en curso:
Transcripción en streaming de una grabación de audio finalizada
Transcripción en streaming de una grabación de audio en curso
Para transcribir audio en curso con gpt-live-transcribe, tu aplicación debe detectar cuándo se deja de hablar y enviar input_audio_buffer.commit para indicar el final de cada turno y recibir la transcripción definitiva. Este modelo no admite server_vad ni semantic_vad.
Ten en cuenta que el modelo whisper-1 no admite streaming.
¿Qué formatos de archivo son compatibles?
Los formatos de archivo compatibles se indican en la documentación de nuestra API.
¿Puedo enviar enlaces a archivos de audio a la API de audio?
No, debes enviar un archivo en uno de los formatos de audio compatibles.