ДокументацияРаспознавание речи

Распознавание речи

POST /v1/audio/transcriptions преобразует аудио в текст (speech-to-text). Формат совместим с OpenAI Whisper API.

Адрес

~/zenvy · plain

POST https://api.zenvy.su/v1/audio/transcriptions

Заголовки

Заголовок	Значение
`Authorization`	`Bearer sk-zenvy-...`
`Content-Type`	`multipart/form-data`

Поля формы

Поле	Тип	Обязательно	Описание
`file`	file	да	Аудиофайл: mp3, wav, webm, ogg, flac, m4a, aac. До 25 МБ
`model`	string	да	Модель с распознаванием аудио — см. Модели и баланс, в `architecture.input_modalities` должно быть `"audio"`
`language`	string	нет	Язык аудио: `ru`, `en` и др. — повышает точность
`prompt`	string	нет	Подсказка: имена, термины, аббревиатуры
`response_format`	string	нет	`json` (по умолчанию) или `text`

Пример запроса

~/zenvy · zsh

curl https://api.zenvy.su/v1/audio/transcriptions \
  -H "Authorization: Bearer sk-zenvy-..." \
  -F "file=@meeting.mp3" \
  -F "model=gemini-2.5-flash" \
  -F "language=ru"

Пример ответа

~/zenvy · json

{
  "text": "Привет! Это распознанный текст из аудио."
}

При response_format=text ответ приходит обычным текстом без JSON-обёртки.

OpenAI SDK

~/zenvy · typescript

import OpenAI from "openai";
import fs from "node:fs";

const client = new OpenAI({
  apiKey: process.env.ZENVY_API_KEY,
  baseURL: "https://api.zenvy.su/v1"
});

const transcription = await client.audio.transcriptions.create({
  file: fs.createReadStream("meeting.mp3"),
  model: "gemini-2.5-flash",
  language: "ru"
});

console.log(transcription.text);

Аудио в чате

Модели с architecture.input_modalities, содержащим "audio", принимают аудио напрямую в /v1/chat/completions через блок input_audio:

~/zenvy · json

{
  "model": "gemini-2.5-flash",
  "messages": [
    {
      "role": "user",
      "content": [
        { "type": "text", "text": "О чём это аудио?" },
        {
          "type": "input_audio",
          "input_audio": { "data": "<base64>", "format": "mp3" }
        }
      ]
    }
  ]
}

Какие модели подходят

Смотрите Модели и баланс: в architecture.input_modalities должно быть "audio".

Биллинг

Аудио тарифицируется токенами входа выбранной модели, текст ответа — токенами выхода. Подробнее: Токены и биллинг.