API صوتی از دو نقطهٔ پایانی برای تبدیل گفتار به متن پشتیبانی می‌کند:

• transcriptions

• translations

برای شروع کار با API صوتی، مستندات توسعه‌دهندگان دربارهٔ تبدیل گفتار به متن را مطالعه کنید.

پرسش‌های متداول

هزینهٔ استفاده از API صوتی چقدر است؟

برای جزئیات، صفحهٔ قیمت‌گذاری ما را ببینید.

چه زبان‌هایی پشتیبانی می‌شوند؟

فهرست زبان‌های پشتیبانی‌شده را اینجا ببینید.

چگونه می‌توانیم فایل‌های صوتی حجیم را پردازش کنیم؟

برای بارگذاری فایل جهت تبدیل گفتار به متن در API صوتی قدیمی مبتنی بر whisper-1، حداکثر حجم درخواست ۲۵ مِبی‌بایت (MiB) است. مسیرهای جدیدتر تبدیل گفتار به متن با gpt-4o ممکن است معیارهای اعتبارسنجی متفاوتی، مانند محدودیت مدت‌زمان یا تعداد توکن، داشته باشند؛ بنابراین هنگام پردازش ورودی‌های صوتی طولانی کاربران، مستندات مربوط به همان مدل را بررسی کنید.

چه روش‌هایی برای انتقال جریانی وجود دارد؟

برای دریافت جریانی متنِ گفتار دو روش وجود دارد. انتخاب روش به کاربرد شما بستگی دارد: می‌خواهید صدایی را که ضبط آن تمام شده به متن تبدیل کنید، یا جریان صوتیِ در حال ضبط را پردازش کنید و برای تشخیص نوبت‌های گفت‌وگو از OpenAI کمک بگیرید:

• دریافت جریانی متنِ صدایی که ضبط آن تمام شده است

• دریافت جریانی متنِ صدای در حال ضبط

توجه داشته باشید که مدل whisper-1 از انتقال جریانی پشتیبانی نمی‌کند.

چه قالب‌های فایلی پشتیبانی می‌شوند؟

قالب‌های فایل پشتیبانی‌شده در مستندات API ما آمده‌اند.

آیا می‌توانم پیوند فایل‌های صوتی را به API صوتی بفرستم؟

خیر، باید فایلی در یکی از قالب‌های صوتی پشتیبانی‌شده بفرستید.