Распознавание речи (Speech-to-Text)

Превращайте запись голоса в текст. Эндпоинт совместим с OpenAI Audio, поэтому любой клиент, умеющий работать с транскрибацией OpenAI, начнёт работать после смены адреса и ключа.

Эндпоинт	`POST https://megaapi.ru/v1/audio/transcriptions`
Формат запроса	`multipart/form-data` — файл отправляется целиком
Ответ	JSON с полем `text` либо простой текст
Обратная задача	Синтез речи — Озвучка (TTS)

Модели

Модель	Когда выбрать	Вход	Выход
`gpt-4o-mini-transcribe`	Повседневная расшифровка: заметки, звонки, интервью. Вход дешевле впятеро, выход — втрое; на чистой записи почти не уступает старшей модели	$2.25 / 1M	$9 / 1M
`gpt-4o-transcribe`	Сложный звук: несколько говорящих, сильный акцент, шум, специальная терминология	$12 / 1M	$24 / 1M

Цены итоговые — именно столько списывается с баланса. Полный каталог — в разделе Модели и цены.

Начинайте с mini. Она обходится вчетверо дешевле на типичной записи, а на одном говорящем и нормальном микрофоне разница в тексте обычно незаметна. Переходите на старшую модель тогда, когда увидите ошибки на своём материале, а не заранее.

Запрос

curl https://megaapi.ru/v1/audio/transcriptions \
  -H "Authorization: Bearer $MEGAAPI_KEY" \
  -F file=@interview.mp3 \
  -F model=gpt-4o-mini-transcribe \
  -F language=ru

То же самое из Python, официальной библиотекой OpenAI:

from openai import OpenAI

client = OpenAI(api_key="$MEGAAPI_KEY", base_url="https://megaapi.ru/v1")

with open("interview.mp3", "rb") as audio:
    result = client.audio.transcriptions.create(
        model="gpt-4o-mini-transcribe",
        file=audio,
        language="ru",
    )

print(result.text)

Параметры

Параметр	Значения	Зачем
`file` обязательный	mp3, mp4, mpeg, mpga, m4a, wav, webm	Сам файл. Отправляется целиком, ссылкой указать нельзя
`model` обязательный	`gpt-4o-mini-transcribe`, `gpt-4o-transcribe`	См. таблицу выше
`language`	Код языка: `ru`, `en`, `de`…	Указывайте, если язык известен: модель перестанет тратить силы на определение и реже путает похожие языки
`prompt`	Строка	Подсказка с именами, терминами и названиями, которые встретятся в записи. Заметно помогает с фамилиями и продуктовыми названиями
`response_format`	`json` (по умолчанию) или `text`	`json` отдаёт объект с полем `text`, `text` — голую строку
`temperature`	0–1	Ноль — самый предсказуемый результат. Поднимать почти никогда не нужно

verbose_json и таймкоды эти модели не поддерживают. Запрос с response_format=verbose_json отбивается ошибкой 400. Так же не работают srt, vtt и timestamp_granularities: они были у старого Whisper, а у моделей поколения gpt-4o их нет. Если нужны субтитры с таймкодами, режьте запись на фрагменты сами и складывайте тайминги из их длительностей.

Сколько это стоит

Счёт считается не по минутам, а по токенам: звук переводится в аудио-токены (вход) плюс токены расшифровки (выход). Ориентир — минута речи это примерно 600 аудио-токенов входа и порядка 150–200 токенов текста.

Модель	≈ 1 минута	≈ 1 час
`gpt-4o-mini-transcribe`	≈ $0.0029	≈ $0.1755
`gpt-4o-transcribe`	≈ $0.0114	≈ $0.684

Оценка по среднему темпу речи; фактический счёт зависит от плотности звука и длины расшифровки. Точные ставки за 1M токенов — в таблице моделей выше.

Что стоит знать заранее

Длинные записи режьте сами. Файл уходит на сервер целиком, поэтому многочасовая запись — это долгая загрузка и один запрос, который нечем возобновить при обрыве. Куски по 5–10 минут надёжнее и позволяют обрабатывать их параллельно.
Тишина и музыка дают мусор. Модель обучена распознавать речь и на записи без неё выдаёт правдоподобный, но выдуманный текст. Отсекайте пустые фрагменты до отправки.
Имена и термины — в prompt. Это самый дешёвый способ поднять качество: одна строка со списком фамилий и названий экономит ручную правку расшифровки.
Неудачный запрос не списывается. Если модель вернула ошибку, деньги остаются на балансе.

А где Whisper

Модели whisper-1 и whisper-large-v3 у нас нет — запрос к ним вернёт ошибку. Их место заняли gpt-4o-transcribe и gpt-4o-mini-transcribe: те же эндпоинт и формат запроса, лучше качество на русском, дешевле младшая модель. Если переносите готовый код, достаточно поменять значение model и убрать verbose_json, srt, vtt и timestamp_granularities, если они там были.