音频理解
使用返回的任务 ID 进行查询 获取最终结果。
授权
所有接口均需要使用 Bearer Token 进行认证。在请求头中添加：
Authorization: Bearer YOUR_API_KEY
YOUR_API_KEY 为 API Token（sk-... 格式）。
请求体
音频源。接受以下两种形式：
- 公网 HTTP/HTTPS URL
data:audio/<type>;base64,<payload>data URI（base64 内联）
各家族音频格式支持（具体可用模型由渠道配置驱动）：
- Gemini 家族（如
gemini-*）：wav/mp3/aiff/aac/ogg/flac/m4a；整个请求体（prompt + system + 内联文件）≤ 20 MB
内联 base64（仅异步模式，sync 省略或为 false）：网关识别为内联媒体的 base64（data: URI，或 4096 个以上编码字符且解码内容命中已知媒体签名的裸 base64），会在请求入库与提交上游之前上传文件存储并替换为 URL，不以 base64 原文入库；更短的裸 base64、或签名不可识别的内容按原样透传，也不做体积校验。上限只作用于内联 base64 项（公网 URL 不受限）：单项解码后 ≤ 5 MB；本字段最多携带 1 个内联项，但仍占用「单请求合计 ≤ 10 MB、单请求内联总数 ≤ 20 项」的全请求公共额度。data: 前缀格式非法或 payload 解码为 0 字节返回 422，超限同样返回 422，请改用 /v1/files/upload 上传后传 URL。
sync: true 时请求不写任务记录，以上均不适用：内联 base64 原样提交上游，不做任何体积或数量校验。
1"https://storage.googleapis.com/cloud-samples-tests/speech/brooklyn.flac"
用户提示词。省略时默认为 'Please transcribe this audio file'，与转写场景一致。
100000"Identify the speakers and emotion in this audio."
同步模式。true 时端点阻塞直到上游完成并返回完整响应（如同时 stream=true，则返回 SSE 流）；false 时端点立即返回任务 ID，结果通过 GET /v1/tasks/{task_id} 或 SSE 端点获取。
false
是否流式。true 时 Submit 响应包含 stream.url 指向 SSE 订阅路径；流式 chunks 统一为 OpenAI chat.completion.chunk 格式。
false
生成 token 上限。可选。
x >= 1256
采样温度，区间 [0, 2]。可选。
0 <= x <= 2系统指令。可选。
10000是否包含 reasoning tokens。部分思考模型需设为 true。
响应
任务已创建
Submit 响应，对齐统一任务标准形状。results / error 在 submit 阶段固定为 null，任务完成/失败后通过 GET /v1/tasks/{task_id} 返回。
任务 ID，格式 task-llm-{timestamp}-{8random}。
"task-llm-1776874565-yq3szvcu"
llm.generation.task "llm.generation.task"
llm "llm"
客户端提交的模型名（原样回显）
"gemini-2.5-pro"
pending "pending"
0
1776874565
stream=true 时返回 {url: ...}；stream=false 时为 null。
submit 阶段固定 null；任务完成后通过 GET /v1/tasks/{task_id} 返回，results[0] 为完整 OpenAI ChatCompletion 响应（音频转写 / 理解输出在 message.content）。
null
submit 阶段固定 null；任务失败时通过 GET /v1/tasks/{task_id} 返回。
null