OpenAI 格式 - 语音识别

curl --request POST \
  --url https://api.foxapi.cc/v1/audio/transcriptions \
  --header 'Authorization: Bearer <token>' \
  --header 'Content-Type: multipart/form-data' \
  --form file='@example-file' \
  --form model=whisper-1 \
  --form language=zh \
  --form 'prompt=<string>' \
  --form response_format=json \
  --form temperature=0 \
  --form punctuation=true \
  --form max_new_tokens=123

{
  "text": "今天天气不错，我们去公园散步吧。"
}

​

模型参数说明

OpenAI 语音识别接口在不同模型上支持的字段存在差异。请求体只列出了所有模型通用的核心字段，下文说明各模型独有或受限的字段。

​

支持的模型

​

response_format 各模型支持矩阵

​

whisper-1 独有特性

• timestamp_granularities[] — array，可选值 word / segment，默认 [segment]
  • 词级 / 段级时间戳粒度
  • 仅在 response_format=verbose_json 时生效
  • 表单字段名以 timestamp_granularities[] 形式重复传递（数组）
  • gpt-4o-* 系列因仅支持 json，实际无法使用此参数；gpt-4o-transcribe-diarize 明确禁用
• 不支持流式：在 whisper-1 上传 stream=true 会被静默忽略。

​

gpt-4o-* 系列独有参数

适用于 gpt-4o-transcribe、gpt-4o-mini-transcribe、gpt-4o-mini-transcribe-2025-12-15。

• include[] — array，可选值仅 logprobs
  • 返回每个 token 的对数概率，用于评估模型识别置信度
  • 仅在 response_format=json 时生效
  • 不适用于 whisper-1 与 gpt-4o-transcribe-diarize
• stream — boolean，默认 false
  • 通过 SSE（Server-Sent Events）流式返回识别结果
  • whisper-1 不支持，参数会被忽略
• chunking_strategy — "auto" 字符串 或 server_vad 对象
  • 控制音频如何切分为块。不传则整段音频作为一个块识别
  • 设为 "auto"：服务端先做响度归一化，再用 VAD 自动选择切分边界
  • 设为 server_vad 对象（手动调参 VAD）：

    字段	类型	默认	说明
    type	string	—	必填，固定为 "server_vad"
    prefix_padding_ms	integer	300	VAD 检测到语音前包含的音频时长（毫秒）
    silence_duration_ms	integer	200	用于判定语音结束的静音时长（毫秒）。值越短响应越快，但可能在短停顿处误切

​

gpt-4o-transcribe-diarize 独有参数

仅适用于 gpt-4o-transcribe-diarize（说话人分离专用模型）。

• chunking_strategy — 处理超过 30 秒的音频时必传（推荐 "auto"）
• known_speaker_names[] — array，最多 4 个
  • 已知说话人的标识列表（如 customer、agent）
  • 与 known_speaker_references[] 一一对应
• known_speaker_references[] — array，最多 4 个
  • 对应说话人的参考音频，使用 data URL 格式
  • 每段需 2-10 秒
  • 支持的音频格式与 file 字段相同

​

gpt-4o-transcribe-diarize 不支持的字段

以下字段在 gpt-4o-transcribe-diarize 上不可用：

​

cohere-transcribe 独有特性

由 Fal 平台托管的 Cohere 转写模型，支持 14 种语言（en / fr / de / it / es / pt / el / nl / pl / zh / ja / ko / vi / ar）。language 传其他取值时由上游返回错误。

​

独有参数

• punctuation — boolean，默认 true
  • 控制识别结果是否保留标点符号
• max_new_tokens — integer，默认 256
  • 限制单次识别输出的最大 token 数

​

不支持的字段

以下 OpenAI 标准字段在 cohere-transcribe 上不可用，传入后会被静默忽略（不会报错）： response_format 仅支持 json / text，传入 srt / vtt / verbose_json / diarized_json 等其他值会返回 400。