Fish Audio: Transcribe 1

Transcribe 1 可將短錄音轉成文字，支援自動語言偵測與選用的逐字時間戳記。逐字稿可用於語音筆記、可搜尋片段或字幕製作；帶時間的片段應與便於閱讀的完整文字分開保存。

Ailoot Ultra · 語音轉文字 POST /v1/audio/transcriptions fish-audio/transcribe-1

關於模型

此說明介紹模型的能力。Ailoot 可用的輸入、輸出與選項，依所選方法列於下方。

Transcribe 1 是 Fish Audio 用於短錄音的通用語音轉文字模型。它接受音訊檔，將辨識到的內容以文字傳回，並附上錄音時長、選用的定時片段，以及已知的語言資訊。此模型適合短語音筆記、口述指令、錄音摘錄，或需要可讀文字版本的音訊片段。

語音筆記流程可將錄音、完整逐字稿與原始片段識別碼一併保存。後續應用程式步驟可搜尋文字、整理筆記或產生摘要，同時保留口語來源。對指令而言，逐字稿提供應用程式辨識到的字詞；任何動作都屬於另一個解讀與執行步驟。處理訪談摘錄時，記錄片段在完整音訊中的位置，讓引文能回到正確位置核對。

開發商接受 WAV、MP3、AAC（包含 M4A/MP4）、FLAC，以及內含 Opus 或 Vorbis 的 Ogg。瀏覽器產生的 WebM 錄音，應先轉為 Ogg/Opus、MP3 或 WAV 再交給此模型；Pro 文件另載原生支援其他容器。每次請求提供一個音訊檔。基礎模型文件中的請求額度最高為 50 MiB，其中 MP3 與 Opus 檔須低於 25 MiB。檔案大小與錄音長度是不同考量：壓縮檔即使符合上傳額度，處理時間仍可能過長。

Transcribe 1 專為短錄音設計。開發商建議超過幾分鐘的音訊使用 Pro；基礎模型的長請求若超過處理時間限制，可能失敗。將較長來源切成短片段轉錄時，保留每段的起始偏移量，並確認回傳逐字稿涵蓋整個片段後再合併。在片段的局部時間加上原始偏移量，才能讓導覽對應完整錄音。基礎模型的指引不應解讀為 Pro 另有的 60 分鐘額度。

開發商回應包含 text、duration 與 segments。時長以秒表示，而便於閱讀的完整逐字稿應作為片段的主要文字內容。時間戳記為選用功能：開發商 API 的 ignore_timestamps 預設為 true；設為 false 則要求逐字片段，包含文字，以及以秒表示的開始與結束時間。要求對齊會增加處理時間。空的 segments 陣列可能表示略過時間資訊、沒有語音，或對齊暫時無法取得，不應自動解讀為完整逐字稿也是空白。

片段通常以單字為單位；中文與日文則可能是一個或少數幾個字。片段文字不含標點，數值正規化方式也可能與完整逐字稿不同，因此並非可讀回應的逐字元複本。片段開始與結束時間可以相同。尋找錄音位置或準備定時顯示時使用片段；重視措辭與標點時使用完整文字。產出成果中應區分這兩種表示方式。

無論有無提供選用的語言提示，語言都會自動偵測。開發商文件以小寫 ISO 639-1 代碼表示提示，並在已知時回傳供應用程式邏輯使用的語言代碼，以及供畫面顯示的語言名稱。回應只報告一種語言，不會列出切換語言錄音中的每種語言。將來源措辭與可取得的語言中繼資料隨結果保留，不要把轉錄請求當作翻譯操作。

字幕流程應將連續的定時片段組成便於閱讀的字幕單元，而非每次只顯示一個字。實用成果是連結原始片段的 SRT 或 WebVTT 檔，字幕邊界配合停頓，且畫面文字量容易閱讀。檢查是否缺少時間資訊，並確保每個字幕單元的結束晚於開始。字幕分組與檔案格式處理，是根據回傳對齊資訊進行的應用程式步驟；顯示方式應符合播放器與觀眾需求。

Transcribe 1 文件記載的控制項為音訊、語言提示與時間戳記選擇。Pro 的說話者標記、結構化說話輪次、情緒事件控制與說話者人數提示是不同功能，並非此基礎模型文件所定義的回應契約。處理前先決定所需成果：筆記使用便於閱讀的純文字；播放導覽與字幕則使用文字加上對齊資訊。保留片段識別碼、逐字稿與可取得的時間資訊，能讓結果供後續應用程式階段使用。

Ailoot Ultra · 語音轉文字 POST /v1/audio/transcriptions fish-audio/transcribe-1

fish-audio/transcribe-1

Fish Audio /fish-audio/transcribe-1

入門

接受的輸入: 音訊
結果: 文字

Ailoot 可用 · 輸入與方法

Ailoot Ultra · 語音轉文字 POST /v1/audio/transcriptions

輸入: audio
輸出: text

欄位	類型	要求	值與限制	預設值
欄位`model`	類型`string`	要求必填	值與限制 fish-audio/transcribe-1	預設值—
欄位`input_audio`	類型`object`	要求必填	值與限制	預設值—

方法參數與生命週期

參數	規格
參數`content_type`	規格application/json
參數`required`	規格model, input_audio
參數`material_types`	規格audio
參數`material_conditions`	規格此範例會讀取您實際使用且非空的 PCM WAV 檔案，將完整檔案位元組編碼為 base64，並將 input_audio.format 設為 wav 傳送。

生命週期： synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · 現有自有媒體紀錄中完全相符的 task_id

GET /v1/media/assets/{asset_id}/content

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

方案

費率資訊不會增加請求選項。支援的參數列於所選方法中。

快速模式: 未指定選取快速模式時
flex 模式: 未指定選取 flex 模式時
最高推理強度: 未指定最高推理強度採用 default 調整值時

Ailoot 費率

各設定的價格

請逐一核對各項費用與所列條件。每組互為替代選項的設定只套用一種費率。

設定	費率表	計費單位	費用
設定基礎 token 費率	費率表基本費率	計費單位—	費用輸入 · 輸入 Token — / 1K Token 輸出 · 輸出 Token — / 1K Token 輸入 · 讀取快取 — / 1K Token 輸入 · 寫入快取 — / 1K Token 輸入 · 寫入快取，1 小時 — / 1K Token
設定輸入音訊秒數	費率表—	計費單位每秒輸入音訊	費用輸入 · 輸入音訊秒數 $0.0002 每秒輸入音訊

Ailoot 會在請求前預留估算金額。取得結果後，依實測用量結算最終費用。串流結算採用最終用量紀錄。預留金額與結算的運作方式 →

請求範例

Ailoot Ultra · 語音轉文字

curl · 實際 WAV 檔案與完整的原始結果

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_AUDIO_FILE:?Set the path to your actual PCM WAV recording}"
export AILOOT_AUDIO_FILE
python3 - <<'PY_REQUEST'
import base64, io, json, os, wave
from pathlib import Path
audio = Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()
if not (audio[:4] == b'RIFF' and audio[8:12] == b'WAVE'):
    raise SystemExit('Supply your actual PCM WAV audio file')
with wave.open(io.BytesIO(audio), 'rb') as recording:
    if recording.getcomptype() != 'NONE' or recording.getnframes() <= 0:
        raise SystemExit('Supply a nonempty PCM WAV recording')
request = {'model': 'fish-audio/transcribe-1', 'input_audio': {'data': base64.b64encode(audio).decode('ascii'), 'format': 'wav'}}
Path('request.json').write_text(json.dumps(request, ensure_ascii=False), encoding='utf-8')
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \
  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
  --data-binary @request.json -D response-headers.txt -o response.bin
# Retain the complete original response, headers and actual X-Client-Request-ID.
# Read existing owned records for recovery; do not resubmit an uncertain operation.

接收並儲存結果

Ailoot Ultra · 語音轉文字

完整的原始回應本文、狀態與轉送標頭。此處理常式不會加入通用的 JSON 結構、文字欄位或工作封裝。

GET /v1/media/tasks/{task_id}
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}

保留所有已完成的結果

請保留所有完整傳回的回應、檔案與內容區塊。

保留完整回應與標頭、所有實際輸出、原始回傳的識別碼，以及所有用量欄位。恢復原始作業時，請勿再次提交建立請求。

需要檢查原始回應時

請保留實際的 X-Client-Request-ID 與完整回應。請讀取原始自有資產及其完全相符的簽署內容 URL；切勿重新提交結果不明的建立請求。

回應欄位

欄位	類型
欄位`text (when present)`	類型
欄位`usage (when present)`	類型

錯誤與後續步驟

回應	條件	下一步
回應400 · `invalid_request_error`	條件JSON 本文或明確的標準模型 ID 無效。	下一步請保留回應，並修正指出的請求欄位。
回應401 · `authentication_error`	條件Ailoot API 金鑰無效。	下一步請使用您已獲授權的 Ailoot API 金鑰。
回應403 · `permission_error`	條件此金鑰群組未獲准使用該方法。	下一步請保留回傳的錯誤詳細資訊。
回應404 · `not_found_error`	條件所選方法沒有獲准使用的路由。	下一步請保留回傳的錯誤詳細資訊。
回應422 · `price_unavailable`	條件已接受的費率無法取得其所需的輸入數量或界限。	下一步請保留回應，並使用已接受費率所要求的輸入表示方式。
回應503 ·	條件所需的儲存系統、路由、方法價格或預留額度無法使用。	下一步請保留完整的原始回應。預留額度狀態不明並不代表可以重新提交。
回應502 · `server_error`	條件原始結果、用量或結算需要查核。	下一步請保留實際的請求 ID 與原始回應。請讀取現有的自有紀錄，切勿重新提交建立請求。

別名

模型別名

Ailoot Ultra fish-audio/transcribe-1

方法路徑別名

請使用上方列出的 API 方法路徑。

Fish Audio: Transcribe 1