OpenAI: GPT Transcribe
GPT Transcribe 將錄製語音轉成原語言文字，支援上下文提示詞、字面關鍵詞提示和多語言提示。OpenAI 記載了完整檔案轉錄、檔案結果串流，以及 Realtime 音訊回合提交後的轉錄。
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。
GPT Transcribe 是 OpenAI 的語音轉文字模型，適用於完整音訊檔案、檔案逐字稿串流，以及 Realtime 工作階段中已提交的音訊回合。它接受音訊和選用的文字上下文，回傳辨識出的文字。開發方將其定位於準確轉錄原語言的錄製語音，包括領域詞彙、多語言錄音和語碼轉換。實用輸出是與錄音保持關聯的逐字稿，並在模型能可靠預測時附上偵測語言中繼資料。
準備完整錄音
OpenAI 的檔案轉錄流程接受最多 25 MB 的上傳。當前端點參考文件列出 FLAC、MP3、MP4、MPEG、MPGA、M4A、OGG、WAV 和 WebM 輸入格式，並建議提供足以辨識格式的檔案中繼資料，包括適當副檔名和內容型別。較大的錄音，指南建議壓縮或分割成每份 25 MB 以下的檔案。避免在句子中間切割，因為移除前後語音可能降低辨識準確度。請依順序保留各部分，以及它們在原始錄音中的位置。
會議、訪談或錄製簡報應提供實際音訊，並指出主題和可能出現的術語。實用結果是辨識出的原話，而非推測的討論摘要。請將錄音識別碼與回傳文字保存在一起，讓審查姓名、數字或不確定詞句的人能回到正確來源。逐字稿之後可作為獨立摘要、翻譯或編輯流程的資料。
上下文、關鍵詞提示與預期語言
開發方區分三種引導。提示詞提供錄音主題或情境的自由形式上下文。關鍵詞提供語音中預期出現的字面詞語或片語。語言清單指出預期的口語語言。雙語產品討論可在提示詞中描述情境、將相關產品名稱列為關鍵詞，再提供預期語言。這些是辨識提示，並非要求插入未曾被說出的詞彙。
GPT Transcribe 使用複數 languages 欄位，而非較舊的單數 language 欄位；OpenAI 指出不要同時傳送兩者。指南接受支援的 ISO 639-1 代碼、指定的 ISO 639-3 代碼，以及區域中文語系代碼，不支援或格式錯誤的值會被拒絕。每個關鍵詞必須維持單行，不得包含角括號、回車或換行。無效關鍵詞或過長提示詞可能讓整個請求遭到拒絕。請讓上下文保持相關，並確認提示的名稱是否真的出現在音訊中，而非將提示清單當成逐字稿。
JSON 輸出與偵測語言預測
文件所列的檔案結果是包含逐字稿和偵測語言的 JSON。這些語言預測是模型的輸出，而非複製所提供的語言提示。當模型無法可靠預測時，空語言清單是有效結果，不表示錄音無聲或轉錄失敗。請將辨識文字和語言中繼資料分開，讓後續處理能依各自意義使用。
串流檔案逐字稿
完整檔案可在處理時逐步產生逐字稿文字。OpenAI 記載 transcript.text.delta 事件用於部分文字，transcript.text.done 則用於完整檔案逐字稿；最後事件也包含偵測語言。這是對已提供錄音的輸出進行串流，適合呈現較長上傳的處理進度；最後事件才確立應保留為完整結果的文字。
Realtime 工作階段中已提交的回合
GPT Transcribe 也提供透過 WebSocket 的專用 Realtime 流程。音訊會追加至輸入緩衝區，再由應用程式明確提交一個音訊回合。轉錄從該已提交區塊開始，可能在完成事件前發出增量內容，並包含偵測語言資訊。在這個開發方工作階段流程中，模型會自動將先前已轉錄回合作為上下文。這與麥克風音訊一到達就持續輸出即時字幕文字不同；OpenAI 將持續處理的流程命名為 GPT Live Transcribe。
多個回合應將輸入項目識別碼與對應逐字稿保存在一起。OpenAI 提醒，不同回合的完成事件不一定依發話順序到達，因此請將每份最終結果關聯至其已提交輸入，而非只依完成時間排列對話。實用成果是由正確最終項目組成的有序逐字稿，暫存文字應視為進度，而非另一段已完成發話。
專用輸出與實質限制
此設定檔不提供通用的字幕、時間戳記、翻譯或說話者標籤約定。OpenAI 的遷移指南區分這些專用能力：原生字幕格式和逐字時間資訊需要相容的模型與格式，說話者標籤則使用 GPT-4o Transcribe Diarize。GPT Transcribe 的檔案結果是 JSON，不能直接替代 SRT、VTT 或詳細時間戳記回應。其確切模型卡未公布數值形式的上下文或最大輸出額度，因此不應將聊天模型的詞元視窗套用於音訊轉錄。
請依錄音檢查困難詞彙、數字、口音、背景噪音和語言切換。確認相關提示改善了辨識，而未引入未被說出的詞語，並確認最終逐字稿包含音訊結尾。多語言結果應先保留實際發話，再準備翻譯版本。這些檢查讓逐字稿成為實用來源資料，同時清楚區分上下文提示、偵測語言和辨識出的語音。
Ailoot Ultra · 語音轉文字 POST /v1/audio/transcriptions openai/gpt-transcribe
openai/gpt-transcribe入門
GPT Transcribe 將錄製語音轉成原語言文字，支援上下文提示詞、字面關鍵詞提示和多語言提示。OpenAI 記載了完整檔案轉錄、檔案結果串流，以及 Realtime 音訊回合提交後的轉錄。
- 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 openai/gpt-transcribe | 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 $0.00015 每秒輸入音訊 |
Ailoot 會在請求前預留估算金額。取得結果後，依實測用量結算最終費用。串流結算採用最終用量紀錄。預留金額與結算的運作方式 →
請求範例
Ailoot Ultra · 語音轉文字
set -eu
: "${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': 'openai/gpt-transcribe', '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}/contentGET /v1/media/assetsGET /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 openai/gpt-transcribe
方法路徑別名
請使用上方列出的 API 方法路徑。
相關呼叫用 ID
FAQ · OpenAI: GPT Transcribe
- 可以使用哪些輸入與結果？
POST /v1/audio/transcriptions·openai/gpt-transcribe:audio→text- 請求使用哪些欄位？
POST /v1/audio/transcriptions·openai/gpt-transcribe:model,input_audio