Распознавание речиготовится

Планируемый контракт POST /v1/audio/transcriptions: обычный и потоковый режим, форматы text, json, srt

Раздела распознавания речи в API LibraChat пока нет. Метод POST /v1/audio/transcriptions не отвечает, ключи sk-libra-… к нему не применяются. Ниже описан планируемый контракт — он приведён, чтобы вы могли заранее подготовить интеграцию, но полагаться на него в рабочем коде нельзя: детали могут измениться до релиза. Сейчас в API работают только POST /v1/chat/completions и GET /v1/models.

Запрос

Планируется обычная загрузка файла формой multipart/form-data. Авторизация — тем же заголовком Authorization: Bearer sk-libra-…, что и у текстовых методов.

Поле	Тип	Обязательно	Описание
file	файл	да	Аудиозапись. Планируемые форматы: mp3, m4a, wav, ogg, webm, flac. Ограничение по размеру будет объявлено вместе с релизом.
model	строка	да	Модель распознавания. Планируемое имя — libra-stt.
language	строка	нет	Код языка по ISO 639-1, например ru или en. Если не указан, язык определяется автоматически.
response_format	строка	нет	Формат ответа: text, json или srt. По умолчанию json.
prompt	строка	нет	Подсказка со специальными терминами и именами — помогает распознать редкие слова.
temperature	число	нет	От 0 до 1. По умолчанию 0.

bash

curl https://api.librachat.kz/v1/audio/transcriptions \
  -H "Authorization: Bearer sk-libra-…" \
  -F file=@meeting.mp3 \
  -F model=libra-stt \
  -F language=ru \
  -F response_format=json

Форматы ответа

Ответы планируется отдавать с Content-Type: application/json; charset=utf-8 для json и text/plain; charset=utf-8 для text и srt.

json

// response_format=json
{
  "text": "Здравствуйте, начнём совещание.",
  "language": "ru",
  "duration": 128.4
}

text

// response_format=text
Здравствуйте, начнём совещание.

// response_format=srt
1
00:00:00,000 --> 00:00:02,600
Здравствуйте, начнём совещание.

Потоковый режим

Для длинных записей и для расшифровки на лету планируется потоковая выдача: сервер присылает куски текста по мере распознавания, не дожидаясь конца файла. Механика та же, что у текстового стриминга в /v1/chat/completions — server-sent events, поток закрывается строкой data: [DONE].

Обычный режим: вы загружаете файл целиком и получаете один ответ. Подходит для готовых записей.
Потоковый режим: включается параметром stream=true, промежуточные куски приходят событиями. Подходит для диктовки и субтитров в реальном времени.
В потоковом режиме формат srt не планируется — тайминги собираются на вашей стороне из полей каждого события.

Цены

Тарификация — по длительности аудио, а не по токенам. Считается фактическая длительность записи, а не время обработки.

Режим	Цена
Обычное распознавание	27 ₽ за час аудио
Потоковое распознавание	54 ₽ за час аудио

Баланс на аккаунте предоплаченный и сейчас ведётся только в токенах: списание происходит из поля usage ответа модели. Для почасовой тарификации распознавания нужен отдельный механизм списания — его ещё предстоит сделать, поэтому пересчёт минут аудио в списание с баланса пока не определён.

НазадСинтез речи ДальшеГолосовой диалог