语音识别 STT（Audio Transcriptions）

POST /v1/audio/transcriptions 上传一个音频文件，返回识别出的文字，可以输出纯文本，也可以输出带时间轴的 SRT、VTT 字幕。常用于会议记录、客服录音质检和视频字幕。请求用 multipart/form-data 上传文件，格式与 OpenAI 转写接口一致，本站按原格式转发给模型服务。

POSThttps://www.tutujin.com/v1/audio/transcriptions

请求头

请求头	必填	说明
`Authorization`	是	`Bearer sk-...`，控制台创建的 API Key
`Content-Type`	是	`multipart/form-data`。用 SDK 或 `curl -F` 时会自动设置，不要手写

请求参数

参数	类型	必填	说明
`file`	file	是	音频文件，常见格式 mp3、mp4、mpeg、mpga、m4a、wav、webm。单个文件大小有上限，长录音先切段
`model`	string	是	模型名，例如 `whisper-1`
`language`	string	否	音频语言，ISO-639-1 代码，如 `zh`、`en`。指定后识别通常更准，也更快
`prompt`	string	否	提示文本，可以写专有名词、人名或上一段的结尾，让用词前后一致
`response_format`	string	否	`json`（默认）、`text`、`srt`、`vtt`、`verbose_json`
`temperature`	number	否	0 到 1，默认 0。一般保持默认
`timestamp_granularities[]`	array	否	`segment` 或 `word`，需要配合 `verbose_json` 使用，返回分段或逐词的时间戳

请求示例

curl https://www.tutujin.com/v1/audio/transcriptions \
  -H "Authorization: Bearer $TUTUJIN_API_KEY" \
  -F file=@meeting.mp3 \
  -F model="whisper-1" \
  -F language=zh \
  -F prompt="土土金，季度复盘，客户成功"

import os
from openai import OpenAI

client = OpenAI(base_url="https://www.tutujin.com/v1", api_key=os.environ["TUTUJIN_API_KEY"], timeout=300)

with open("meeting.mp3", "rb") as f:
    result = client.audio.transcriptions.create(
        model="whisper-1",
        file=f,
        language="zh",
        prompt="土土金，季度复盘，客户成功",
    )
print(result.text)

import fs from 'node:fs'
import OpenAI from 'openai'

const client = new OpenAI({ baseURL: 'https://www.tutujin.com/v1', apiKey: process.env.TUTUJIN_API_KEY, timeout: 300_000 })

const result = await client.audio.transcriptions.create({
  model: 'whisper-1',
  file: fs.createReadStream('meeting.mp3'),
  language: 'zh',
  prompt: '土土金，季度复盘，客户成功',
})
console.log(result.text)

响应示例

response_format 为 json 时：

JSON

{
  "text": "我们先回顾一下这个季度的客户成功指标……"
}

为 srt 时返回字幕文本，可以直接存成 .srt 文件：

Text

1
00:00:00,000 --> 00:00:03,200
我们先回顾一下这个季度的客户成功指标

2
00:00:03,200 --> 00:00:06,900
整体续约率比上季度有所提升

字段	说明
`text`	识别出的完整文字
`segments`	`verbose_json` 时出现，每段带 `start`、`end`（秒）和文字
`language`	`verbose_json` 时出现，模型判断的音频语言

注意事项

这个接口是原样转发，没有在本站单独实测，接入时先用一小段音频验证。
文件后缀要和真实格式一致。单个文件太大可能被拒绝（413），长录音先按 5 到 10 分钟切段，再按顺序拼接结果。
能确定语言时就传 language，中英混杂的录音可以不传，让模型自己判断。
专有名词识别不准时，把它们写进 prompt。
转写耗时和音频时长有关，客户端超时建议设长一些。计费按模型价目表执行，具体扣费以控制台「操作日志」为准。

支持此接口的模型

模型	厂商	最低价分组	输入 ¥/百万	输出 ¥/百万	按次 ¥/次
whisper-1	OpenAI	标准	¥60	¥60	—

价格为人民币，取各模型最低价分组；价格更新于 2026年11月13日 01:33。

没找到答案？加客服微信 JsnonoChat，发送报错信息里的 request id，我们帮你排查。