語音識別 STT（Audio Transcriptions）

POST /v1/audio/transcriptions 上傳一個音訊檔案，返回識別出的文字，可以輸出純文本，也可以輸出帶時間軸的 SRT、VTT 字幕。常用於會議記錄、客服錄音質檢和影片字幕。請求用 multipart/form-data 上傳檔案，格式與 OpenAI 轉寫介面一致，本站按原格式轉發給模型服務。

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

請求頭

請求頭	必填	說明
`Authorization`	是	`Bearer sk-...`，控制台建立的 API Key
`Content-Type`	是	`multipart/form-data`。用 SDK 或 `curl -F` 時會自動設定，不要手寫

請求參數

參數	類型	必填	說明
`file`	file	是	音訊檔案，常見格式 mp3、mp4、mpeg、mpga、m4a、wav、webm。單個檔案大小有上限，長錄音先切段
`model`	string	是	模型名，例如 `whisper-1`
`language`	string	否	音訊語言，ISO-639-1 程式碼，如 `zh`、`en`。指定後識別通常更準，也更快
`prompt`	string	否	提示文本，可以寫專有名詞、人名或上一段的結尾，讓用詞前後一致
`response_format`	string	否	`json`（預設）、`text`、`srt`、`vtt`、`verbose_json`
`temperature`	number	否	0 到 1，預設 0。一般保持預設
`timestamp_granularities[]`	array	否	`segment` 或 `word`，需要配合 `verbose_json` 使用，返回分段或逐詞的時間戳

請求示例

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)

響應示例

response_format 為 json 時：

JSON

{
  "text": "我们先回顾一下这个季度的客户成功指标……"
}

為 srt 時返回字幕文本，可以直接存成 .srt 檔案：

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

欄位	說明
`text`	識別出的完整文字
`segments`	`verbose_json` 時出現，每段帶 `start`、`end`（秒）和文字
`language`	`verbose_json` 時出現，模型判斷的音訊語言

注意事項

這個介面是原樣轉發，沒有在本站單獨實測，接入時先用一小段音訊驗證。
檔案字尾要和真實格式一致。單個檔案太大可能被拒絕（413），長錄音先按 5 到 10 分鐘切段，再按順序拼接結果。
能確定語言時就傳 language，中英混雜的錄音可以不傳，讓模型自己判斷。
專有名詞識別不準時，把它們寫進 prompt。
轉寫耗時和音訊時長有關，客戶端超時建議設長一些。計費按模型價目表執行，具體扣費以控制台「操作日誌」為準。

支援此介面的模型

模型	廠商	最低價分組	輸入 ¥/百萬	輸出 ¥/百萬	按次 ¥/次
whisper-1	OpenAI	標準	¥60	¥60	—

價格為人民幣，取各模型最低價分組；價格更新於 2026年11月13日下午6:03。

沒找到答案？加客服微信 JsnonoChat，傳送報錯資訊裡的 request id，我們幫你排查。