语音转文本

使用 Venice 语音转文本模型，通过与 OpenAI 兼容的 /audio/transcriptions 端点和 multipart 文件上传，将 MP3 等音频文件转录为文本，涵盖模型选择、响应格式设置以及会议记录等对话录音处理的进阶指南，附 Python 与 curl 请求示例。

语音转文本可将口语音频转录为文字。向 /audio/transcriptions 发送一个音频文件，选择转录模型，并指定所需的响应格式。

在处理对话录音？用语音转文本生成会议纪要从一个音频文件出发，得到能精确引用达成时刻（精确到秒）的决策和行动项，还包括哪些模型会返回分段时间戳，以及如何处理一份从不说明谁在发言的转录文本。

​

基本用法

Python

import os

import requests

with open("meeting.mp3", "rb") as audio:
    response = requests.post(
        "https://api.venice.ai/api/v1/audio/transcriptions",
        headers={"Authorization": f"Bearer {os.environ['VENICE_API_KEY']}"},
        files={"file": audio},
        data={
            "model": "nvidia/parakeet-tdt-0.6b-v3",
            "response_format": "json",
        },
    )

response.raise_for_status()
print(response.json()["text"])

​

支持的输入

常见音频格式包括 mp3、mp4、mpeg、mpga、m4a、wav、webm、flac 和 ogg。请查阅 语音转文本模型 页面了解当前模型支持情况和价格。

​

响应格式

格式	适用场景
json	需要简单的 { "text": "..." } 响应时。
text	需要纯文本、无需解析 JSON 时。
srt	需要 SubRip 字幕时。
vtt	需要 WebVTT 字幕时。
verbose_json	需要更丰富的时间戳和分段元数据时。

当转录内容将与媒体播放配合使用时，请选择字幕格式。当转录用于摘要生成、搜索或下游聊天提示时，请使用 json 或 text。

​

生产环境建议

• 尽量保证音频清晰，避免多人同时说话。
• 如果工作流需要更低延迟或更方便重试，可将过长的录音切分为较小的片段。
• 为每份转录保存原始音频路径、模型 ID 和响应格式，便于审计。

​

相关资源

• Audio Transcriptions API
• 语音转文本模型
• 文本转语音指南