音声

3 つのエンドポイントグループがあります：音声→テキスト、音声翻訳、テキスト→音声（TTS）。文字起こし/翻訳はファイルを multipart/form-data でアップロードし、TTS は JSON を受け取ってバイナリ音声を返します。

文字起こし

POST /v1/audio/transcriptions

curl https://test.kailin.com.cn/v1/audio/transcriptions \
  -H "Authorization: Bearer sk-your-token" \
  -F "file=@/path/to/audio.mp3" \
  -F "model=whisper-1" \
  -F "language=zh"

フィールド（form-data）

フィールド	型	必須	説明
file	file	はい	音声ファイル（mp3/wav/m4a/webm など、≤25MB）
model	string	はい	whisper-1、gpt-4o-transcribe、gpt-4o-mini-transcribe など
language	string	いいえ	ISO-639-1 コード（例：zh）— 精度が向上します
prompt	string	いいえ	固有名詞の表記を補助するガイドテキスト
response_format	string	いいえ	json（デフォルト）/ text / srt / verbose_json / vtt
temperature	number	いいえ	サンプリング温度

レスポンス

{ "text": "This is the transcribed text." }

verbose_json 形式では、さらにセグメントとタイムスタンプ（segments / duration）も返されます。

音声翻訳

POST /v1/audio/translations

音声の内容を英語に翻訳します。フィールドは文字起こしと同じです（language パラメーターは不要）：

curl https://test.kailin.com.cn/v1/audio/translations \
  -H "Authorization: Bearer sk-your-token" \
  -F "file=@/path/to/audio.mp3" \
  -F "model=whisper-1"

{ "text": "This is the English translation of the audio." }

テキスト読み上げ（TTS）

POST /v1/audio/speech

curl https://test.kailin.com.cn/v1/audio/speech \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer sk-your-token" \
  -d '{
    "model": "tts-1",
    "voice": "alloy",
    "input": "Welcome to AI Station."
  }' \
  --output speech.mp3

リクエストボディ

パラメーター	型	必須	説明
model	string	はい	tts-1、tts-1-hd、gpt-4o-mini-tts など
input	string	はい	合成するテキスト — 最大 4096 文字
voice	string	はい	alloy / echo / fable / onyx / nova / shimmer など
response_format	string	いいえ	mp3（デフォルト）/ opus / aac / flac / wav / pcm
speed	number	いいえ	0.25–4.0、デフォルトは 1.0

レスポンス

成功すると、エンドポイントは生の音声バイト列（response_format に従ってエンコード）を返します。JSON としてパースするのではなく、ファイルとして保存してください。

注意

Web プレイグラウンドで文字起こし/翻訳を利用する場合は、ファイルをアップロードできるフォームモードに切り替えてください。TTS のレスポンスはバイナリストリームです — プレイグラウンドでは音声プレーヤーが埋め込まれますが、cURL/SDK での動作確認を推奨します。