Аудио

Три группы эндпоинтов: распознавание речи, перевод аудио и синтез речи из текста (TTS). При распознавании и переводе файлы загружаются как multipart/form-data; TTS принимает JSON и возвращает бинарное аудио.

Распознавание речи

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"

Поля (form-data)

Поле	Тип	Обязательно	Описание
file	file	Да	Аудиофайл (mp3/wav/m4a/webm и др., ≤25 МБ)
model	string	Да	whisper-1, gpt-4o-transcribe, gpt-4o-mini-transcribe и др.
language	string	Нет	Код ISO-639-1 (например, zh) — повышает точность
prompt	string	Нет	Подсказка, помогающая корректно написать имена собственные
response_format	string	Нет	json (по умолчанию) / text / srt / verbose_json / vtt
temperature	number	Нет	Температура сэмплирования

Ответ

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

Формат verbose_json дополнительно возвращает сегменты и временные метки (segments / duration).

Перевод аудио

POST /v1/audio/translations

Переводит содержимое аудио на английский язык. Поля те же, что и в распознавании речи (без параметра language):

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." }

Синтез речи из текста

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

Тело запроса

Параметр	Тип	Обязательно	Описание
model	string	Да	tts-1, tts-1-hd, gpt-4o-mini-tts и др.
input	string	Да	Текст для синтеза — до 4096 символов
voice	string	Да	alloy / echo / fable / onyx / nova / shimmer и др.
response_format	string	Нет	mp3 (по умолчанию) / opus / aac / flac / wav / pcm
speed	number	Нет	0.25–4.0, по умолчанию 1.0

Ответ

В случае успеха эндпоинт возвращает «сырые» байты аудио (кодировка задаётся параметром response_format). Сохраните ответ в файл, а не пытайтесь разобрать его как JSON.

Осторожно

При использовании веб-песочницы для распознавания или перевода переключитесь в режим формы, чтобы загружать файлы. Ответ TTS — бинарный поток: песочница встраивает для него аудиоплеер, но рекомендуется проверять запрос через cURL/SDK.