ARouter 提供三種模式的全面音訊支援：語音轉文字（轉錄和翻譯）、文字轉語音（TTS）以及音訊對話（接受音訊輸入並產生語音輸出的多模態模型）。
音訊轉錄
使用與 OpenAI 相容的 /v1/audio/transcriptions 端點將音訊檔案轉錄為文字。
curl https://api.arouter.ai/v1/audio/transcriptions \
-H "Authorization: Bearer lr_live_xxxx" \
-F file="@audio.mp3" \
-F model="openai/whisper-large-v3"
from openai import OpenAI
client = OpenAI(base_url="https://api.arouter.ai/v1", api_key="lr_live_xxxx")
with open("audio.mp3", "rb") as audio_file:
transcription = client.audio.transcriptions.create(
model="openai/whisper-large-v3", file=audio_file, response_format="text"
)
print(transcription.text)
import OpenAI from "openai";
import fs from "fs";
const client = new OpenAI({ baseURL: "https://api.arouter.ai/v1", apiKey: "lr_live_xxxx" });
const transcription = await client.audio.transcriptions.create({
model: "openai/whisper-large-v3", file: fs.createReadStream("audio.mp3"), response_format: "text"
});
console.log(transcription.text);
curl https://api.arouter.ai/v1/audio/transcriptions \
-H "Authorization: Bearer lr_live_xxxx" \
-F file="@audio.mp3" \
-F model="openai/whisper-large-v3" \
-F response_format="text"
轉錄參數
| 參數 | 類型 | 描述 |
|---|
file | file | 要轉錄的音訊檔案。支援格式：flac、mp3、mp4、mpeg、mpga、m4a、ogg、wav、webm |
model | string | 模型 ID，例如 openai/whisper-large-v3 |
language | string | BCP-47 語言代碼（如 "en"、"zh"）。指定後可提高準確性。 |
prompt | string | 可選文字，用於引導轉錄風格或提供詞彙提示 |
response_format | string | 輸出格式：json（預設）、text、srt、verbose_json、vtt |
temperature | number | 採樣溫度 0–1。值越高隨機性越大。 |
timestamp_granularities | string[] | 帶時間戳輸出的粒度：["word"] 或 ["segment"]（需要 verbose_json） |
單詞級時間戳
transcription = client.audio.transcriptions.create(
model="openai/whisper-large-v3", file=audio_file,
response_format="verbose_json", timestamp_granularities=["word"]
)
for word in transcription.words:
print(f"{word.start:.2f}s - {word.end:.2f}s: {word.word}")
音訊翻譯
將任意語言的音訊翻譯為英文文字：
with open("foreign_audio.mp3", "rb") as audio_file:
translation = client.audio.translations.create(
model="openai/whisper-large-v3", file=audio_file, response_format="text"
)
print(translation.text)
curl https://api.arouter.ai/v1/audio/translations \
-H "Authorization: Bearer lr_live_xxxx" \
-F file="@foreign_audio.mp3" \
-F model="openai/whisper-large-v3"
文字轉語音
將文字轉換為自然語音：
response = client.audio.speech.create(
model="openai/tts-1-hd", voice="nova",
input="Hello! Welcome to ARouter, the universal AI gateway."
)
response.stream_to_file("output.mp3")
import fs from "fs";
const response = await client.audio.speech.create({
model: "openai/tts-1-hd", voice: "nova",
input: "Hello! Welcome to ARouter, the universal AI gateway."
});
const buffer = Buffer.from(await response.arrayBuffer());
fs.writeFileSync("output.mp3", buffer);
curl https://api.arouter.ai/v1/audio/speech \
-H "Authorization: Bearer lr_live_xxxx" \
-H "Content-Type: application/json" \
-d '{"model": "openai/tts-1-hd", "input": "Hello! Welcome to ARouter.", "voice": "nova"}' \
--output output.mp3
TTS 參數
| 參數 | 類型 | 描述 |
|---|
model | string | TTS 模型，例如 openai/tts-1 或 openai/tts-1-hd |
input | string | 要合成的文字。最多 4,096 個字元。 |
voice | string | 使用的聲音：alloy、echo、fable、onyx、nova、shimmer |
response_format | string | 音訊格式：mp3（預設）、opus、aac、flac、wav、pcm |
speed | number | 播放速度，範圍 0.25 到 4.0（預設 1.0） |
可用聲音
| 聲音 | 特點 |
|---|
alloy | 中性、均衡 |
echo | 柔和、沉思 |
fable | 富有表現力、敘事感 |
onyx | 深沉、權威 |
nova | 友善、充滿活力 |
shimmer | 溫暖、溫柔 |
音訊對話（多模態模型）
部分模型直接接受音訊作為聊天訊息輸入，並能以語音音訊進行回覆。
音訊輸入
{
"model": "openai/gpt-5.4-audio-preview",
"messages": [{
"role": "user",
"content": [{"type": "input_audio", "input_audio": {"data": "<base64-encoded-audio>", "format": "wav"}}]
}]
}
支援的輸入音訊格式
| 格式 | MIME 類型 |
|---|
wav | audio/wav |
mp3 | audio/mpeg |
ogg | audio/ogg |
flac | audio/flac |
m4a | audio/m4a |
webm | audio/webm |
音訊輸出
在模型回應中請求語音音訊：
{
"model": "openai/gpt-5.4-audio-preview",
"modalities": ["text", "audio"],
"audio": {"voice": "nova", "format": "mp3"},
"messages": [{"role": "user", "content": "Tell me a short joke."}]
}
支援的模型
語音轉文字
| 模型 | 語言 | 備註 |
|---|
openai/whisper-large-v3 | 99+ | 最佳準確性 |
openai/whisper-large-v3-turbo | 99+ | 更快、成本更低 |
文字轉語音
| 模型 | 品質 | 延遲 |
|---|
openai/tts-1 | 標準 | 低 |
openai/tts-1-hd | 高 | 中 |
Token 定價
音訊 Token 在 usage.prompt_tokens_details 中單獨統計：
{
"usage": {
"prompt_tokens": 150,
"prompt_tokens_details": {"audio_tokens": 100, "cached_tokens": 0},
"completion_tokens": 50,
"completion_tokens_details": {"audio_tokens": 30}
}
}
音訊 Token 的定價與文字 Token 不同。請查看回應中的 usage.cost 了解每次請求的實際費用。
