ARouter 提供三种模式的全面音频支持：语音转文字（转录和翻译）、文字转语音（TTS）以及音频对话（接受音频输入并产生语音输出的多模态模型）。
音频转录
使用与 OpenAI 兼容的 /v1/audio/transcriptions 端点将音频文件转录为文字。
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"
转录参数
| 参数 | 类型 | 描述 |
|---|
file | file | 要转录的音频文件。支持格式：flac、mp3、mp4、mpeg、mpga、m4a、ogg、wav、webm |
model | string | 模型 ID，例如 openai/whisper-large-v3 |
language | string | BCP-47 语言代码（如 "en"、"zh"）。指定后可提高准确性。 |
prompt | string | 可选文本，用于引导转录风格或提供词汇提示 |
response_format | string | 输出格式：json（默认）、text、srt、verbose_json、vtt |
temperature | number | 采样温度 0–1。值越高随机性越大。 |
timestamp_granularities | string[] | 带时间戳输出的粒度：["word"] 或 ["segment"]（需要 verbose_json） |
单词级时间戳
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}")
音频翻译
将任意语言的音频翻译为英文文字：
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"
文字转语音
将文字转换为自然语音：
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 参数
| 参数 | 类型 | 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 个字符。 |
voice | string | 使用的声音：alloy、echo、fable、onyx、nova、shimmer |
response_format | string | 音频格式：mp3（默认）、opus、aac、flac、wav、pcm |
speed | number | 播放速度，范围 0.25 到 4.0（默认 1.0） |
可用声音
| 声音 | 特点 |
|---|
alloy | 中性、均衡 |
echo | 柔和、沉思 |
fable | 富有表现力、叙事感 |
onyx | 深沉、权威 |
nova | 友好、充满活力 |
shimmer | 温暖、温柔 |
音频对话（多模态模型）
部分模型直接接受音频作为聊天消息输入，并能以语音音频进行回复。
音频输入
{
"model": "openai/gpt-5.4-audio-preview",
"messages": [{
"role": "user",
"content": [{"type": "input_audio", "input_audio": {"data": "<base64-encoded-audio>", "format": "wav"}}]
}]
}
支持的输入音频格式
| 格式 | MIME 类型 |
|---|
wav | audio/wav |
mp3 | audio/mpeg |
ogg | audio/ogg |
flac | audio/flac |
m4a | audio/m4a |
webm | audio/webm |
音频输出
在模型响应中请求语音音频：
{
"model": "openai/gpt-5.4-audio-preview",
"modalities": ["text", "audio"],
"audio": {"voice": "nova", "format": "mp3"},
"messages": [{"role": "user", "content": "Tell me a short joke."}]
}
支持的模型
语音转文字
| 模型 | 语言 | 备注 |
|---|
openai/whisper-large-v3 | 99+ | 最佳准确性 |
openai/whisper-large-v3-turbo | 99+ | 更快、成本更低 |
文字转语音
| 模型 | 质量 | 延迟 |
|---|
openai/tts-1 | 标准 | 低 |
openai/tts-1-hd | 高 | 中 |
Token 定价
音频 Token 在 usage.prompt_tokens_details 中单独统计：
{
"usage": {
"prompt_tokens": 150,
"prompt_tokens_details": {"audio_tokens": 100, "cached_tokens": 0},
"completion_tokens": 50,
"completion_tokens_details": {"audio_tokens": 30}
}
}
音频 Token 的定价与文字 Token 不同。请查看响应中的 usage.cost 了解每次请求的实际费用。
