> ## Documentation Index
> Fetch the complete documentation index at: https://docs.arouter.ai/llms.txt
> Use this file to discover all available pages before exploring further.

# 音频

> 发送音频文件作为输入，接收语音音频作为输出。ARouter 支持音频转录、翻译、文字转语音以及多模态音频模型。

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。

```bash theme={null}
curl https://api.arouter.ai/v1/audio/transcriptions \
  -H "Authorization: Bearer lr_live_xxxx" \
  -F file="@audio.mp3" \
  -F model="openai/whisper-large-v3"
```

<Tabs>
  <Tab title="Python">
    ```python theme={null}
    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)
    ```
  </Tab>

  <Tab title="Node.js">
    ```typescript theme={null}
    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);
    ```
  </Tab>

  <Tab title="cURL">
    ```bash theme={null}
    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"
    ```
  </Tab>
</Tabs>

### 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

```python theme={null}
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：

<Tabs>
  <Tab title="Python">
    ```python theme={null}
    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)
    ```
  </Tab>

  <Tab title="cURL">
    ```bash theme={null}
    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"
    ```
  </Tab>
</Tabs>

***

## 文字转语音

将文字转换为自然语音：

<Tabs>
  <Tab title="Python">
    ```python theme={null}
    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")
    ```
  </Tab>

  <Tab title="Node.js">
    ```typescript theme={null}
    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);
    ```
  </Tab>

  <Tab title="cURL">
    ```bash theme={null}
    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
    ```
  </Tab>
</Tabs>

### 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

```json theme={null}
{
  "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：

```json theme={null}
{
  "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：

```json theme={null}
{
  "usage": {
    "prompt_tokens": 150,
    "prompt_tokens_details": {"audio_tokens": 100, "cached_tokens": 0},
    "completion_tokens": 50,
    "completion_tokens_details": {"audio_tokens": 30}
  }
}
```

<Note>
  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。
</Note>