Аудио-модели (ASR/TTS)

Аудио-модели работают со звуком:

ASR (Automatic Speech Recognition) — распознают речь и преобразуют ее в текст;
TTS (Text-to-Speech) — синтезируют речь из текста.

Для работы с API модели используют базовый URL:

1
https://gpt.mwsapis.ru/projects/<имя проекта>/openai/v1

Авторизация выполняется API-ключом сервисного аккаунта с ролью gpt.inferencer.

Список поддерживаемых моделей и их возможности приведены в разделе Доступные модели.

Распознавание речи (ASR)

Модели распознавания речи принимают аудиофайл и возвращают его текстовую расшифровку.

Эндпоинт принимает запрос в формате multipart/form-data:

1
POST https://gpt.mwsapis.ru/projects/<имя проекта>/openai/v1/audio/transcriptions

Параметры запроса

Параметр	Тип	Описание
`file`	`file`	Аудиофайл в одном из поддерживаемых форматов: `mp3`, `wav`, `flac`, `ogg`
`model`	`string`	Идентификатор деплоймента с ASR моделью
`language`	`string`	(опционально) Код языка в формате ISO-639-1, например `ru`. Если не указан, язык определяется автоматически
`response_format`	`string`	(опционально) Формат ответа: `json` (по умолчанию), `text`, `verbose_json`

Пример запроса

1
curl https://gpt.mwsapis.ru/projects/<имя проекта>/openai/v1/audio/transcriptions \
2
  -H "Authorization: Bearer <API-ключ сервисного аккаунта sa-inferencer>" \
3
  -H "Content-Type: multipart/form-data" \
4
  -F file="@./sample.mp3" \
5
  -F model="qwen3-asr-1-7b" \
6
  -F language="ru" \
7
  -F response_format="json" | jq .

1
{
2
  "text": "Привет! Это пример расшифровки аудиофайла.",
3
  "usage": {
4
    "seconds": 5
5
  }
6
}

Чтобы сохранить результат в файл, укажите параметр -o:

1
curl https://gpt.mwsapis.ru/projects/<имя проекта>/openai/v1/audio/transcriptions \
2
  -H "Authorization: Bearer <API-ключ сервисного аккаунта sa-inferencer>" \
3
  -H "Content-Type: multipart/form-data" \
4
  -F file="@./sample.mp3" \
5
  -F model="whisper-large-v3" \
6
  -F response_format="text" \
7
  -o transcription.txt

Синтез речи (TTS)

Модели синтеза речи принимают текст и возвращают аудиофайл.

Эндпоинт для синтеза речи:

1
POST https://gpt.mwsapis.ru/projects/<имя проекта>/openai/v1/audio/speech

Параметры запроса

Параметр	Тип	Описание
`model`	`string`	Идентификатор деплоймента с TTS моделью
`input`	`string`	Текст, который нужно озвучить. Максимальная длина — 4096 символов
`voice`	`string`	Голос для озвучивания. Доступные варианты для каждой модели указаны в таблице ниже
`response_format`	`string`	(опционально) Формат выходного аудио: `mp3` (по умолчанию), `wav`, `flac`
`speed`	`number`	(опционально) Скорость речи, от `0.25` до `4.0`. Значение по умолчанию — `1.0`

Голоса для озвучивания

Модель	Голоса
`qwen3-tts-12hz-1.7b-custom-voice`	`aiden`, `dylan`, `eric`, `ono_anna`, `ryan`, `serena`, `sohee`, `uncle_fu`, `vivian`

Пример запроса

1
curl https://gpt.mwsapis.ru/projects/<имя проекта>/openai/v1/audio/speech \
2
  -H 'Content-Type: application/json' \
3
  -H "Authorization: Bearer <API-ключ сервисного аккаунта sa-inferencer>" \
4
  -d '{
5
        "model": "qwen3-tts-12hz-1-7b-custom-voice",
6
        "input": "Привет! Это пример синтеза речи.",
7
        "voice": "aiden",
8
        "response_format": "mp3",
9
        "speed": 1.0
10
      }' \
11
  --output speech.mp3

В результате выполнения команды будет создан файл speech.mp3 с озвученным текстом.