Перейти к содержимому

Аудио-модели (ASR/TTS)

Последнее обновление

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:

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:

Параметры запроса

ПараметрТипОписание
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

Совет

В Windows PowerShell используйте curl.exe вместо curl и передавайте JSON-тело через файл. Подробнее см. в руководстве Быстрый старт.

Пример ответа

Чтобы сохранить результат в файл, укажите параметр -o:

Синтез речи (TTS)

Модели синтеза речи принимают текст и возвращают аудиофайл.

Эндпоинт для синтеза речи:

Параметры запроса

ПараметрТипОписание
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

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

Пример запроса

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