Весело
Весело

Распознавание речи по API за рубли

Как перевести запись в текст через API: MP3, WAV, M4A и другие файлы до 25 МБ и 2 часов, субтитры SRT и VTT, цена за минуту звука в рублях.

Обновлено:

Отправь запись в POST https://veselo.ai/v1/audio/transcriptions формой multipart/form-data — получишь текст, как у audio.transcriptions в OpenAI. Подходит для расшифровки звонков, интервью и голосовых сообщений и для субтитров к роликам.

Без кода запись можно распознать на странице модели в каталоге, в блоке «Попробовать», — с API-счёта. ИИ-помощнику — инструмент MCP transcribe_audio: он берёт запись по ссылке (MCP-сервер).

Модели и цены

Распознавание речи и цена за минуту — в рублях
idМодельЦена
amazon/transcribeAmazon Transcribe0,68 ₽ за минуту звука
assemblyai/universal-2AssemblyAI Universal-20,28 ₽ за минуту звука
assemblyai/universal-3.5-proAssemblyAI Universal-3.5 Pro0,40 ₽ за минуту звука
cartesia/ink-whisperCartesia Ink Whisper0,26 ₽ за минуту звука
deepgram/baseDeepgram Base1,40 ₽ за минуту звука
deepgram/enhancedDeepgram Enhanced1,63 ₽ за минуту звука
deepgram/novaDeepgram Nova0,66 ₽ за минуту звука
deepgram/nova-2Deepgram Nova-20,66 ₽ за минуту звука

В GET /v1/models — записи с type: "transcription". Цена — за минуту звука, pricing_rub.per_minute; у некоторых моделей ещё per_request — за файл. Что модель принимает и отдаёт — поле transcription: форматы файла (formats), предел файла (max_file_mb) и длины записи (max_seconds), форматы ответа (response_formats). Какие поля формы понимает модель — её supported_parameters.

Распознать запись

curl

curl https://veselo.ai/v1/audio/transcriptions \
  -H "Authorization: Bearer $VESELO_API_KEY" \
  -F file=@запись.mp3 \
  -F model=qwen/qwen3-asr-1.7b \
  -F language=ru

Python

import os
from openai import OpenAI  # pip install openai

client = OpenAI(base_url="https://veselo.ai/v1", api_key=os.environ["VESELO_API_KEY"], timeout=600.0)
with open("запись.mp3", "rb") as f:
    r = client.audio.transcriptions.create(model="qwen/qwen3-asr-1.7b", file=f, language="ru")
print(r.text)
print("Цена:", r.model_dump()["usage"]["cost_rub"], "₽")

JavaScript

import fs from 'node:fs';
import OpenAI from 'openai'; // npm i openai

const client = new OpenAI({ baseURL: 'https://veselo.ai/v1', apiKey: process.env.VESELO_API_KEY, timeout: 600_000 });
const r = await client.audio.transcriptions.create({
  model: 'qwen/qwen3-asr-1.7b',
  file: fs.createReadStream('запись.mp3'),
  language: 'ru',
});
console.log(r.text, r.usage?.cost_rub, '₽');

Ответ

{
  "text": "…",
  "usage": { "type": "duration", "seconds": 62, "cost_rub": 0.22 }
}

В curl файл передаётся с @: -F file=@запись.mp3 — без @ уйдёт строка, а не файл. Цена в примере ответа условная.

Поля формы

ПолеЧто передать
fileобязательно: запись — MP3, WAV, FLAC, M4A, MP4, OGG или WebM (transcription.formats), до 25 МБ и до 2 ч звука; у модели бывает меньше — transcription.max_seconds. Запись короче 0,1 с не принимается
modelобязательно: id модели с type: "transcription"
languageязык записи, ISO 639-1: ru, en, de… Без поля язык определяет модель; для русской записи надёжнее передать ru
response_formatиз transcription.response_formats: json (по умолчанию), text, srt, vtt, verbose_json; у модели с разделением говорящих — ещё diarized_json
promptподсказка — имена, термины, до 1000 знаков; если prompt есть в supported_parameters
temperatureот 0 до 1; если temperature есть в supported_parameters
timestamp_granularities[]word и (или) segment — времена слов и фраз; только с response_format: verbose_json

Поле, которого нет у модели, и неизвестное поле — 400 с его именем в param. stream: true — 400: потоком распознавание пока не работает. Тело не формой (например, JSON) — 400.

Ответ

  • json, verbose_json, diarized_json — JSON: text и usage (type: "duration", seconds — сколько секунд списано, cost_rub — цена). language, duration, words (слова с началом и концом, у разделения — с говорящим) и segments (фразы с временами) — если модель их прислала; у verbose_json и diarized_json duration есть всегда.
  • text, srt, vtt — текстом, с content-type text/plain, application/x-subrip или text/vtt.
  • Заголовки у всех форматов: x-veselo-cost-rub — цена, x-veselo-seconds — сколько секунд списано, x-veselo-balance-rub — сколько можно потратить после запроса, x-request-id.

Деньги

  • Цена — за минуту звука, списание — по секундам, вверх до целой секунды: запись на 61,2 с стоит как 62 секунды. Плюс per_request за файл, если он есть у модели.
  • До запроса сервер сам меряет длину записи и удерживает цену по ней. Списывает — по тому, сколько звука насчитала модель, но не больше нашей длины плюс 3 секунды или 20%; модель насчитала больше или не назвала секунды (text, srt, vtt) — по нашей длине.
  • Ошибка — 0 ₽. Idempotency-Key здесь не действует: текст мы не храним, и повтор распознает запись заново — и спишет снова.

Лимиты

  • Файл — до 25 МБ, звук — до 2 ч (у модели меньше — transcription.max_seconds): длинную запись раздели на части.
  • Одновременно — до 4 распознаваний у аккаунта и до 8 на весь сервис; сверх — 429 rate_limited с Retry-After: 5.
  • Файл должен загрузиться за 5 минут. Ответ модели ждём до 5 минут, у моделей, которые ставят файл в свою очередь, — до 9.
  • На счёте меньше цены самой короткой записи — 402 сразу, файл не загружается. В MCP (transcribe_audio) файл по ссылке должен отдаваться не медленнее 16 КБ/с.
  • Пока сервер обновляется, запрос может получить 503 с Retry-After: 5 — деньги не списаны, повтори его.
  • Общие лимиты ключа — 60 запросов в минуту и 10 одновременных.

Запись и текст

Запись уходит только выбранной модели и удаляется у нас сразу после ответа — и при ошибке тоже. Текст распознавания мы не храним: в журнале — только модель, секунды и цена.

Если не получилось

HTTP / кодЧто сделать
400 / invalid_requestПроверь поле из param: у file — формат и длину записи; другой формат сохрани в MP3, WAV, FLAC, M4A, OGG или WebM
402 / insufficient_balanceПополни API-счёт: удерживается цена всей записи
403 / model_not_allowed, key_limit_reachedВыбери другую модель или проверь лимит ключа
404 / model_not_foundВозьми id из GET /v1/models с type: transcription
413 / payload_too_largeФайл больше 25 МБ: сожми запись или раздели её
429 / rate_limitedПодожди Retry-After секунд
502 / upstream_error; 503 / model_unavailable; 504 / upstream_timeoutПовтори позже или возьми модель из alternatives

Ошибка не стоит денег. Все коды — в разделе Ошибки.

← Музыка · Эмбеддинги →

Вся документация одним текстом · Все модели и цены