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
| id | Модель | Цена |
|---|---|---|
amazon/transcribe | Amazon Transcribe | 0,68 ₽ за минуту звука |
assemblyai/universal-2 | AssemblyAI Universal-2 | 0,28 ₽ за минуту звука |
assemblyai/universal-3.5-pro | AssemblyAI Universal-3.5 Pro | 0,40 ₽ за минуту звука |
cartesia/ink-whisper | Cartesia Ink Whisper | 0,26 ₽ за минуту звука |
deepgram/base | Deepgram Base | 1,40 ₽ за минуту звука |
deepgram/enhanced | Deepgram Enhanced | 1,63 ₽ за минуту звука |
deepgram/nova | Deepgram Nova | 0,66 ₽ за минуту звука |
deepgram/nova-2 | Deepgram Nova-2 | 0,66 ₽ 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=ruPython
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
| Поле | Что передать |
|---|---|
file | обязательно: 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 |
model | обязательно: id модели с type: "transcription" |
language | язык записи, ISO 639-1: ru, en, de… Без поля язык определяет модель; для русской записи надёжнее передать ru |
response_format | из transcription.response_formats: json (по умолчанию), text, srt, vtt, verbose_json; у модели с разделением говорящих — ещё diarized_json |
prompt | подсказка — имена, термины, до 1000 знаков; если prompt есть в supported_parameters |
temperature | от 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:textиusage(type: "duration",seconds— сколько секунд списано,cost_rub— цена).language,duration,words(слова с началом и концом, у разделения — с говорящим) иsegments(фразы с временами) — если модель их прислала; уverbose_jsonиdiarized_jsondurationесть всегда.text,srt,vtt— текстом, сcontent-typetext/plain,application/x-subripилиtext/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_requestза 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-Keyздесь 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_limitedсRetry-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 / код | Что сделать |
|---|---|
400 / invalid_request | Проверь поле из param: у file — формат и длину записи; другой формат сохрани в MP3, WAV, FLAC, M4A, OGG или WebM |
402 / insufficient_balance | Пополни API-счёт: удерживается цена всей записи |
403 / model_not_allowed, key_limit_reached | Выбери другую модель или проверь лимит ключа |
404 / model_not_found | Возьми id из GET /v1/models с type: transcription |
413 / payload_too_large | Файл больше 25 МБ: сожми запись или раздели её |
429 / rate_limited | Подожди Retry-After секунд |
502 / upstream_error; 503 / model_unavailable; 504 / upstream_timeout | Повтори позже или возьми модель из alternatives |
Ошибка не стоит денег. Все коды — в разделе Ошибки.