POST Audio Transcriptions

Транскрибировать аудио в текст (STT)

curl --request POST \
  --url https://polza.ai/api/v1/audio/transcriptions \
  --header 'Authorization: Bearer <token>' \
  --header 'Content-Type: multipart/form-data' \
  --form 'file=data:audio/mp3;base64,SUQzBAAAAAAAI1RTU0UAAA...' \
  --form model=whisper-1 \
  --form language=ru \
  --form 'prompt=Это разговор об искусственном интеллекте' \
  --form response_format=json \
  --form temperature=0 \
  --form 'timestamp_granularities[0]=word' \
  --form 'timestamp_granularities[1]=segment' \
  --form user=user-123 \
  --form chunking_strategy=auto \
  --form include=logprobs \
  --form 'known_speaker_names[0]=agent' \
  --form 'known_speaker_names[1]=customer' \
  --form 'known_speaker_references=<array>' \
  --form stream=false

import requests

url = "https://polza.ai/api/v1/audio/transcriptions"

payload = "-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"file\"\r\n\r\ndata:audio/mp3;base64,SUQzBAAAAAAAI1RTU0UAAA...\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"model\"\r\n\r\nwhisper-1\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"language\"\r\n\r\nru\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"prompt\"\r\n\r\nЭто разговор об искусственном интеллекте\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"response_format\"\r\n\r\njson\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"temperature\"\r\n\r\n0\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"timestamp_granularities%5B0%5D\"\r\n\r\nword\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"timestamp_granularities%5B1%5D\"\r\n\r\nsegment\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"user\"\r\n\r\nuser-123\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"chunking_strategy\"\r\n\r\nauto\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"include\"\r\n\r\nlogprobs\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"known_speaker_names%5B0%5D\"\r\n\r\nagent\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"known_speaker_names%5B1%5D\"\r\n\r\ncustomer\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"known_speaker_references\"\r\n\r\n<array>\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"stream\"\r\n\r\nfalse\r\n-----011000010111000001101001--"
headers = {
    "Authorization": "Bearer <token>",
    "Content-Type": "multipart/form-data"
}

response = requests.post(url, data=payload, headers=headers)

print(response.text)

const form = new FormData();
form.append('file', 'data:audio/mp3;base64,SUQzBAAAAAAAI1RTU0UAAA...');
form.append('model', 'whisper-1');
form.append('language', 'ru');
form.append('prompt', 'Это разговор об искусственном интеллекте');
form.append('response_format', 'json');
form.append('temperature', '0');
form.append('timestamp_granularities[0]', 'word');
form.append('timestamp_granularities[1]', 'segment');
form.append('user', 'user-123');
form.append('chunking_strategy', 'auto');
form.append('include', 'logprobs');
form.append('known_speaker_names[0]', 'agent');
form.append('known_speaker_names[1]', 'customer');
form.append('known_speaker_references', '<array>');
form.append('stream', 'false');

const options = {method: 'POST', headers: {Authorization: 'Bearer <token>'}};

options.body = form;

fetch('https://polza.ai/api/v1/audio/transcriptions', options)
  .then(res => res.json())
  .then(res => console.log(res))
  .catch(err => console.error(err));

<?php

$curl = curl_init();

curl_setopt_array($curl, [
  CURLOPT_URL => "https://polza.ai/api/v1/audio/transcriptions",
  CURLOPT_RETURNTRANSFER => true,
  CURLOPT_ENCODING => "",
  CURLOPT_MAXREDIRS => 10,
  CURLOPT_TIMEOUT => 30,
  CURLOPT_HTTP_VERSION => CURL_HTTP_VERSION_1_1,
  CURLOPT_CUSTOMREQUEST => "POST",
  CURLOPT_POSTFIELDS => "-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"file\"\r\n\r\ndata:audio/mp3;base64,SUQzBAAAAAAAI1RTU0UAAA...\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"model\"\r\n\r\nwhisper-1\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"language\"\r\n\r\nru\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"prompt\"\r\n\r\nЭто разговор об искусственном интеллекте\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"response_format\"\r\n\r\njson\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"temperature\"\r\n\r\n0\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"timestamp_granularities%5B0%5D\"\r\n\r\nword\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"timestamp_granularities%5B1%5D\"\r\n\r\nsegment\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"user\"\r\n\r\nuser-123\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"chunking_strategy\"\r\n\r\nauto\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"include\"\r\n\r\nlogprobs\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"known_speaker_names%5B0%5D\"\r\n\r\nagent\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"known_speaker_names%5B1%5D\"\r\n\r\ncustomer\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"known_speaker_references\"\r\n\r\n<array>\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"stream\"\r\n\r\nfalse\r\n-----011000010111000001101001--",
  CURLOPT_HTTPHEADER => [
    "Authorization: Bearer <token>",
    "Content-Type: multipart/form-data"
  ],
]);

$response = curl_exec($curl);
$err = curl_error($curl);

curl_close($curl);

if ($err) {
  echo "cURL Error #:" . $err;
} else {
  echo $response;
}

package main

import (
	"fmt"
	"strings"
	"net/http"
	"io"
)

func main() {

	url := "https://polza.ai/api/v1/audio/transcriptions"

	payload := strings.NewReader("-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"file\"\r\n\r\ndata:audio/mp3;base64,SUQzBAAAAAAAI1RTU0UAAA...\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"model\"\r\n\r\nwhisper-1\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"language\"\r\n\r\nru\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"prompt\"\r\n\r\nЭто разговор об искусственном интеллекте\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"response_format\"\r\n\r\njson\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"temperature\"\r\n\r\n0\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"timestamp_granularities%5B0%5D\"\r\n\r\nword\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"timestamp_granularities%5B1%5D\"\r\n\r\nsegment\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"user\"\r\n\r\nuser-123\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"chunking_strategy\"\r\n\r\nauto\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"include\"\r\n\r\nlogprobs\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"known_speaker_names%5B0%5D\"\r\n\r\nagent\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"known_speaker_names%5B1%5D\"\r\n\r\ncustomer\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"known_speaker_references\"\r\n\r\n<array>\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"stream\"\r\n\r\nfalse\r\n-----011000010111000001101001--")

	req, _ := http.NewRequest("POST", url, payload)

	req.Header.Add("Authorization", "Bearer <token>")

	res, _ := http.DefaultClient.Do(req)

	defer res.Body.Close()
	body, _ := io.ReadAll(res.Body)

	fmt.Println(string(body))

}

HttpResponse<String> response = Unirest.post("https://polza.ai/api/v1/audio/transcriptions")
  .header("Authorization", "Bearer <token>")
  .body("-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"file\"\r\n\r\ndata:audio/mp3;base64,SUQzBAAAAAAAI1RTU0UAAA...\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"model\"\r\n\r\nwhisper-1\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"language\"\r\n\r\nru\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"prompt\"\r\n\r\nЭто разговор об искусственном интеллекте\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"response_format\"\r\n\r\njson\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"temperature\"\r\n\r\n0\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"timestamp_granularities%5B0%5D\"\r\n\r\nword\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"timestamp_granularities%5B1%5D\"\r\n\r\nsegment\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"user\"\r\n\r\nuser-123\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"chunking_strategy\"\r\n\r\nauto\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"include\"\r\n\r\nlogprobs\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"known_speaker_names%5B0%5D\"\r\n\r\nagent\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"known_speaker_names%5B1%5D\"\r\n\r\ncustomer\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"known_speaker_references\"\r\n\r\n<array>\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"stream\"\r\n\r\nfalse\r\n-----011000010111000001101001--")
  .asString();

require 'uri'
require 'net/http'

url = URI("https://polza.ai/api/v1/audio/transcriptions")

http = Net::HTTP.new(url.host, url.port)
http.use_ssl = true

request = Net::HTTP::Post.new(url)
request["Authorization"] = 'Bearer <token>'
request.body = "-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"file\"\r\n\r\ndata:audio/mp3;base64,SUQzBAAAAAAAI1RTU0UAAA...\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"model\"\r\n\r\nwhisper-1\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"language\"\r\n\r\nru\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"prompt\"\r\n\r\nЭто разговор об искусственном интеллекте\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"response_format\"\r\n\r\njson\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"temperature\"\r\n\r\n0\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"timestamp_granularities%5B0%5D\"\r\n\r\nword\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"timestamp_granularities%5B1%5D\"\r\n\r\nsegment\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"user\"\r\n\r\nuser-123\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"chunking_strategy\"\r\n\r\nauto\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"include\"\r\n\r\nlogprobs\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"known_speaker_names%5B0%5D\"\r\n\r\nagent\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"known_speaker_names%5B1%5D\"\r\n\r\ncustomer\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"known_speaker_references\"\r\n\r\n<array>\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"stream\"\r\n\r\nfalse\r\n-----011000010111000001101001--"

response = http.request(request)
puts response.read_body

{
  "text": "Привет! Это тестовое сообщение.",
  "language": "ru",
  "duration": 10.5,
  "segments": [
    {
      "id": 0,
      "seek": 0,
      "start": 0,
      "end": 5.5,
      "text": "Привет, мир!",
      "tokens": [
        1,
        2,
        3
      ],
      "temperature": 0,
      "avg_logprob": -0.5,
      "compression_ratio": 1.2,
      "no_speech_prob": 0.01
    }
  ],
  "words": [
    {
      "word": "Привет",
      "start": 0,
      "end": 0.5
    }
  ],
  "model": "whisper-1",
  "usage": {
    "durationSeconds": 10.5,
    "cost": 0.01,
    "cost_rub": 0.01
  }
}

POST

audio

transcriptions

Транскрибировать аудио в текст (STT)

curl --request POST \
  --url https://polza.ai/api/v1/audio/transcriptions \
  --header 'Authorization: Bearer <token>' \
  --header 'Content-Type: multipart/form-data' \
  --form 'file=data:audio/mp3;base64,SUQzBAAAAAAAI1RTU0UAAA...' \
  --form model=whisper-1 \
  --form language=ru \
  --form 'prompt=Это разговор об искусственном интеллекте' \
  --form response_format=json \
  --form temperature=0 \
  --form 'timestamp_granularities[0]=word' \
  --form 'timestamp_granularities[1]=segment' \
  --form user=user-123 \
  --form chunking_strategy=auto \
  --form include=logprobs \
  --form 'known_speaker_names[0]=agent' \
  --form 'known_speaker_names[1]=customer' \
  --form 'known_speaker_references=<array>' \
  --form stream=false

import requests

url = "https://polza.ai/api/v1/audio/transcriptions"

payload = "-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"file\"\r\n\r\ndata:audio/mp3;base64,SUQzBAAAAAAAI1RTU0UAAA...\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"model\"\r\n\r\nwhisper-1\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"language\"\r\n\r\nru\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"prompt\"\r\n\r\nЭто разговор об искусственном интеллекте\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"response_format\"\r\n\r\njson\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"temperature\"\r\n\r\n0\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"timestamp_granularities%5B0%5D\"\r\n\r\nword\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"timestamp_granularities%5B1%5D\"\r\n\r\nsegment\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"user\"\r\n\r\nuser-123\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"chunking_strategy\"\r\n\r\nauto\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"include\"\r\n\r\nlogprobs\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"known_speaker_names%5B0%5D\"\r\n\r\nagent\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"known_speaker_names%5B1%5D\"\r\n\r\ncustomer\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"known_speaker_references\"\r\n\r\n<array>\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"stream\"\r\n\r\nfalse\r\n-----011000010111000001101001--"
headers = {
    "Authorization": "Bearer <token>",
    "Content-Type": "multipart/form-data"
}

response = requests.post(url, data=payload, headers=headers)

print(response.text)

const form = new FormData();
form.append('file', 'data:audio/mp3;base64,SUQzBAAAAAAAI1RTU0UAAA...');
form.append('model', 'whisper-1');
form.append('language', 'ru');
form.append('prompt', 'Это разговор об искусственном интеллекте');
form.append('response_format', 'json');
form.append('temperature', '0');
form.append('timestamp_granularities[0]', 'word');
form.append('timestamp_granularities[1]', 'segment');
form.append('user', 'user-123');
form.append('chunking_strategy', 'auto');
form.append('include', 'logprobs');
form.append('known_speaker_names[0]', 'agent');
form.append('known_speaker_names[1]', 'customer');
form.append('known_speaker_references', '<array>');
form.append('stream', 'false');

const options = {method: 'POST', headers: {Authorization: 'Bearer <token>'}};

options.body = form;

fetch('https://polza.ai/api/v1/audio/transcriptions', options)
  .then(res => res.json())
  .then(res => console.log(res))
  .catch(err => console.error(err));

<?php

$curl = curl_init();

curl_setopt_array($curl, [
  CURLOPT_URL => "https://polza.ai/api/v1/audio/transcriptions",
  CURLOPT_RETURNTRANSFER => true,
  CURLOPT_ENCODING => "",
  CURLOPT_MAXREDIRS => 10,
  CURLOPT_TIMEOUT => 30,
  CURLOPT_HTTP_VERSION => CURL_HTTP_VERSION_1_1,
  CURLOPT_CUSTOMREQUEST => "POST",
  CURLOPT_POSTFIELDS => "-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"file\"\r\n\r\ndata:audio/mp3;base64,SUQzBAAAAAAAI1RTU0UAAA...\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"model\"\r\n\r\nwhisper-1\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"language\"\r\n\r\nru\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"prompt\"\r\n\r\nЭто разговор об искусственном интеллекте\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"response_format\"\r\n\r\njson\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"temperature\"\r\n\r\n0\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"timestamp_granularities%5B0%5D\"\r\n\r\nword\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"timestamp_granularities%5B1%5D\"\r\n\r\nsegment\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"user\"\r\n\r\nuser-123\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"chunking_strategy\"\r\n\r\nauto\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"include\"\r\n\r\nlogprobs\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"known_speaker_names%5B0%5D\"\r\n\r\nagent\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"known_speaker_names%5B1%5D\"\r\n\r\ncustomer\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"known_speaker_references\"\r\n\r\n<array>\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"stream\"\r\n\r\nfalse\r\n-----011000010111000001101001--",
  CURLOPT_HTTPHEADER => [
    "Authorization: Bearer <token>",
    "Content-Type: multipart/form-data"
  ],
]);

$response = curl_exec($curl);
$err = curl_error($curl);

curl_close($curl);

if ($err) {
  echo "cURL Error #:" . $err;
} else {
  echo $response;
}

package main

import (
	"fmt"
	"strings"
	"net/http"
	"io"
)

func main() {

	url := "https://polza.ai/api/v1/audio/transcriptions"

	payload := strings.NewReader("-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"file\"\r\n\r\ndata:audio/mp3;base64,SUQzBAAAAAAAI1RTU0UAAA...\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"model\"\r\n\r\nwhisper-1\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"language\"\r\n\r\nru\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"prompt\"\r\n\r\nЭто разговор об искусственном интеллекте\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"response_format\"\r\n\r\njson\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"temperature\"\r\n\r\n0\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"timestamp_granularities%5B0%5D\"\r\n\r\nword\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"timestamp_granularities%5B1%5D\"\r\n\r\nsegment\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"user\"\r\n\r\nuser-123\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"chunking_strategy\"\r\n\r\nauto\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"include\"\r\n\r\nlogprobs\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"known_speaker_names%5B0%5D\"\r\n\r\nagent\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"known_speaker_names%5B1%5D\"\r\n\r\ncustomer\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"known_speaker_references\"\r\n\r\n<array>\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"stream\"\r\n\r\nfalse\r\n-----011000010111000001101001--")

	req, _ := http.NewRequest("POST", url, payload)

	req.Header.Add("Authorization", "Bearer <token>")

	res, _ := http.DefaultClient.Do(req)

	defer res.Body.Close()
	body, _ := io.ReadAll(res.Body)

	fmt.Println(string(body))

}

HttpResponse<String> response = Unirest.post("https://polza.ai/api/v1/audio/transcriptions")
  .header("Authorization", "Bearer <token>")
  .body("-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"file\"\r\n\r\ndata:audio/mp3;base64,SUQzBAAAAAAAI1RTU0UAAA...\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"model\"\r\n\r\nwhisper-1\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"language\"\r\n\r\nru\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"prompt\"\r\n\r\nЭто разговор об искусственном интеллекте\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"response_format\"\r\n\r\njson\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"temperature\"\r\n\r\n0\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"timestamp_granularities%5B0%5D\"\r\n\r\nword\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"timestamp_granularities%5B1%5D\"\r\n\r\nsegment\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"user\"\r\n\r\nuser-123\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"chunking_strategy\"\r\n\r\nauto\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"include\"\r\n\r\nlogprobs\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"known_speaker_names%5B0%5D\"\r\n\r\nagent\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"known_speaker_names%5B1%5D\"\r\n\r\ncustomer\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"known_speaker_references\"\r\n\r\n<array>\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"stream\"\r\n\r\nfalse\r\n-----011000010111000001101001--")
  .asString();

require 'uri'
require 'net/http'

url = URI("https://polza.ai/api/v1/audio/transcriptions")

http = Net::HTTP.new(url.host, url.port)
http.use_ssl = true

request = Net::HTTP::Post.new(url)
request["Authorization"] = 'Bearer <token>'
request.body = "-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"file\"\r\n\r\ndata:audio/mp3;base64,SUQzBAAAAAAAI1RTU0UAAA...\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"model\"\r\n\r\nwhisper-1\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"language\"\r\n\r\nru\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"prompt\"\r\n\r\nЭто разговор об искусственном интеллекте\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"response_format\"\r\n\r\njson\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"temperature\"\r\n\r\n0\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"timestamp_granularities%5B0%5D\"\r\n\r\nword\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"timestamp_granularities%5B1%5D\"\r\n\r\nsegment\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"user\"\r\n\r\nuser-123\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"chunking_strategy\"\r\n\r\nauto\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"include\"\r\n\r\nlogprobs\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"known_speaker_names%5B0%5D\"\r\n\r\nagent\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"known_speaker_names%5B1%5D\"\r\n\r\ncustomer\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"known_speaker_references\"\r\n\r\n<array>\r\n-----011000010111000001101001\r\nContent-Disposition: form-data; name=\"stream\"\r\n\r\nfalse\r\n-----011000010111000001101001--"

response = http.request(request)
puts response.read_body

{
  "text": "Привет! Это тестовое сообщение.",
  "language": "ru",
  "duration": 10.5,
  "segments": [
    {
      "id": 0,
      "seek": 0,
      "start": 0,
      "end": 5.5,
      "text": "Привет, мир!",
      "tokens": [
        1,
        2,
        3
      ],
      "temperature": 0,
      "avg_logprob": -0.5,
      "compression_ratio": 1.2,
      "no_speech_prob": 0.01
    }
  ],
  "words": [
    {
      "word": "Привет",
      "start": 0,
      "end": 0.5
    }
  ],
  "model": "whisper-1",
  "usage": {
    "durationSeconds": 10.5,
    "cost": 0.01,
    "cost_rub": 0.01
  }
}

Этот эндпоинт совместим с OpenAI SDK и подходит для быстрой миграции существующего кода.

Распознавание речи обслуживается только этим эндпоинтом. Media API отвечает за генерацию изображений, видео и музыки — опрашивать через /v1/media/{id} статус транскрипции нельзя, он вернёт ошибку RESULT_EXPIRED, даже когда текст готов.

Доступные модели

Модель	ID	Описание
Whisper 1	`openai/whisper-1`	Классическая модель OpenAI (по умолчанию). Поддерживает `verbose_json`, `srt`, `vtt`, пословные/посегментные таймстампы
Whisper Large V3	`openai/whisper-large-v3`	Улучшенная multilingual-модель OpenAI. Форматы: `json`, `text`, `verbose_json`
Whisper Large V3 Turbo	`openai/whisper-large-v3-turbo`	Ускоренная версия Large V3. Форматы: `json`, `text`, `verbose_json`
GPT-4o Transcribe	`openai/gpt-4o-transcribe`	Высокое качество. Форматы: `json`, `text`. Поддерживает `include: ["logprobs"]`
GPT-4o Mini Transcribe	`openai/gpt-4o-mini-transcribe`	Быстрая/дешёвая. Форматы: `json`, `text`. Поддерживает `include: ["logprobs"]`
Google Chirp 3	`google/chirp-3`	STT от Google. Форматы: `json`, `text`
Qwen3 ASR Flash	`qwen/qwen3-asr-flash-2026-02-10`	Быстрая multilingual-модель от Qwen. Форматы: `json`, `text`
Voxtral Mini Transcribe	`mistralai/voxtral-mini-transcribe`	STT от Mistral AI. Форматы: `json`, `text`
Parakeet TDT 0.6B v3	`nvidia/parakeet-tdt-0.6b-v3`	Лёгкая и быстрая модель от NVIDIA. Форматы: `json`, `text`
ElevenLabs STT	`elevenlabs/speech-to-text`	STT от ElevenLabs. Поддерживает диаризацию через `diarized_json`

Тарификация STT — посекундная (per_second), по длительности аудио.

Асинхронные модели

Модель	ID	Описание
Aiesa Транскрипция	`aiesa/transcribe`	Диаризация по спикерам, обычная очередь. 0,12 ₽/мин
Aiesa Транскрипция (Молния)	`aiesa/transcribe-fast`	То же, ускоренная обработка. 0,40 ₽/мин

Эти модели работают иначе: запрос возвращает не текст, а id задачи, результат забирается опросом статуса. Подробности и примеры — в руководстве Aiesa Транскрипция. Тарификация — по целым минутам, минимум одна минута.

Параметры запроса

Параметр	Тип	Обязательный	Описание
`file`	string	Да	Аудиофайл: base64 (`data:audio/mp3;base64,...`) или URL
`model`	string	Нет	Модель транскрибации (по умолчанию `openai/whisper-1`)
`language`	string	Нет	ISO-639-1: `auto` (по умолчанию), `ru`, `en`, `de`, `fr`, `es`, `it`, `pt`, `pl`, `uk`, `nl`, `sv`, `da`, `fi`, `cs`, `sk`, `ro`, `bg`, `hr`, `el`, `tr`, `ar`, `hi`, `zh`, `ja`, `ko`, `id`. Модели `aiesa/*` значение `auto` не принимают — для них либо укажите язык явно, либо не передавайте параметр
`temperature`	number	Нет	Температура (0–1, по умолчанию 0). В основном для `whisper-1`
`response_format`	enum	Нет	`json` (по умолчанию), `text`, `srt`, `verbose_json`, `vtt`, `diarized_json`
`prompt`	string	Нет	Контекст транскрипции, до ~2048 символов. Не поддерживается для `gpt-4o-transcribe-diarize`
`timestamp_granularities`	string[]	Нет	`word`, `segment` (можно оба). Только `whisper-1` + `verbose_json`
`chunking_strategy`	`'auto'` \| object	Нет	Стратегия разбивки. Обязателен для `gpt-4o-transcribe-diarize` при аудио > 30 сек
`include`	string[]	Нет	`logprobs`. Только `gpt-4o-transcribe` и `gpt-4o-mini-transcribe`
`known_speaker_names`	string[]	Нет	Имена известных спикеров, до 4. Только для диаризации
`known_speaker_references`	string[]	Нет	Аудио-референсы спикеров (data-URL). Только для диаризации
`stream`	boolean	Нет	Стриминг ответа. Не поддерживается для `whisper-1`
`user`	string	Нет	Идентификатор конечного пользователя

Допустимые `response_format` по моделям

openai/whisper-1 → json, text, srt, verbose_json, vtt
openai/gpt-4o-transcribe, openai/gpt-4o-mini-transcribe → json, text
openai/gpt-4o-transcribe-diarize → json, text, diarized_json
elevenlabs/speech-to-text → стандартный набор + diarized_json

Объект `chunking_strategy` типа `server_vad`

Поле	Тип	Диапазон	Назначение
`type`	`'server_vad'`	—	обязателен
`prefix_padding_ms`	number	≥ 0	паддинг перед сегментом, мс
`silence_duration_ms`	number	≥ 0	длительность тишины для разрыва, мс
`threshold`	number	0–1	порог громкости (VAD)

Либо строкой: "chunking_strategy": "auto".

Диаризация (gpt-4o-transcribe-diarize)

Модель gpt-4o-transcribe-diarize возвращает разбивку по спикерам. Используйте response_format: "diarized_json".

При аудио длительностью более 30 секунд параметр chunking_strategy обязателен. Без него запрос вернёт ошибку 400.

Опционально можно заранее «обучить» диаризатор на конкретные голоса:

known_speaker_names — массив имён, до 4. Имена используются как метки спикеров.
known_speaker_references — массив data-URL с короткими аудио-примерами тех же спикеров.

Поддерживаемые форматы файлов

MP3, WAV, M4A, FLAC, OGG, WebM.

Лимит размера тела — около 15 МБ. На больших файлах возможен 502. Для больших аудио разбивайте файл на части.

Примеры

curl -X POST "https://polza.ai/api/v1/audio/transcriptions" \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "openai/whisper-1",
    "file": "BASE64_ENCODED_AUDIO",
    "language": "ru"
  }'

import requests
import base64

with open('audio.mp3', 'rb') as f:
    audio_base64 = base64.b64encode(f.read()).decode('utf-8')

response = requests.post(
    'https://polza.ai/api/v1/audio/transcriptions',
    headers={'Authorization': 'Bearer YOUR_API_KEY'},
    json={
        'model': 'openai/whisper-1',
        'file': audio_base64,
        'language': 'ru'
    }
)

data = response.json()
print(data['text'])

const fs = require('fs');

const audioFile = fs.readFileSync('audio.mp3');
const audioBase64 = audioFile.toString('base64');

const response = await fetch('https://polza.ai/api/v1/audio/transcriptions', {
  method: 'POST',
  headers: {
    'Authorization': 'Bearer YOUR_API_KEY',
    'Content-Type': 'application/json'
  },
  body: JSON.stringify({
    model: 'whisper-1',
    file: audioBase64,
    language: 'ru'
  })
});

const data = await response.json();
console.log(data.text);

Пример с диаризацией

curl -X POST "https://polza.ai/api/v1/audio/transcriptions" \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "openai/gpt-4o-transcribe-diarize",
    "file": "BASE64_ENCODED_AUDIO",
    "response_format": "diarized_json",
    "chunking_strategy": "auto",
    "known_speaker_names": ["agent", "client"]
  }'

Ответ (200)

response_format: json (по умолчанию)

{
  "text": "Привет! Это тестовое сообщение.",
  "language": "ru",
  "duration": 10.5,
  "model": "whisper-1",
  "usage": { "durationSeconds": 10.5, "cost": 0.11, "cost_rub": 0.11 }
}

response_format: verbose_json (только whisper-1)

{
  "text": "Привет, мир!",
  "language": "ru",
  "duration": 5.5,
  "model": "whisper-1",
  "segments": [
    {
      "id": 0,
      "seek": 0,
      "start": 0.0,
      "end": 5.5,
      "text": "Привет, мир!",
      "tokens": [1, 2, 3],
      "temperature": 0,
      "avg_logprob": -0.5,
      "compression_ratio": 1.2,
      "no_speech_prob": 0.01
    }
  ],
  "words": [
    { "word": "Привет", "start": 0.0, "end": 0.5 }
  ],
  "usage": { "durationSeconds": 5.5, "cost": 0.06, "cost_rub": 0.06 }
}

Поле words появляется, только если указан timestamp_granularities: ["word"].

response_format: diarized_json (gpt-4o-transcribe-diarize)

{
  "task": "transcribe",
  "duration": 27.4,
  "text": "agent: Привет!\nclient: Здравствуйте!",
  "segments": [
    {
      "id": "seg_001",
      "start": 0.0,
      "end": 4.7,
      "text": "Привет, как дела?",
      "speaker": "agent",
      "type": "transcript.text.segment"
    }
  ],
  "model": "gpt-4o-transcribe-diarize",
  "usage": { "durationSeconds": 27, "cost": 0.27, "cost_rub": 0.27 }
}

response_format: text / srt / vtt

Поле text содержит результат — plain text либо готовые субтитры в формате SRT/VTT. Поля segments/words отсутствуют.

Поля ответа

Поле	Описание
`text`	Полный транскрибированный текст (для `diarized_json` — со спикерами)
`language`	Определённый язык (ISO-639-1)
`duration`	Длительность аудио в секундах
`segments`	Сегменты с таймкодами (для `verbose_json` и `diarized_json`)
`words`	Слова с таймкодами (при `timestamp_granularities: ["word"]`)
`usage`	Использование: `durationSeconds`, `cost_rub`, `cost`

Ответ асинхронных моделей (`aiesa/*`)

Асинхронные модели вместо текста возвращают идентификатор задачи:

{
  "id": "gen_1234567890123456789",
  "object": "transcription",
  "status": "processing",
  "model": "aiesa/transcribe"
}

Результат забирается опросом:

curl "https://polza.ai/api/v1/audio/transcriptions/gen_1234567890123456789" \
  -H "Authorization: Bearer YOUR_API_KEY"

{
  "id": "gen_1234567890123456789",
  "object": "transcription",
  "status": "completed",
  "text": "Добрый день, начнём совещание. Да, все на связи.",
  "duration": 15,
  "segments": [
    {
      "speaker": "SPEAKER_01",
      "text": "Добрый день, начнём совещание.",
      "start": 0,
      "end": 7,
      "startTime": "00:00:00",
      "endTime": "00:00:07"
    }
  ]
}

Поле	Описание
`status`	`processing`, `completed` или `failed`
`text`	Полная расшифровка (при `completed`)
`duration`	Длительность аудио в секундах
`segments`	Реплики по спикерам: `speaker`, `text`, `start`/`end`, `startTime`/`endTime`
`error`	Описание ошибки при `status: failed`

Параметр response_format на этих моделях не применяется — диаризация всегда приходит в segments. Подробнее: Aiesa Транскрипция.

Авторизации

Authorization

string

header

обязательно

API ключ передаётся в заголовке: Authorization: Bearer <POLZA_AI_API_KEY>

Тело

file

string

обязательно

Аудио файл в формате base64 (data:audio/mp3;base64,...) или URL

Пример:

"data:audio/mp3;base64,SUQzBAAAAAAAI1RTU0UAAA..."

model

string

по умолчанию:whisper-1

ID модели для транскрипции

Пример:

"whisper-1"

language

string

Язык аудио в формате ISO-639-1 (например: ru, en, de)

Пример:

"ru"

prompt

string

Промпт для улучшения контекста транскрипции

Пример:

"Это разговор об искусственном интеллекте"

response_format

enum<string>

по умолчанию:json

Формат ответа

Доступные опции:

json,

text,

srt,

verbose_json,

vtt,

diarized_json

temperature

number

по умолчанию:0

Температура сэмплирования (0-1)

Требуемый диапазон: 0 <= x <= 1

Пример:

0

timestamp_granularities

enum<string>[]

Granularity для временных меток (только для verbose_json)

Доступные опции:

word,

segment

Пример:

["word", "segment"]

user

string

Уникальный идентификатор конечного пользователя для отслеживания и предотвращения злоупотреблений

Пример:

"user-123"

chunking_strategy

Chunking strategy для разбивки аудио (обязателен для gpt-4o-transcribe-diarize при >30 сек)

Доступные опции:

auto

Пример:

"auto"

include

enum<string>[]

Дополнительная информация в ответе (logprobs)

Доступные опции:

logprobs

Пример:

["logprobs"]

known_speaker_names

array[]

Имена известных спикеров (до 4)

Пример:

["agent", "customer"]

known_speaker_references

array[]

Аудио референсы для известных спикеров (data URLs)

stream

boolean

Стриминг ответа (не поддерживается для whisper-1)

Пример:

false

Ответ

text

string

обязательно

Транскрибированный текст

Пример:

"Привет! Это тестовое сообщение."

language

string

Определенный язык аудио (ISO-639-1)

Пример:

"ru"

duration

number

Длительность аудио в секундах

Пример:

10.5

segments

object[]

Сегменты с таймстампами (для verbose_json)

Show child attributes

words

object[]

Words с таймстампами (для verbose_json с word granularity)

Show child attributes

model

string

ID использованной модели

Пример:

"whisper-1"

usage

object

Информация об использовании

Пример:

{
  "durationSeconds": 10.5,
  "cost": 0.01,
  "cost_rub": 0.01
}

Обзор

Текстовая генерация

Изображения

Медиа

Аудио

Эмбеддинги

Модели

Хранилище

История

Другое

POST Audio Transcriptions

Доступные модели

Асинхронные модели

Параметры запроса

Допустимые `response_format` по моделям

Объект `chunking_strategy` типа `server_vad`

Диаризация (gpt-4o-transcribe-diarize)

Поддерживаемые форматы файлов

Примеры

Пример с диаризацией

Ответ (200)

response_format: json (по умолчанию)

response_format: verbose_json (только whisper-1)

response_format: diarized_json (gpt-4o-transcribe-diarize)

response_format: text / srt / vtt

Поля ответа

Ответ асинхронных моделей (`aiesa/*`)

Авторизации

Тело

Ответ

​Доступные модели

​Асинхронные модели

​Параметры запроса

​Допустимые response_format по моделям

​Объект chunking_strategy типа server_vad

​Диаризация (gpt-4o-transcribe-diarize)

​Поддерживаемые форматы файлов

​Примеры

​Пример с диаризацией

​Ответ (200)

​response_format: json (по умолчанию)

​response_format: verbose_json (только whisper-1)

​response_format: diarized_json (gpt-4o-transcribe-diarize)

​response_format: text / srt / vtt

​Поля ответа

​Ответ асинхронных моделей (aiesa/*)

Авторизации

Тело

Ответ

Доступные модели

Асинхронные модели

Параметры запроса

Допустимые `response_format` по моделям

Объект `chunking_strategy` типа `server_vad`

Диаризация (gpt-4o-transcribe-diarize)

Поддерживаемые форматы файлов

Примеры

Пример с диаризацией

Ответ (200)

response_format: json (по умолчанию)

response_format: verbose_json (только whisper-1)

response_format: diarized_json (gpt-4o-transcribe-diarize)

response_format: text / srt / vtt

Поля ответа

Ответ асинхронных моделей (`aiesa/*`)