语音接口

语音接口覆盖三个方向，均兼容 OpenAI Audio 协议：

路径	说明	请求格式
/v1/audio/speech	文字转语音（TTS）	JSON
/v1/audio/transcriptions	语音转文字（STT）	multipart/form-data
/v1/audio/translations	语音翻译（译为英文）	multipart/form-data

文字转语音

POST /v1/audio/speech

请求参数

参数	类型	必填	说明
model	string	✅	TTS 模型名，如 tts-1、tts-1-hd、gpt-4o-mini-tts
input	string	✅	待合成文本（长度上限以模型为准，tts-1 系列为 4096 字符）
voice	string	—	音色：alloy / echo / fable / onyx / nova / shimmer 等
instructions	string	—	语音风格指令（gpt-4o-mini-tts，如「用新闻主播的语气」）
response_format	string	—	输出格式：mp3（默认）/ opus / aac / flac / wav / pcm
speed	number	—	语速 0.25 – 4.0，默认 1.0

响应

返回二进制音频流（Content-Type 与 response_format 对应），直接落盘即可：

curl https://your-domain/v1/audio/speech \
  -H "Authorization: Bearer sk-xxxx" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "tts-1",
    "input": "今天天气怎么样？",
    "voice": "alloy"
  }' \
  --output speech.mp3

语音转文字

POST /v1/audio/transcriptions

multipart/form-data 请求：

参数	类型	必填	说明
file	file	✅	音频文件（mp3 / mp4 / wav / m4a / webm 等，≤ 25MB）
model	string	✅	STT 模型名，如 whisper-1
language	string	—	源语言 ISO-639-1（如 zh），缺省自动检测
prompt	string	—	提示词，可用于纠正专有名词的写法
response_format	string	—	json（默认）/ text / verbose_json
timestamp_granularities[]	array	—	时间戳粒度：word / segment（需 verbose_json）

响应

{
  "text": "今天天气怎么样？",
  "language": "zh",
  "duration": 3.2,
  "words": [{"word": "今天", "start": 0.0, "end": 0.5}],
  "segments": [{"id": 0, "seek": 0, "start": 0.0, "end": 3.2, "text": "今天天气怎么样？"}]
}

字段	类型	说明
text	string	识别文本
language	string	检测到的语言
duration	number	音频时长（秒）
words[]	array	词级时间戳（需请求 timestamp_granularities[]: ["word"]）
segments[]	array	分段时间戳

语音翻译

POST /v1/audio/translations

请求参数与语音转文字一致（language 除外 —— 恒翻译为英文）。响应 {"text": "..."}。

curl https://your-domain/v1/audio/translations \
  -H "Authorization: Bearer sk-xxxx" \
  -F file="@audio.mp3" \
  -F model="whisper-1"

SDK 接入示例

Python

from openai import OpenAI

client = OpenAI(base_url="https://your-domain/v1", api_key="sk-xxxx")

# TTS
with client.audio.speech.with_streaming_response.create(
    model="tts-1",
    voice="alloy",
    input="你好，世界",
) as resp:
    resp.stream_to_file("speech.mp3")

# STT
with open("audio.mp3", "rb") as f:
    transcript = client.audio.transcriptions.create(model="whisper-1", file=f)
print(transcript.text)

Node.js

import OpenAI from 'openai'
import fs from 'fs'

const client = new OpenAI({ baseURL: 'https://your-domain/v1', apiKey: 'sk-xxxx' })

// TTS
const speech = await client.audio.speech.create({
  model: 'tts-1',
  voice: 'alloy',
  input: '你好，世界',
})
fs.writeFileSync('speech.mp3', Buffer.from(await speech.arrayBuffer()))

// STT
const transcript = await client.audio.transcriptions.create({
  model: 'whisper-1',
  file: fs.createReadStream('audio.mp3'),
})
console.log(transcript.text)

错误响应

错误结构与 OpenAI 一致，见错误码说明。