跳到主要内容

语音识别

Mozia API 提供 OpenAI 兼容的语音识别接口。上传音频文件，同步返回识别文本，无需轮询任务状态。

接口​

方法路径作用
POST/v1/audio/transcriptions将音频文件转写为文本并直接返回

基础地址：https://mzsjai.com

所有请求都需要 API Key：

Authorization: Bearer <YOUR_API_KEY>

请求体为 multipart/form-data，与 OpenAI 的 audio.transcriptions 接口一致，可直接使用 OpenAI 官方 SDK。

model 填下表「可用模型」中的任意一个；多个模型同时可用时，换一个 model 值即可切换，其余参数不用改。

快速开始​

curl --fail-with-body \
  -X POST 'https://mzsjai.com/v1/audio/transcriptions' \
  -H "Authorization: Bearer ${MOZIA_API_KEY}" \
  -F 'model=gigaam-multilingual' \
  -F 'file=@meeting.mp3'
{"text": "полиция сөөк ал жерде бир күндөй тургандыгын билдирген"}

上面的返回来自 gigaam-multilingual，它是纯文本输出（无标点、全小写）。kyrgyz-whisper-medium 的返回带标点与大小写，两者的差异见各自模型页。

通用参数​

参数类型必填说明
filefile是音频文件，单文件不超过 25 MB、时长不超过 60 分钟
modelstring是模型 ID，见各模型页面
languagestring否音频语言（ISO 639-1）。各模型支持的取值不同；部分模型（如 gigaam-multilingual）自动判断语种，此时该参数仅用于回显，传错也不会影响结果
response_formatstring否json（默认）、text、verbose_json、srt、vtt。后两者输出字幕文件，目前仅 gigaam-multilingual 支持

verbose_json 额外返回音频时长、语言与时间戳（segments 整句字幕行、words 词级）：

{
  "task": "transcribe", "language": "ky", "duration": 21.32, "text": "...",
  "segments": [{"id": 0, "seek": 0, "start": 0.04, "end": 2.4, "text": "...", "words": [...]}],
  "words": [{"word": "жоң", "start": 0.04, "end": 0.16}]
}

segments 与 words 由 gigaam-multilingual 提供；其他模型只返回 text / duration / language。

字幕文件​

response_format=srt 与 vtt 直接返回字幕文件正文（不是 JSON），可直接存成 .srt / .vtt：

curl -X POST 'https://mzsjai.com/v1/audio/transcriptions' \
  -H "Authorization: Bearer ${MOZIA_API_KEY}" \
  -F 'model=gigaam-multilingual' \
  -F 'response_format=srt' \
  -F 'file=@audio.mp3' -o audio.srt

时间戳精度约 40 毫秒，适合做字幕；它不是逐帧强制对齐的结果，不建议用作精准音画同步的依据。

支持的音频格式​

wav、mp3、flac、m4a、ogg、webm、aac。采样率与声道不限，服务端会自动转换为 16 kHz 单声道。

计费​

语音识别按音频时长计费，精确到秒并向上取整；识别结果的文本长度不影响费用。 每个模型的单价见模型页面。

可用模型​

模型语言说明
kyrgyz-whisper-medium吉尔吉斯语、俄语、英语吉尔吉斯语专项优化的 Whisper 模型
gigaam-multilingual吉尔吉斯语、俄语、哈萨克语、乌兹别克语、英语中亚语种优化，支持吉俄混说；输出无标点、全小写

两个模型各自独立、同时可用，可以用同一个 API Key 分别调用后比较效果。主要差别在标点：kyrgyz-whisper-medium 输出带标点与大小写，gigaam-multilingual 输出纯文本（全小写、无标点），准确率通常更高。