跳到主要内容

GigaAM Multilingual API

gigaam-multilingual 基于 Conformer + 字符级 CTC 架构，覆盖吉尔吉斯语、俄语、哈萨克语、乌兹别克语与英语， 对中亚语种的识别质量优于通用多语种模型。适合字幕生成、通话与会议记录初稿、语音内容检索等场景。

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=@audio.mp3'

使用 OpenAI Python SDK：

from openai import OpenAI

client = OpenAI(api_key="YOUR_API_KEY", base_url="https://mzsjai.com/v1")

with open("audio.mp3", "rb") as f:
    result = client.audio.transcriptions.create(
        model="gigaam-multilingual",
        file=f,
        response_format="verbose_json",
    )
print(result.text)

请求参数​

参数类型必填说明
modelstring是固定为 gigaam-multilingual
filefile是音频文件，不超过 25 MB，时长不超过 60 分钟
languagestring否仅用于回显，不影响识别结果。模型自动判断语种
response_formatstring否json（默认）、text、verbose_json、srt、vtt

:::tip 语种自动判断

本模型不需要指定语种，也不会因为 language 传错而出错。一段音频里混用吉尔吉斯语和俄语时， 两种语言都能正确识别，无需事先切分。这是它与按语种切换的模型的主要差别。

:::

处理能力​

  • 单次请求同步返回。处理速度约为音频时长的 1/100，10 分钟音频通常在 10 秒内返回，短句约 0.3 秒。
  • 长音频由服务端自动切分后逐段识别再拼接，无需客户端切分。
  • 纯静音、纯噪声的音频返回空文本，不会产生凭空生成的内容。

字幕与时间戳​

本模型支持输出时间戳和字幕文件。

字幕文件（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

返回的是字幕文件正文（不是 JSON），直接写进 .srt / .vtt 文件即可。结果形如：

1
00:00:00,040 --> 00:00:02,400
жоң чу майрамынан мурун автоунааңызга май

结构化时间戳（verbose_json）​

{
  "task": "transcribe", "language": "ky", "duration": 21.32, "text": "...",
  "segments": [
    {"id": 0, "seek": 0, "start": 0.04, "end": 2.4,
     "text": "жоң чу майрамынан мурун автоунааңызга май",
     "words": [{"word": "жоң", "start": 0.04, "end": 0.16}]}
  ],
  "words": [{"word": "жоң", "start": 0.04, "end": 0.16}]
}
  • segments：整句字幕行，已按停顿与行长切好，默认规则是「停顿 ≥ 0.6 秒、或单行超过 42 字符 / 7 秒」断行。
  • words：词级时间戳，粒度为模型直接输出，未经二次切分。

精度说明​

时间戳精度约 40 毫秒，来源是模型内部的帧对齐。它不是逐帧强制对齐（forced alignment）的结果， 适合做字幕，不建议用作精准音画同步、卡拉 OK 逐字高亮这类用途。

输出格式​

识别结果是纯文本，全小写、不含标点，数字会展开成文字（例如 1767ж 输出为 бири миң жети жүз алтымыш жетинчи жыл）。

如果需要标点与大小写，请在结果上另做后处理。这一点与 kyrgyz-whisper-medium 不同， 后者会输出标点与大小写，但数字保持原样。

使用建议​

  • 识别准确率与音频质量强相关：清晰的播音、朗读类音频效果最好；电话录音、强噪声环境下错误率会明显上升。 建议先用一段真实场景的音频试跑后再评估是否满足需求。
  • 需要逐字级精确记录的场景，建议在识别结果基础上做人工校对。

计费​

按音频时长计费，向上取整到秒。单价见平台模型价格页。