OpenAI 兼容层

音生文 STT

上传一段音频或给一个音频地址，拿到转写文本和词级时间戳。同步接口。

POST/v1/audio/transcriptions

端点

POST /v1/audio/transcriptions

这是 OpenAI 兼容路径。同一能力在原生透传层的写法见 音生文 STT（原生透传）。

请求

请求格式是 multipart/form-data，不是 JSON。file 和 url 至少给一个。

# 方式一：直接传文件
curl -X POST https://api.wxiai.com/v1/audio/transcriptions \
  -H "Authorization: Bearer $WXIAI_API_KEY" \
  -F "model=grok-stt" \
  -F "language=zh" \
  -F "file=@./meeting.mp3"

# 方式二：让服务端去下载音频
curl -X POST https://api.wxiai.com/v1/audio/transcriptions \
  -H "Authorization: Bearer $WXIAI_API_KEY" \
  -F "model=grok-stt" \
  -F "language=zh" \
  -F "url=https://example.com/audio.mp3"

file 必须是最后一个字段

其余字段要写在 file 前面——流式上传时，排在 file 之后的字段可能被忽略。

请求参数

参数	必填	说明
file	二选一	音频文件，最大 500 MB。必须是 multipart 最后一个字段
url	二选一	音频地址，服务端下载后转写
language	否	语言码。只有配 format=true 时才起作用
format	否	开启反向文本规范化：把口语数字/货币转成书面形式（"one hundred dollars" → "$100"）。需要同时传 language
diarize	否	说话人分离。开启后每个词会带 speaker 字段
multichannel	否	逐声道独立转写，结果放在 channels 数组里
channels	否	声道数（2–8）。仅裸音频需要
audio_format	否	裸音频格式提示：pcm / mulaw / alaw。容器格式别传这个字段
sample_rate	否	采样率，仅裸音频需要
model	否	不传默认 grok-stt

兼容层只透传 OpenAI 也有的那组字段

keyterm（关键词偏置）、filler_words（保留填充词）、vad_threshold（语音活动门限）这三个是 Grok 专有参数，走兼容层不会生效。

需要它们请改用 音生文 STT（原生透传）。

返回

{
  "text": "The balance is $167,983.15.",
  "language": "en",
  "duration": 3.45,
  "words": [
    { "text": "The", "start": 0.24, "end": 0.48 },
    { "text": "balance", "start": 0.48, "end": 0.96 }
  ]
}

字段	说明
text	完整转写文本
language	识别到的语言（BCP-47，如 en、es-mx）
duration	音频时长（秒，保留 2 位小数）
words	词级时间戳。开了 diarize 时每个词多一个 speaker（整数）
channels	逐声道结果。开了 multichannel 时才有，每项含 index、text、words

支持的音频格式

容器格式（自动识别，不要传 audio_format）：.wav、.mp3、.ogg、.opus、.flac、.aac、.mp4、.m4a、.mkv

裸格式（必须同时传 audio_format 和 sample_rate）：pcm（16 位小端）、mulaw（G.711 μ-law）、alaw（G.711 A-law）

上限：单文件 500 MB；单声道、立体声或最多 8 声道（需 multichannel=true）。

这一层的注意点

• 发 JSON 会失败：STT 只接受 multipart/form-data。
• file 没放最后：写在 file 后面的字段可能被丢掉。
• file 和 url 都不给：请求会被拒绝，错误信息会指出缺哪个字段。
• format=true 必须配 language：不配的话格式化不生效。

相关页

• 音频处理总览 —— 支持格式、语言表、计费方式、流式识别与 Smart Turn
• 音生文 STT（原生透传） —— 同一能力的另一条路径（含 keyterm 等专有参数）
• 文生音 TTS（OpenAI 兼容） —— 反向能力
• 错误码