Transcripción de audio

Usa la estructura JSON de OpenAI para la síntesis de voz. La respuesta contiene bytes de audio y, de forma predeterminada, usa MP3.

curl https://getvibeapi.com/v1/audio/speech \
  -H "Authorization: Bearer $GETVIBE_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "chatterbox-turbo",
    "input": "Hello from GetVibe",
    "voice": "default",
    "response_format": "mp3",
    "speed": 1
  }' \
  --output speech.mp3

Los modelos disponibles son tts, gemini-tts, gemini-3.8-flash-tts, gemini-3.8-flash-lite-tts, gemini-3.8-flash-tts-lite, chatterbox-tts, kokoro-tts, chatterbox-turbo y gpt-4o-mini-tts. response_format (mp3, opus, aac, flac, wav, pcm) y speed usan el formato de OpenAI; las páginas de los modelos indican cualquier límite nativo más restrictivo. gpt-4o-mini-tts acepta las 13 voces de OpenAI (alloy, ash, ballad, coral, echo, fable, nova, onyx, sage, shimmer, verse, marin, cedar) y el campo opcional instructions, que orienta la forma de entrega con palabras sencillas, por ejemplo, "habla con calma y calidez".

El modelo voice-clone-tts habla cualquier texto con tu propia voz, incluido el ruso. Primero, crea la voz una sola vez a partir de una grabación de 3–60 segundos (wav o mp3, de hasta 10 MB); es gratis. Se requiere consent: true: confirmas que es tu propia voz o que tienes el consentimiento de su propietario. Hasta 20 voces nuevas cada 24 horas.

curl https://getvibeapi.com/api/media/voices \
  -H "Authorization: Bearer $GETVIBE_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "name": "My voice",
    "consent": true,
    "audio_url": "https://example.com/my-voice.wav"
  }'

La respuesta contiene voice.id (voice_…). Pásalo como opts.voice_id en una solicitud de medios normal; motor qwen3 (predeterminado, mejor calidad) o chatterbox (económico). Se cobra por cada 1000 caracteres de texto, hasta 4000 caracteres por solicitud.

Voz premium: la semejanza más cercana. Añade "engine": "premium" al crearla; la grabación debe durar 10–60 segundos. La creación cuesta $2.00 una sola vez y solo se cobra si la voz se crea: no se cobra nada si hay un error, y un saldo inferior al precio responde 402 antes de que se envíe la grabación. Sintetiza con un motor de MiniMax: minimax-speech-2.8-hd, minimax-speech-2.6-hd o minimax-speech-02-hd ($0.125 por 1000 caracteres) y sus versiones Turbo ($0.075); los nombres anteriores premium / premium-turbo corresponden a speech-02. Justo después de crearla, pronunciamos una palabra corta con la voz; MiniMax elimina una voz que no se usa durante 7 días. Una voz Premium eliminada deja de funcionar de inmediato, pero el servicio de síntesis no ofrece eliminación y la tarifa de creación no se reembolsa.

curl https://getvibeapi.com/api/media/generate \
  -H "Authorization: Bearer $GETVIBE_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "voice-clone-tts",
    "prompt": "Hello! This is my cloned voice.",
    "opts": { "voice_id": "voice_Ab12Cd34Ef56Gh78Ij90", "language": "auto" }
  }'

Una voz solo está disponible para tu cuenta. Enuméralas con GET /api/media/voices; elimina una con DELETE /api/media/voices/{voice_id}: la grabación también se elimina del servicio de síntesis. Nosotros no conservamos la grabación.

Voz de ElevenLabs. Cuando está habilitada, GET /api/media/voices muestra sus precios en pricing.elevenlabs_*. Crea la voz con engine: "elevenlabs" a partir de una grabación de 10–60 segundos (los cupos de voces son limitados: cuando se agotan, la respuesta es 409 voice_slots_full), luego sintetiza con elevenlabs-v4 o elevenlabs-v4-turbo: estabilidad, similarity_boost, speed, seed, language y etiquetas de audio como [laughs] directamente en el texto. El segundo archivo de resultados es un JSON de subtítulos con los tiempos de cada palabra. Precio por 1000 caracteres: v4 $0.044, v4 Turbo $0.022, el precio promocional hasta el 12 de octubre de 2026; después, $0.16 y $0.08. El almacenamiento cuesta $0.70 por voz al mes (el primer mes está incluido; después se cobra mensualmente el día de creación de la voz). Si tu saldo es demasiado bajo, la voz se conserva durante otro mes y solo se elimina si la tarifa sigue sin pagarse en el siguiente cobro; primero te enviamos un correo electrónico. Consulta todas tus voces y su estado en My voices.

Varias grabaciones. Una voz de ElevenLabs admite hasta 25 grabaciones: al crearla, como un array samples (cada {"audio_url"} o {"audio_base64"}, wav/mp3 de hasta 10 MB, con un total de hasta 50 MB y de 10–300 segundos), y posteriormente con POST /api/media/voices/{voice_id}/samples {"samples": […]}. Añadirlas es gratis; la tarifa de almacenamiento sigue siendo una por voz. Con "remove_background_noise": true, ElevenLabs elimina el ruido de fondo de las grabaciones de forma gratuita (está desactivado de forma predeterminada: puede empeorar una grabación limpia).

Envía una solicitud multipart con file y model. Los archivos están limitados a 50 MB. La respuesta es { text: "..." }.

curl https://getvibeapi.com/v1/audio/transcriptions \
  -H "Authorization: Bearer $GETVIBE_API_KEY" \
  -F [email protected] \
  -F model=whisper-large-v3 \
  -F language=en
# → {"text":"..."}

Los modelos disponibles son speech-to-text, whisper-large-v3-turbo, nemotron-asr-multilingual y whisper-large-v3. Los precios actuales por minuto aparecen en el catálogo de modelos de audio. Los archivos deben tener un tamaño de entre 1 byte y 50 MB.

response_format sigue el formato de OpenAI: json (predeterminado, { text }), text (texto sin formato), verbose_json (JSON con language, duration y segments[] — id, start, end, text en segundos), srt y vtt (subtítulos listos para usar). Para obtener marcas de tiempo por palabra, envía timestamp_granularities[]=word con verbose_json (campo words[]: word, start, end); segment y word se pueden combinar. El precio no depende del formato.

# SRT subtitles (or vtt); verbose_json returns JSON with segments[] and words[]
curl https://getvibeapi.com/v1/audio/transcriptions \
  -H "Authorization: Bearer $GETVIBE_API_KEY" \
  -F [email protected] \
  -F model=whisper-large-v3 \
  -F response_format=srt

curl https://getvibeapi.com/v1/audio/transcriptions \
  -H "Authorization: Bearer $GETVIBE_API_KEY" \
  -F [email protected] \
  -F model=whisper-large-v3 \
  -F response_format=verbose_json \
  -F "timestamp_granularities[]=segment" \
  -F "timestamp_granularities[]=word"
# → {"task":"transcribe","language":"en","duration":5.9,"text":"...",
#    "segments":[{"id":0,"start":0.03,"end":0.71,"text":"Hello!"}, ...],
#    "words":[{"word":"Hello!","start":0.03,"end":0.51}, ...]}

Las marcas de tiempo provienen de whisper-large-v3, whisper-large-v3-turbo, nemotron-asr-multilingual, qwen3-asr-1.7b y speech-to-text (sus segmentos se construyen a partir de los tiempos de cada palabra). universal-2, voxtral-small-24b-2507 y nemotron-3-diarization no devuelven marcas de tiempo, por lo que verbose_json / srt / vtt se rechazan con 400 para esos modelos antes de que se realice cualquier cobro.

Transcripción de audio asíncrona desde una URL pública. Creas una tarea y consultas el resultado mediante nuestro id.

La creación devuelve 202 con { id, status: "processing" }. Consulta GET /api/transcribe/{id} hasta que el estado sea success (o fail); luego la respuesta contiene text, durationSec, priceRub.

# 1. create a transcription job (audio by public URL)
curl https://getvibeapi.com/api/transcribe \
  -H "Authorization: Bearer $GETVIBE_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "audio_url": "https://example.com/audio.mp3",
    "language": "en",
    "redact_pii": true
  }'
# → {"id":"...","status":"processing"}