Transkripsi audio

Gunakan bentuk JSON OpenAI untuk sintesis suara. Respons berisi byte audio dan secara default 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

Model yang tersedia adalah 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, dan gpt-4o-mini-tts. response_format (mp3, opus, aac, flac, wav, pcm) dan speed menggunakan format OpenAI; halaman model mencantumkan batas native yang lebih ketat bila ada. gpt-4o-mini-tts menerima 13 suara OpenAI (alloy, ash, ballad, coral, echo, fable, nova, onyx, sage, shimmer, verse, marin, cedar) dan field opsional instructions, yang mengarahkan penyampaian dengan kata-kata sederhana, misalnya "speak calmly and warmly".

Model voice-clone-tts dapat mengucapkan teks apa pun dengan suara Anda sendiri, termasuk dalam bahasa Rusia. Pertama, buat suara tersebut sekali dari rekaman berdurasi 3–60 detik (wav atau mp3, hingga 10 MB) — ini gratis. consent: true diperlukan: Anda mengonfirmasi bahwa suara tersebut adalah suara Anda sendiri atau bahwa Anda telah mendapatkan persetujuan dari pemiliknya. Hingga 20 suara baru per 24 jam.

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"
  }'

Jawabannya membawa voice.id (voice_…). Berikan sebagai opts.voice_id dalam permintaan media biasa; mesin qwen3 (default, kualitas terbaik) atau chatterbox (ekonomis). Harga per 1000 karakter teks, hingga 4000 karakter per permintaan.

Suara Premium — kemiripan terdekat. Tambahkan "engine": "premium" saat membuatnya; rekaman harus 10–60 detik. Pembuatan dikenai biaya $2.00 sekali dan hanya ditagih jika suara berhasil dibuat: tidak ada biaya saat error, dan saldo di bawah harga akan menjawab 402 sebelum rekaman dikirim. Sintesiskan dengan mesin MiniMax: minimax-speech-2.8-hd, minimax-speech-2.6-hd atau minimax-speech-02-hd ($0.125 per 1000 karakter) dan versi Turbo-nya ($0.075); nama lama premium / premium-turbo berarti speech-02. Tepat setelah pembuatan, kami mengucapkan satu kata pendek dengan suara tersebut — MiniMax menghapus suara yang tidak digunakan selama 7 hari. Suara Premium yang dihapus langsung berhenti berfungsi, tetapi layanan sintesis tidak menyediakan penghapusan dan biaya pembuatan tidak dikembalikan.

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" }
  }'

Sebuah voice hanya dapat digunakan oleh akun Anda. Daftarkan dengan GET /api/media/voices; hapus satu dengan DELETE /api/media/voices/{voice_id} — rekamannya ikut dihapus dari layanan sintesis. Kami tidak menyimpan rekaman itu sendiri.

Suara ElevenLabs. Saat diaktifkan, GET /api/media/voices mencantumkan harganya di bawah pricing.elevenlabs_*. Buat suara tersebut dengan engine: "elevenlabs" dari rekaman 10–60 detik (slot suara terbatas: saat sudah terisi, jawabannya adalah 409 voice_slots_full), lalu sintesiskan dengan elevenlabs-v4 atau elevenlabs-v4-turbo — stability, similarity_boost, speed, seed, language, dan tag audio seperti [laughs] langsung di dalam teks. File hasil kedua adalah JSON subtitle dengan pewaktuan per kata. Harga per 1000 karakter: v4 $0.044, v4 Turbo $0.022 — harga promosi hingga 12 Oktober 2026, lalu $0.16 dan $0.08. Penyimpanan $0.70 per suara per bulan (bulan pertama sudah termasuk; selanjutnya ditagih setiap bulan pada hari pembuatan suara). Jika saldo Anda terlalu rendah, suara tersebut dipertahankan satu bulan lagi dan dihapus hanya jika biayanya masih belum dibayar pada penagihan berikutnya — kami mengirim email lebih dulu. Lihat semua suara Anda dan statusnya di My voices.

Beberapa rekaman. Satu suara ElevenLabs menampung hingga 25 rekaman: saat pembuatan sebagai array samples (masing-masing {"audio_url"} atau {"audio_base64"}, wav/mp3 hingga 10 MB, totalnya hingga 50 MB dan 10–300 detik), dan setelahnya dengan POST /api/media/voices/{voice_id}/samples {"samples": […]}. Menambahkan gratis; biaya penyimpanan tetap satu per suara. Dengan "remove_background_noise": true ElevenLabs menghapus noise latar dari rekaman secara gratis (nonaktif secara default: ini bisa membuat rekaman yang bersih jadi lebih buruk).

Kirim permintaan multipart dengan file dan model. Ukuran file dibatasi 50 MB. Responsnya adalah { 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":"..."}

Model yang tersedia adalah speech-to-text, whisper-large-v3-turbo, nemotron-asr-multilingual, dan whisper-large-v3. Harga per menit saat ini tercantum dalam katalog model audio. Ukuran file harus antara 1 byte hingga 50 MB.

response_format mengikuti OpenAI: json (default, { text }), text (teks biasa), verbose_json (JSON dengan language, duration dan segments[] — id, start, end, text dalam detik), srt dan vtt (subtitle siap pakai). Untuk penanda waktu per kata, kirim timestamp_granularities[]=word dengan verbose_json (kolom words[]: word, start, end); segment dan word dapat digabungkan. Harga tidak bergantung pada format.

# 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}, ...]}

Stempel waktu berasal dari whisper-large-v3, whisper-large-v3-turbo, nemotron-asr-multilingual, qwen3-asr-1.7b, dan speech-to-text (segmennya dibentuk dari waktu tiap kata). universal-2, voxtral-small-24b-2507, dan nemotron-3-diarization tidak mengembalikan stempel waktu, sehingga verbose_json / srt / vtt ditolak dengan 400 untuk model-model tersebut sebelum biaya apa pun dikenakan.

Transkripsi audio asinkron dari URL publik. Anda membuat task lalu melakukan polling hasilnya melalui id kami.

Pembuatan mengembalikan 202 dengan { id, status: "processing" }. Polling GET /api/transcribe/{id} sampai statusnya success (atau fail); lalu respons berisi 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"}