音频转录

使用 OpenAI JSON 结构进行语音合成。响应包含音频字节，默认为 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

可用模型包括 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 和 gpt-4o-mini-tts。response_format（mp3、opus、aac、flac、wav、pcm）以及 speed 使用 OpenAI 格式；模型页面会列出任何更严格的原生限制。gpt-4o-mini-tts 接受 OpenAI 的 13 种语音（alloy、ash、ballad、coral、echo、fable、nova、onyx、sage、shimmer、verse、marin、cedar）以及可选的 instructions 字段，该字段会用通俗语言引导表达方式，例如 "speak calmly and warmly"。

voice-clone-tts 模型可以用你自己的声音朗读任何文本，包括俄语。首先，上传一段 3–60 秒的录音（wav 或 mp3，最大 10 MB）创建声音，只需创建一次，且免费。必须提供 consent: true：你需要确认这是你自己的声音，或已获得声音所有者的同意。每 24 小时最多可创建 20 个新声音。

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"
  }'

答案包含 voice.id（voice_…）。在普通媒体请求中将其作为 opts.voice_id 传递；使用引擎 qwen3（默认，质量最佳）或 chatterbox（经济型）。按每 1000 个文本字符计费，每次请求最多 4000 个字符。

Premium voice，最接近目标声音。创建时添加 "engine": "premium"；录音必须为 10–60 秒。创建费用为一次性 $2.00，且仅在成功创建语音时收取：发生错误时不收费，余额低于该价格时会在发送录音前返回 402。使用 MiniMax 引擎合成语音：minimax-speech-2.8-hd、minimax-speech-2.6-hd 或 minimax-speech-02-hd（每 1000 个字符 $0.125），其 Turbo 版本的价格为 $0.075；较旧的名称 premium / premium-turbo 表示 speech-02。创建后我们会立即使用该语音说出一个简短单词，因为 MiniMax 会删除连续 7 天未使用的语音。Premium voice 被删除后会立即停止工作，但合成服务不提供删除功能，创建费用也不予退还。

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" }
  }'

语音仅供你的账户使用。使用 GET /api/media/voices 列出语音；使用 DELETE /api/media/voices/{voice_id} 删除语音，同时录音也会从合成服务中删除。我们不会自行保留录音。

ElevenLabs 语音。启用后，GET /api/media/voices 会在 pricing.elevenlabs_* 下列出其价格。使用 engine: "elevenlabs" 通过 10–60 秒的录音创建语音（语音名额有限：名额用尽时，响应为 409 voice_slots_full），然后使用 elevenlabs-v4 或 elevenlabs-v4-turbo 合成语音，可设置 stability、similarity_boost、speed、seed、language，以及直接写入文本的 [laughs] 等音频标签。第二个结果文件是包含单词时间信息的字幕 JSON。每 1000 个字符的价格：v4 $0.044，v4 Turbo $0.022，即截至 October 12, 2026 的促销价格；之后价格为 $0.16 和 $0.08。存储费用为每个语音每月 $0.70（包含第一个月；之后在语音创建日按月收费）。如果余额过低，语音会保留一个月，只有在下一次扣费时费用仍未支付才会删除，我们会先通过电子邮件通知你。在 My voices 下查看你的所有语音及其状态。

多条录音。 一个 ElevenLabs voice 最多可包含 25 条录音：创建时作为 samples 数组提供（每项为 {"audio_url"} 或 {"audio_base64"}，wav/mp3，最大 10 MB；合计最大 50 MB，时长为 10–300 秒），之后可使用 POST /api/media/voices/{voice_id}/samples {"samples": […]} 添加。添加不收费；存储费用按每个 voice 收取一次。使用 "remove_background_noise": true 后，ElevenLabs 会免费移除录音中的背景噪声（默认关闭：它可能会使干净的录音变差）。

发送包含 file 和 model 的 multipart 请求。文件大小限制为 50 MB。响应为 { 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":"..."}

可用模型包括 speech-to-text、whisper-large-v3-turbo、nemotron-asr-multilingual 和 whisper-large-v3。当前每分钟价格见音频模型目录。文件大小必须介于 1 字节到 50 MB 之间。

response_format 遵循 OpenAI：json（默认，{ text }）、text（纯文本）、verbose_json（包含 language、duration 和 segments[] 的 JSON — id, start, end, text 以秒为单位）、srt 和 vtt（可直接使用的字幕）。如需字词级时间戳，请发送 timestamp_granularities[]=word 并指定 verbose_json（字段 words[]：word, start, end）；segment 和 word 可以组合使用。价格不受格式影响。

# 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}, ...]}

时间戳来自 whisper-large-v3、whisper-large-v3-turbo、nemotron-asr-multilingual、qwen3-asr-1.7b 和 speech-to-text（其分段基于词级时间信息构建）。universal-2、voxtral-small-24b-2507 和 nemotron-3-diarization 不返回时间戳，因此对它们使用 verbose_json / srt / vtt 时，请求会在产生任何费用之前被拒绝，并返回 400。

从公共 URL 异步转录音频。你需要创建任务，并通过我们的 id 轮询结果。

创建操作返回 202 和 { id, status: "processing" }。轮询 GET /api/transcribe/{id}，直到状态为 success（或 fail）；随后响应中会包含 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"}