Whisper-1

Envie um arquivo de áudio para transcrição ou tradução para o inglês, consulte a tarefa e baixe texto, JSON ou legendas.

O Whisper-1 converte fala gravada em texto. Use /v1/audio/transcriptions para manter o idioma falado ou /v1/audio/translations para produzir inglês. Ambos aceitam multipart/form-data com um arquivo enviado. O SeedRouter retorna primeiro um ID de tarefa; baixe o resultado escolhido depois que a tarefa terminar. Isso difere de uma resposta síncrona do SDK da OpenAI.

Playground e preços atuais · Primeiro tutorial de transcrição · OpenAPI · Markdown

Enviar uma gravação

Mantenha sua chave de API no servidor. Deixe o cliente HTTP gerar o delimitador multipart; não defina manualmente apenas o cabeçalho Content-Type: multipart/form-data.

curl https://api.seedrouter.ai/v1/audio/transcriptions \
  -H "Authorization: Bearer $SEEDROUTER_API_KEY" \
  -F model=whisper-1 \
  -F [email protected] \
  -F language=en \
  -F response_format=verbose_json \
  -F 'timestamp_granularities[]=word' \
  -F 'timestamp_granularities[]=segment'

A resposta confirma uma tarefa, não uma transcrição pronta:

{
  "id": "task_example",
  "model": "whisper-1",
  "status": "processing",
  "created_at": 1792376116
}

Guarde o id realmente retornado. Envie uma só vez. Uma conexão perdida não determina se a solicitação foi aceita; confira o histórico de tarefas antes de criar outra solicitação.

Ler o resultado

curl "https://api.seedrouter.ai/v1/tasks/$TASK_ID" \
  -H "Authorization: Bearer $SEEDROUTER_API_KEY"

Consulte enquanto status for processing. Uma tarefa concluída contém output.url e output.format; uma tarefa que falhou contém error.code e error.message. Um timeout na consulta não é um estado final da tarefa. Somente o proprietário da tarefa pode lê-la. Os exemplos abaixo ilustram a estrutura da resposta:

{
  "id": "task_example",
  "model": "whisper-1",
  "status": "completed",
  "output": {
    "format": "verbose_json",
    "url": "https://static.seedrouter.ai/media/tasks/task_example/0.json"
  }
}

Baixe output.url com uma solicitação GET separada. Leia um resultado JSON como JSON e os demais formatos como texto. As respostas públicas das tarefas não incluem preços nem detalhes da conta.

Parâmetros de transcrição

file e model são obrigatórios. Os nove campos abaixo compõem a interface compartilhada de solicitação, incluindo file, model e stream, que é explicitamente ignorado. chunking_strategy continua sendo uma lacuna de compatibilidade, conforme descrito abaixo.

Campo	Tipo	Padrão	Contrato
`file`	Upload binário	Obrigatório	Um arquivo de áudio não vazio, não uma URL ou string com nome de arquivo. Consulte os limites de arquivos.
`model`	String	Obrigatório	Exatamente `whisper-1`.
`language`	String	Detecção automática	Indicação do idioma de entrada, como `en`. Não há lista local de idiomas permitidos. Omita para detectar.
`prompt`	String	Omitido	Contexto, grafia ou continuação no idioma do áudio. Não se inventa limite de caracteres; o Whisper considera os últimos 224 tokens do próprio tokenizador. Não é um prompt de instruções gerais.
`response_format`	String	`json`	`json`, `text`, `srt`, `verbose_json` ou `vtt`.
`temperature`	Número	`0`	Intervalo inclusivo de 0–1. Zero permite o ajuste automático de temperatura do modelo; não promete texto determinístico.
`timestamp_granularities[]`	String repetida	Marcações por segmento quando aplicável	`word`, `segment` ou ambos. Exige `response_format=verbose_json`. A grafia do campo repetido sem colchetes `timestamp_granularities` também é aceita.
`chunking_strategy`	`auto`, objeto VAD ou null	Omitido	Campo do esquema compartilhado de áudio cuja aplicabilidade ao Whisper não foi resolvida. Deixe omitido para o fluxo verificado. `auto` explícito falhou na verificação real de compatibilidade.
`stream`	Booleano ou null	`false`	Ignorado no Whisper-1. Não produz SSE nem transcrição parcial.

O objeto VAD contém type: "server_vad" obrigatório, o inteiro opcional prefix_padding_ms (padrão documentado: 300), o inteiro opcional silence_duration_ms (padrão documentado: 200) e o número opcional threshold de 0 a 1 (padrão documentado: 0,5). Nenhum intervalo de inteiros não documentado é imposto. Uma estratégia omitida continua omitida; esses padrões do objeto não tornam auto o padrão da solicitação.

Para compatibilidade com SDKs, o objeto VAD pode ser codificado em uma parte multipart JSON ou como chunking_strategy[type], chunking_strategy[prefix_padding_ms], chunking_strategy[silence_duration_ms] e chunking_strategy[threshold]. Não misture as duas codificações. A aceitação dessas formas de campos não comprova que a VAD funcione com este modelo.

Campos de texto opcionais devem ser omitidos, não enviados como a string multipart literal null. Campos desconhecidos e não aplicáveis ao modelo são descartados. Em especial, diarized_json, controles de referência de falantes, logprobs e eventos em tempo real não são recursos do Whisper-1. Campos escalares duplicados são inválidos.

Limites de arquivos

Os formatos de áudio documentados são FLAC, MP3, MP4, MPEG, MPGA, M4A, OGG, WAV e WebM. O limite atual de envio é de 26.214.400 bytes (25 MiB). O FAQ da API de Áudio da OpenAI especifica um tamanho máximo de solicitação de 25 MiB para uploads legados do Whisper-1; mantenha os arquivos abaixo do limite para deixar espaço para os campos multipart. Os arquivos devem conter áudio legível e duração positiva e mensurável. Uma extensão, por si só, não comprova áudio válido.

Não existe um limite local adicional de uma hora, exigência de taxa de amostragem fixa ou restrição a mono. O tamanho do arquivo ainda pode exigir a divisão de gravações longas. Revise os limites entre partes para evitar omitir ou duplicar fala.

Tradução para o inglês

curl https://api.seedrouter.ai/v1/audio/translations \
  -H "Authorization: Bearer $SEEDROUTER_API_KEY" \
  -F model=whisper-1 \
  -F [email protected] \
  -F response_format=text \
  -F temperature=0

A tradução tem cinco campos: file, model, prompt, response_format e temperature, com os mesmos tipos e limites acima. O prompt opcional deve estar em inglês. Não há escolha de idioma de destino. language, controles de marcações de tempo, de divisão e outros campos exclusivos da transcrição são descartados neste endpoint. Uma verificação de tradução bem-sucedida com entrada em inglês não comprova precisão para todos os idiomas de origem.

Campos do resultado baixado

Formato	Conteúdo
`json`	Objeto com `text`. A transcrição também pode incluir `usage: {type: "duration", seconds: number}`.
`text`	Texto simples da transcrição.
`srt`	Blocos de legendas numerados com códigos de tempo SRT.
`vtt`	Legendas WebVTT.
`verbose_json`	`text`, `language` e `duration` em segundos; `segments` opcional e, na transcrição, `words` e `usage` de duração.

Cada palavra tem word, start e end. Cada segmento tem id, seek, start, end, text, tokens, temperature, avg_logprob, compression_ratio e no_speech_prob. start e end estão em segundos. Segmentos não identificam falantes. A constante exclusiva de transcrição task: "transcribe" pode estar presente. Resultados de tradução omitem words e usage, exclusivos de transcrição. As medidas de áudio e o texto transcrito não são reescritos para imitar uma resposta esperada.

Cobrança

As duas operações usam a duração medida da entrada. Para cada gravação, as unidades de medição de áudio equivalem a round(ceil(seconds) × 1000 / 60). Multiplique essas unidades pela tarifa unitária atual; elas não contam o texto da transcrição. Por exemplo, 15 segundos geram 250 unidades, enquanto 15,1 segundos geram 267. A página e o Playground leem a mesma tarifa atual. Solicitações que falham não são cobradas.

Status de verificação

Verificado em 19 de outubro de 2026. Testes locais de ponta a ponta concluíram os cinco formatos de saída de transcrição e uma tradução verbose_json, incluindo downloads de resultados da própria conta e débitos exatos. Uma transcrição solicitou com sucesso marcações de tempo de palavras e segmentos. Uploads FLAC, OGG, M4A, MP4 e WAV com duração inferior a um segundo ou fracionária passaram por verificações reais de compatibilidade separadas.

chunking_strategy=auto explícito foi rejeitado. Três casos enviados envolvendo WebM, MPEG com VAD e MPGA com stream=true não tiveram sucesso. Essas falhas não determinam qual das configurações combinadas causou a rejeição. Esses formatos e opções permanecem não verificados; o serviço não substitui silenciosamente uma estratégia solicitada explicitamente. O teste de tradução usou entrada em inglês, portanto a qualidade de tradução entre idiomas permanece sem medição. Não trate o esquema aceito como prova de que todas as combinações passaram por um teste real.

Erros e recuperação

Combinações inválidas de arquivo e parâmetros são recusadas antes da criação da tarefa. Os erros de API contêm um code numérico e uma message legível; consulte os códigos de erro. Após a aceitação, consulte o status final da tarefa. Se o envio for incerto, encontre a tarefa existente antes de enviar novamente. Uma tarefa que falha não é cobrada.

Fontes do contrato

A OpenAI anunciou 26 de fevereiro de 2027 como data de desativação do Whisper em sua própria API. Esse anúncio não estabelece uma data de desativação para este serviço. Consulte o aviso de descontinuação da OpenAI.

On this page