Обновлено:
Whisper API переводит аудиозаписи в текст: расшифровка звонков, встреч, голосовых сообщений и субтитры для видео. AI Mediator даёт доступ к моделям распознавания речи из России без VPN, с оплатой в рублях.
Доступные модели: whisper-1,
gpt-transcribe,
gpt-4o-transcribe,
gpt-4o-mini-transcribe,
gpt-4o-transcribe-diarize и gemini-3.5-transcribe.
Whisper — модель распознавания речи от OpenAI. Через API ей передают аудиофайл, а в ответ получают расшифровку: обычный текст, JSON с разбивкой на сегменты и таймкодами или готовые субтитры в форматах SRT и VTT. Модель понимает русский и десятки других языков и сама определяет язык записи.
Название «Whisper API» закрепилось за всей задачей транскрибации, хотя сейчас
у OpenAI есть и более новые модели — gpt-transcribe и семейство
gpt-4o-transcribe. Они работают через тот же эндпоинт
/v1/audio/transcriptions, поэтому
переход с whisper-1 сводится к замене названия модели в запросе.
Зарегистрироваться в личном кабинете — нужен только email
Пополнить баланс картой российского банка или по счёту
Получить единый ключ и отправить первый аудиофайл на расшифровку
В AI Mediator доступны модели транскрибации от двух вендоров — OpenAI и Google. Все они вызываются через один эндпоинт и один API-ключ. Часть моделей тарифицируется за секунду аудио, часть — за токены. Актуальные ставки в рублях — на странице тарифов.
| Модель | Вендор | Тарификация | Для чего подходит лучше всего |
|---|---|---|---|
| gpt-transcribe | OpenAI | за секунду аудио | Актуальная модель транскрибации OpenAI: точнее whisper-1 и дешевле его. Рекомендуемый выбор для новых проектов. |
| gpt-4o-transcribe | OpenAI | за токены | Высокая точность на шумных записях, акцентах и специальной терминологии. |
| gpt-4o-mini-transcribe | OpenAI | за токены | Самая экономичная модель OpenAI для массовой расшифровки: голосовые сообщения, короткие записи. |
| gpt-4o-transcribe-diarize | OpenAI | за токены | Транскрибация с разделением речи по говорящим — для встреч, интервью и звонков. |
| whisper-1 | OpenAI | за секунду аудио | Классическая модель Whisper: субтитры SRT и VTT, таймкоды сегментов. Для совместимости с существующими интеграциями. |
| gemini-3.5-transcribe | за токены | Модель распознавания речи от Google — альтернатива моделям OpenAI для многоязычных записей. |
gpt-4o-transcribe-diarize — текст размечен по говорящим, удобно для протоколов и контроля качества в колл-центре.
whisper-1 с параметром response_format=srt или vtt — готовый файл субтитров с таймкодами без дополнительной обработки.
gpt-transcribe или gpt-4o-mini-transcribe — голосовые сообщения, заметки, короткие записи в больших объёмах при низкой цене.
Расшифровку удобно сразу передать генеративной модели по тому же ключу: составить краткое резюме встречи, выделить задачи, перевести текст на другой язык или классифицировать обращение. Модели для этого — на страницах OpenAI API, Claude API и Gemini API.
Эндпоинт AI Mediator — https://api.ai-mediator.ru/v1,
авторизация — заголовком Authorization: Bearer,
формат совместим с OpenAI SDK. Аудиофайл передаётся как multipart/form-data.
curl https://api.ai-mediator.ru/v1/audio/transcriptions \
-H "Authorization: Bearer $AI_MEDIATOR_API_KEY" \
-F model="gpt-transcribe" \
-F file="@meeting.mp3" import os
from openai import OpenAI
client = OpenAI(
api_key=os.environ.get("AI_MEDIATOR_API_KEY"),
base_url="https://api.ai-mediator.ru/v1",
)
with open("meeting.mp3", "rb") as audio:
transcript = client.audio.transcriptions.create(
model="gpt-transcribe",
file=audio,
)
print(transcript.text) curl https://api.ai-mediator.ru/v1/audio/transcriptions \
-H "Authorization: Bearer $AI_MEDIATOR_API_KEY" \
-F model="whisper-1" \
-F response_format="srt" \
-F file="@video.mp4" > video.srt
Для формата WebVTT укажите response_format="vtt".
import fs from "fs";
import OpenAI from "openai";
const client = new OpenAI({
apiKey: process.env.AI_MEDIATOR_API_KEY,
baseURL: "https://api.ai-mediator.ru/v1"
});
const result = await client.audio.transcriptions.create({
model: "gpt-4o-mini-transcribe",
file: fs.createReadStream("voice.m4a")
});
console.log(result.text); {
"text": "Как оформить возврат товара?",
"usage": {
"type": "duration",
"seconds": 2.0
}
}
Расшифровка приходит в поле text.
В usage — длительность аудио
или число токенов, по которым считается стоимость запроса.
Другие примеры работы с API — в документации AI Mediator. Актуальные ставки — на странице тарифов.
Whisper API — это API распознавания речи от OpenAI: вы отправляете аудиофайл, а в ответ получаете его текстовую расшифровку. Модель whisper-1 понимает русский и десятки других языков, сама определяет язык записи и умеет возвращать текст с таймкодами — в виде субтитров SRT или VTT.
Да, через AI Mediator. Запросы уходят на российский эндпоинт api.ai-mediator.ru, который проксирует их к моделям распознавания речи OpenAI и Google — VPN не требуется.
whisper-1 — первая модель транскрибации OpenAI, сейчас она относится к предыдущему поколению. gpt-transcribe и gpt-4o-transcribe — более новые модели: они обычно точнее на шумных записях, акцентах и специальной терминологии. gpt-transcribe тарифицируется посекундно и дешевле whisper-1, модели gpt-4o-transcribe — потокенно. Для новых проектов разумно начинать с gpt-transcribe, а whisper-1 оставлять для совместимости с уже работающими интеграциями.
Используйте модель whisper-1 и параметр response_format со значением srt или vtt — в ответ придёт готовый файл субтитров. Значение verbose_json возвращает текст с разбивкой на сегменты и таймкодами в формате JSON.
Да, для этого есть модель gpt-4o-transcribe-diarize: она размечает, какой фрагмент текста произнёс какой участник разговора. Подходит для записей встреч, интервью и звонков в колл-центр.
Модели OpenAI принимают распространённые форматы: mp3, mp4, mpeg, mpga, m4a, wav и webm. Длинные записи удобнее делить на фрагменты по несколько минут — так быстрее обработка и проще повторить запрос при сбое сети.
Эндпоинт /v1/audio/translations через AI Mediator сейчас недоступен. Тот же результат даёт связка из двух запросов: сначала транскрибация аудио на языке оригинала, затем перевод текста любой генеративной моделью — GPT, Claude или Gemini — по тому же API-ключу.
whisper-1 и gpt-transcribe тарифицируются за секунду аудио, модели gpt-4o-transcribe и gemini-3.5-transcribe — за аудиотокены на входе и текстовые токены на выходе. Оплата в рублях, актуальные ставки — на странице тарифов.
Да. AI Mediator работает от ООО «ЛТ Сервис Групп» с российскими реквизитами, поддерживает документооборот по ЭДО и подходит для интеграции в коммерческие продукты: колл-центры, сервисы протоколирования встреч, обработку голосовых сообщений.
Получите единый ключ и подключите распознавание речи к своему продукту.
ПОДКЛЮЧИТЬСЯ К API