语音工作台与接口
文件转写、语音合成与翻译的真实引擎接入约定。
先选择项目
在控制台左侧选择项目,然后进入语音识别、语音合成或文本翻译。工作台采用当前登录会话,不需要将 API Key 粘贴到浏览器。
只有项目所在组织的所有者、开发者能够发起调用;只读成员可查看入口。项目需要通过云端服务申请,取得未过期的有效授权。引擎未配置时返回 503,页面明确显示“尚未接入”。
文件转写
POST /api/platform/v1/audio/transcriptions
请求头:Authorization: Bearer YOUR_API_KEY、Content-Type: application/json。
{
"audioBase64": "<不含 data: 前缀的 Base64 音频>",
"mimeType": "audio/wav",
"language": "zh"
}language 可省略。支持 WAV、MP3、OGG、WebM、MP4/M4A,文件最大 5 MiB。服务端检查 Base64、文件大小以及音频文件头与 MIME 的一致性;这不是完整的媒体解码验证,上游仍需安全解码与时长约束。
响应示意只说明结构,实际结果由已接入引擎返回:
{
"text": "实际转写文本",
"language": "zh",
"segments": [{ "start": 0, "end": 1.2, "text": "实际转写文本", "speaker": "speaker_1" }]
}segments、language、speaker 可选。界面不会在上游未提供时伪造时间戳或说话人。
语音合成
POST /api/platform/v1/audio/speech
{ "text": "你好,欢迎使用小象智能。", "language": "zh" }text 为 1–5000 个字符;language 可选;voice 为上游支持的音色 ID,可省略使用引擎默认值。当前没有虚构的音色列表。
响应为 { "audioBase64": "...", "mimeType": "audio/wav" }。工作台将实际音频转换为当前浏览器内的 Blob,支持播放与下载,离开页面后释放 Blob URL。合成音频同样限制为 5 MiB,不直接加载上游返回的任意音频 URL。
文本翻译
POST /api/platform/v1/translate
{ "text": "Hello, world.", "source": "en", "target": "zh" }响应为 { "translation": "实际翻译结果" }。输入最长 5000 字符,语言代码支持 zh、en 或 en-US 等格式。
服务端适配
服务端分别读取 AI_UPSTREAM_URL、STT_UPSTREAM_URL、TTS_UPSTREAM_URL 以及对应的 _TOKEN。上游必须使用 HTTPS,不接受浏览器提交任意上游地址。请求、响应采用本页的 JSON 协议;供应商协议不同则需部署转换层。
可选模型配置为 TRANSLATION_MODEL、STT_MODEL、TTS_MODEL。配置后平台向上游增加 model 字段。所有凭据只在服务端使用,不出现在能力状态与项目卡中。
统一上游超时为 30 秒;响应受大小、结构、状态及音频格式约束。异常响应返回 502,超时返回 504。不自动重试收费调用,避免重复执行。
用量与额度
请求先在事务中预留组织与项目的额度。成功后写入一条用量;失败释放月字符额度,仍占用滚动 60 秒请求次数。翻译和合成按输入字符记录;文件转写只记调用次数,字符数为 0,尚不按音频时长计费。
平台不在数据库保存原始输入文本、音频或推理结果。内容会发送至管理员配置的上游,具体留存策略需由部署方与上游约定。
当前边界
当前是 HTTP 文件转写和合成接口。实时 WebSocket 转写、流式合成、长音频任务队列和音色目录未实现。提供云端网关不代表已经交付或部署语音模型。
API 的机器可读契约见 OpenAPI,额度和安全设置见 控制台管理。
