跳到主要内容

语音转文本

Knox 在 https://api.knoxstudio.ai/v1 上为 KnoxStudio 提供与 ElevenLabs 兼容的语音转文本接口。使用 Knox API key 认证（Authorization: Bearer sk-... 或 xi-api-key）。https://api.knox.chat/v1 提供相同路由。

这不是把 input_audio 发给 对话补全，也不是 实时语音 的语音到语音。STT 是把音频或视频变成文本。

典型流程：

  1. 列出模型 — GET /v1/speech-to-text/models
  2. 转写 — POST /v1/speech-to-text
  3. 可选：读取或删除 — GET / DELETE /v1/speech-to-text/transcripts/{transcription_id}
https://api.knoxstudio.ai/v1
Authorization: Bearer sk-...

模型与计费​

curl https://api.knoxstudio.ai/v1/speech-to-text/models
model_id用途价格
scribe_v2默认批量转写，90 余种语言每音频小时 $0.27
scribe_v2_realtimeWebSocket 流式，约 150ms每音频小时 $0.44

附加项（按小时，叠加在模型单价上）：

附加项价格
实体检测 / 脱敏每小时 $0.12
关键词提示每小时 $0.10
说话人角色检测基础转写费用的 +10%

use_multi_channel 为 true 时，每个声道按完整音频时长独立计费。超过 100 个关键词还会应用 20 秒最低计费时长。

Multipart 上传最大 5GB。音频至少 100ms。

创建转写​

必须且只能提供 file 或 source_url 之一（cloud_storage_url 已弃用）。model_id 必填。

curl -X POST https://api.knoxstudio.ai/v1/speech-to-text \
     -H "Authorization: Bearer $KNOXCHAT_API_KEY" \
     -F "model_id=scribe_v2" \
     -F "file=@interview.mp3" \
     -F "diarize=true" \
     -F "timestamps_granularity=word"

同步 200 包含 text、language_code、language_probability、words，以及可选的 transcription_id。设置 webhook=true 可提前返回，稍后再接收结果。

常用字段：language_code、tag_audio_events、num_speakers（最多 32）、diarize、timestamps_granularity（none / word / character）、no_verbatim（Scribe v2）、keyterms（最多 1000）。

实时 WebSocket​

GET / POST /v1/speech-to-text/realtime 需要 WebSocket 升级。默认模型为 scribe_v2_realtime。

发送：

{
  "message_type": "input_audio_chunk",
  "audio_base_64": "<base64 pcm>",
  "commit": false,
  "sample_rate": 16000
}

接收 partial_transcript（中间结果）和 committed_transcript（稳定结果）。commit_strategy 为 manual 或 vad。音频格式：pcm_8000、pcm_16000、pcm_22050、pcm_24000、pcm_44100、pcm_48000、ulaw_8000。

不要把凭证放进 WebSocket JSON 消息体。Knox 会从客户端消息中剥离 xi-api-key。

错误​

422 使用 { "detail": [{ "loc": [...], "msg": "...", "type": "value_error" }] }。其他错误使用 { "detail": "..." }。

常见状态：401 缺少或无效的 key、402 余额不足、403 无权使用该模型、400 未升级就访问实时路径、422 缺少 model_id / 文件 / URL。