语音模型 - FocusAPI

语音能力主要分为两类：语音转文字（STT） 和 文字转语音（TTS）。常见模型可以使用 OpenAI Audio 兼容路径，也可能有厂商原生参数。

语音转文字

适合会议转写、字幕、客服录音分析、语音输入。常见路径：

POST /v1/audio/transcriptions

curl https://www.focusapi.cn/v1/audio/transcriptions \
  -H "Authorization: Bearer sk-your-api-key" \
  -F file="@/path/to/audio.mp3" \
  -F model="whisper-1"

文字转语音

适合配音、有声内容、语音播报。常见路径：

POST /v1/audio/speech

curl https://www.focusapi.cn/v1/audio/speech \
  -H "Authorization: Bearer sk-your-api-key" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "tts-1",
    "input": "你好，欢迎使用 FocusAPI",
    "voice": "alloy"
  }' \
  --output speech.mp3

常见参数

能力	参数	说明
STT	`file`	上传音频文件，通常使用 `multipart/form-data`
STT	`model`	语音识别模型 ID
STT	`language`	可选，指定音频语言
TTS	`input`	要朗读的文本
TTS	`voice`	音色，取决于模型支持
TTS	`response_format`	输出格式，如 mp3、wav 等

文件与超时

大文件更容易触发 524 超时，建议切分后上传。
音频格式、大小限制和时长限制以模型广场说明为准。
批量转写建议控制并发，避免 429 限流。

计费

语音模型可能按次数、字符数、音频时长或模型倍率计费。具体以控制台日志和计费与用量为准。