跳转到主要内容

​
功能简介

老张API 提供强大的音频处理能力，包括音频转文字（Speech-to-Text）和文字转语音（Text-to-Speech）两大功能。通过统一的 OpenAI API 格式，您可以轻松实现会议记录转录、字幕生成、语音助手、有声读物制作等应用。
🎙️ 智能音频处理
支持多语言音频转文字、高清语音合成、实时流式输出，让 AI 真正”听懂”和”说出”内容。

​
🌟 核心特性

  • 🎯 多模型支持：GPT-4o Transcribe、Whisper、TTS-1/HD 等专业音频模型
  • 🌍 多语言识别：支持 50+ 种语言的音频转文字
  • 🎤 高质量合成：支持标准和高清两种语音质量
  • 🗣️ 多种音色：6 种不同的语音音色可选
  • ⚡ 快速响应：高性能处理，秒级返回结果
  • 💰 灵活计费：按 Token 或时长计费，成本可控

​
📋 支持的音频模型

​
音频转文字（Speech-to-Text）

模型名称模型 ID计费方式特点
GPT-4o Transcribe ⭐gpt-4o-transcribeToken高准确度，支持多语言
GPT-4o Mini Transcribegpt-4o-mini-transcribeToken快速高效，成本低
Whisper v1whisper-1时长（秒）OpenAI Whisper 模型

​
文字转语音（Text-to-Speech）

模型名称模型 ID音质特点
TTS-1 ⭐tts-1标准质量快速生成，适合实时应用
TTS-1 HDtts-1-hd高清质量音质更佳，适合内容创作

​
可用的语音音色

  • alloy - 中性音色，清晰自然
  • echo - 男性音色，沉稳有力
  • fable - 英式口音，优雅动听
  • onyx - 深沉男声，适合播报
  • nova - 女性音色，温暖亲切
  • shimmer - 柔和女声，适合旁白

​
🎙️ 音频转文字

​
1. 基础示例 - cURL

curl -X POST "https://api.laozhang.ai/v1/audio/transcriptions" \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -H "Content-Type: multipart/form-data" \
  -F "[email protected]" \
  -F "model=gpt-4o-transcribe"
响应示例： 
{
  "text": "你好，这是一段测试语音",
  "usage": {
    "type": "tokens",
    "total_tokens": 32,
    "input_tokens": 23,
    "output_tokens": 9
  }
}

​
2. Python 示例 - 使用 OpenAI SDK

from openai import OpenAI

client = OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.laozhang.ai/v1"
)

# 方式 1：直接传文件路径
with open("audio.mp3", "rb") as audio_file:
    transcript = client.audio.transcriptions.create(
        model="gpt-4o-transcribe",
        file=audio_file
    )

print(transcript.text)

​
3. 指定语言和响应格式

from openai import OpenAI

client = OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.laozhang.ai/v1"
)

with open("audio.mp3", "rb") as audio_file:
    transcript = client.audio.transcriptions.create(
        model="whisper-1",
        file=audio_file,
        language="zh",  # 指定语言：中文
        response_format="json"  # 可选：json, text, srt, vtt, verbose_json
    )

print(transcript.text)

​
4. 使用 Whisper 模型（按时长计费）

curl -X POST "https://api.laozhang.ai/v1/audio/transcriptions" \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -H "Content-Type: multipart/form-data" \
  -F "[email protected]" \
  -F "model=whisper-1" \
  -F "language=zh"
响应示例： 
{
  "text": "你好,这是一段测试语音",
  "usage": {
    "type": "duration",
    "seconds": 3
  }
}

​
支持的音频格式

支持以下音频格式（文件大小限制 25 MB）：
  • mp3 - MP3 音频文件
  • mp4 - MP4 音频文件
  • mpeg - MPEG 音频文件
  • mpga - MPEG 音频文件
  • m4a - M4A 音频文件
  • wav - WAV 音频文件
  • webm - WebM 音频文件

​
🗣️ 文字转语音

​
1. 基础示例 - cURL

curl -X POST "https://api.laozhang.ai/v1/audio/speech" \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "tts-1",
    "input": "你好，欢迎使用老张API的语音合成功能。",
    "voice": "alloy"
  }' \
  --output speech.mp3

​
2. Python 示例 - 生成语音文件

from openai import OpenAI
from pathlib import Path

client = OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.laozhang.ai/v1"
)

response = client.audio.speech.create(
    model="tts-1",
    voice="nova",
    input="这是一段需要转换为语音的文字内容。"
)

# 保存为 MP3 文件
response.stream_to_file("output.mp3")

​
3. 使用高清模型

from openai import OpenAI

client = OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.laozhang.ai/v1"
)

response = client.audio.speech.create(
    model="tts-1-hd",  # 使用高清模型
    voice="shimmer",
    input="使用高清模型可以获得更好的音质效果。",
    speed=1.0  # 语速：0.25 到 4.0，默认 1.0
)

response.stream_to_file("speech_hd.mp3")

​
4. 调整语速

# 快速播放（1.5 倍速）
response = client.audio.speech.create(
    model="tts-1",
    voice="onyx",
    input="这段内容会以 1.5 倍速播放。",
    speed=1.5
)

response.stream_to_file("speech_fast.mp3")

​
5. 实时流式输出

from openai import OpenAI

client = OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.laozhang.ai/v1"
)

response = client.audio.speech.create(
    model="tts-1",
    voice="alloy",
    input="实时流式输出可以边生成边播放，提供更好的用户体验。"
)

# 流式处理音频数据
response.stream_to_file("streaming_speech.mp3")

​
🎯 常见应用场景

​
1. 会议记录转录

from openai import OpenAI

client = OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.laozhang.ai/v1"
)

# 转录会议录音
with open("meeting.mp3", "rb") as audio_file:
    transcript = client.audio.transcriptions.create(
        model="gpt-4o-transcribe",
        file=audio_file,
        response_format="text"
    )

# 保存为文本文件
with open("meeting_transcript.txt", "w", encoding="utf-8") as f:
    f.write(transcript.text)

​
2. 视频字幕生成

from openai import OpenAI

client = OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.laozhang.ai/v1"
)

# 生成 SRT 字幕文件
with open("video_audio.mp3", "rb") as audio_file:
    transcript = client.audio.transcriptions.create(
        model="whisper-1",
        file=audio_file,
        response_format="srt"  # SRT 字幕格式
    )

# 保存字幕文件
with open("subtitles.srt", "w", encoding="utf-8") as f:
    f.write(transcript.text)

​
3. 多语言内容播报

from openai import OpenAI

client = OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.laozhang.ai/v1"
)

# 生成多种语言的语音
texts = {
    "中文": "欢迎使用老张API",
    "English": "Welcome to LaoZhang API",
    "日本語": "ようこそ"
}

for lang, text in texts.items():
    response = client.audio.speech.create(
        model="tts-1",
        voice="nova",
        input=text
    )
    response.stream_to_file(f"welcome_{lang}.mp3")

​
4. 有声读物制作

from openai import OpenAI

client = OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.laozhang.ai/v1"
)

# 将长篇文本转换为语音
with open("book_chapter.txt", "r", encoding="utf-8") as f:
    text = f.read()

# 分段处理（TTS 有字符限制）
max_chars = 4096
segments = [text[i:i+max_chars] for i in range(0, len(text), max_chars)]

for idx, segment in enumerate(segments):
    response = client.audio.speech.create(
        model="tts-1-hd",  # 使用高清模型
        voice="fable",  # 适合朗读的音色
        input=segment
    )
    response.stream_to_file(f"audiobook_part_{idx+1}.mp3")

​
💡 最佳实践

​
音频转文字优化

  1. 音频质量：
    • 采样率建议 ≥16 kHz
    • 降低背景噪音可提高识别准确度
    • 清晰的人声录音效果最佳
  2. 文件大小：
    • 单个文件 ≤25 MB
    • 超大文件建议先分段处理
  3. 语言指定：
    • 明确指定语言可提高准确度
    • 支持的语言代码：zh（中文）、en（英文）、ja（日语）等
  4. 响应格式选择：
    • json：默认格式，包含完整信息
    • text：纯文本输出
    • srt/vtt：带时间戳的字幕格式
    • verbose_json：详细 JSON，包含时间戳和词级信息

​
文字转语音优化

  1. 音色选择：
    • alloy/nova：适合通用场景
    • echo/onyx：适合新闻播报
    • fable/shimmer：适合故事朗读
  2. 语速调整：
    • 正常语速：1.0
    • 快速播报：1.2 - 1.5
    • 慢速教学：0.75 - 0.9
  3. 文本优化：
    • 单次请求文本 ≤4096 字符
    • 使用标点符号控制停顿和语调
    • 数字和特殊符号建议转换为文字
  4. 成本控制：
    • 标准场景使用 tts-1
    • 高质量需求使用 tts-1-hd
    • 根据实际需求选择合适的模型

​
错误处理

from openai import OpenAI
import time

client = OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.laozhang.ai/v1"
)

def transcribe_with_retry(audio_file_path, max_retries=3):
    """带重试机制的音频转文字函数"""
    for attempt in range(max_retries):
        try:
            with open(audio_file_path, "rb") as audio_file:
                transcript = client.audio.transcriptions.create(
                    model="gpt-4o-transcribe",
                    file=audio_file
                )
            return transcript.text
        except Exception as e:
            print(f"尝试 {attempt + 1}/{max_retries} 失败: {e}")
            if attempt < max_retries - 1:
                time.sleep(2 ** attempt)  # 指数退避
            else:
                raise
    return None

​
📊 性能对比

​
音频转文字模型对比

模型准确度速度支持语言计费方式价格
gpt-4o-transcribe⭐⭐⭐⭐⭐⭐⭐⭐⭐50+Token$$
gpt-4o-mini-transcribe⭐⭐⭐⭐⭐⭐⭐⭐⭐50+Token$
whisper-1⭐⭐⭐⭐⭐⭐⭐50+时长$

​
文字转语音模型对比

模型音质速度自然度价格
tts-1⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐$
tts-1-hd⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐$$

​
🚨 注意事项

  1. 隐私保护：不要上传包含敏感信息的音频文件
  2. 合规使用：遵守相关法律法规，不用于非法用途
  3. 版权声明：生成的语音内容需注明由 AI 生成
  4. 文件限制：音频文件最大 25 MB，文本最长 4096 字符
  5. 使用限制：请勿用于冒充他人身份或虚假信息传播

​
🔗 相关资源

💡 小贴士：建议先使用 gpt-4o-mini-transcribe 或 tts-1 进行测试，确认效果后再使用高级模型进行生产部署。
⌘I