音频接口

语音转文字、语音翻译与文字转语音，OpenAI Audio 兼容，含文件上传格式与音色语速参数。

音频接口与 OpenAI Audio API 兼容，共三个端点：

方法	路径	说明	请求格式
`POST`	`/v1/audio/transcriptions`	语音转文字（STT）	`multipart/form-data`
`POST`	`/v1/audio/translations`	语音翻译（翻译成英文）	`multipart/form-data`
`POST`	`/v1/audio/speech`	文字转语音（TTS）	JSON

鉴权见鉴权与令牌，通用错误码见错误处理与请求追踪。

语音转文字

POST/v1/audio/transcriptions

filefile必填

音频文件

modelstring必填

转写模型，如 whisper-1、gpt-4o-transcribe

languagestring

源语言 ISO-639-1 代码（如 zh、en），不提供则自动检测

promptstring

引导文本，可改善专有名词识别

response_formatstring

响应格式

默认值: jsonjson · text · srt · vtt · verbose_json

temperaturenumber

采样温度 0–1

timestamp_granularities[]string[]

时间戳粒度，需配合 verbose_json

word · segment

支持的音频格式（按文件扩展名识别）：mp3、wav、flac、m4a、mp4、 ogg / oga、opus、aiff / aif / aifc、aac。列表来自服务端音频解析器的实际支持范围；上游模型自身的格式限制以各模型为准。 webm 当前不可用——服务端时长解析器暂不支持该格式，请求会在转发上游前失败。

verbose_json 响应包含语言、时长与分段时间戳：

响应200

{
  "task": "transcribe",
  "language": "chinese",
  "duration": 8.5,
  "text": "完整转写文本……",
  "segments": [
    { "id": 0, "start": 0.0, "end": 3.2, "text": "第一段" }
  ]
}

curl https://api.jimu.chat/v1/audio/transcriptions \
  -H "Authorization: Bearer $JIMU_API_KEY" \
  -F "file=@./meeting.mp3" \
  -F "model=whisper-1" \
  -F "language=zh" \
  -F "response_format=verbose_json"

import os

from openai import OpenAI

client = OpenAI(
    api_key=os.environ["JIMU_API_KEY"],
    base_url="https://api.jimu.chat/v1",
)

with open("./meeting.mp3", "rb") as f:
    result = client.audio.transcriptions.create(
        model="whisper-1",
        file=f,
        language="zh",
        response_format="verbose_json",
    )
print(result.text)

import OpenAI from 'openai'
import fs from 'node:fs'

const client = new OpenAI({
  apiKey: process.env.JIMU_API_KEY,
  baseURL: 'https://api.jimu.chat/v1',
})

const result = await client.audio.transcriptions.create({
  model: 'whisper-1',
  file: fs.createReadStream('./meeting.mp3'),
  language: 'zh',
})
console.log(result.text)

语音翻译

POST/v1/audio/translations

字段与 transcriptions 相同（file、model、prompt、response_format、temperature），区别是输出为英文文本——任意语种的音频都会被翻译并转写为英文。

curl https://api.jimu.chat/v1/audio/translations \
  -H "Authorization: Bearer $JIMU_API_KEY" \
  -F "file=@./speech_zh.mp3" \
  -F "model=whisper-1"

文字转语音

POST/v1/audio/speech

modelstring必填

TTS 模型，如 tts-1、tts-1-hd、gpt-4o-mini-tts

inputstring必填

要合成语音的文本

voicestring必填

音色。OpenAI 系：alloy、ash、ballad、coral、echo、fable、nova、onyx、sage、shimmer、verse

instructionsstring

语气/风格指令（gpt-4o-mini-tts）

response_formatstring

输出音频格式。兼容推荐值 mp3 / opus / aac / flac / wav / pcm，但不限于此、平台不统一校验，以具体模型与渠道为准（部分渠道对无法识别的值回退 mp3）

speednumber

语速倍率，通常 0.25–4.0。平台不会把省略的值归一为 1.0——OpenAI 兼容模型一般由上游默认 1.0，但部分渠道会把零值直接下发，因此建议显式传值。实际默认与范围以模型为准

stream_formatstring

传 sse 开启流式音频事件

响应直接是音频字节流（Content-Type 随 response_format 变化），保存为文件即可播放：

curl https://api.jimu.chat/v1/audio/speech \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $JIMU_API_KEY" \
  -d '{
    "model": "tts-1",
    "input": "你好，这是积木平台的语音合成测试。",
    "voice": "alloy",
    "speed": 1.0
  }' \
  -o speech.mp3

import os

from openai import OpenAI

client = OpenAI(
    api_key=os.environ["JIMU_API_KEY"],
    base_url="https://api.jimu.chat/v1",
)

result = client.audio.speech.create(
    model="tts-1",
    input="你好，这是积木平台的语音合成测试。",
    voice="alloy",
    speed=1.0,
)
result.write_to_file("speech.mp3")

import OpenAI from 'openai'
import fs from 'node:fs'

const client = new OpenAI({
  apiKey: process.env.JIMU_API_KEY,
  baseURL: 'https://api.jimu.chat/v1',
})

const result = await client.audio.speech.create({
  model: 'tts-1',
  input: '你好，这是积木平台的语音合成测试。',
  voice: 'alloy',
  speed: 1.0,
})
const buffer = Buffer.from(await result.arrayBuffer())
await fs.promises.writeFile('speech.mp3', buffer)

TTS 按文本字符与生成音频时长综合计费；STT 按音频时长计费。 voice 与 speed 的可用范围以具体模型为准，其他厂商 TTS 模型可能有各自的音色列表。

视频生成

异步任务模型的完整流程——提交任务、轮询状态、取回视频，覆盖统一接口与 Kling、即梦官方格式路由。

媒体 Schema 机制

通过 /v2/media-tool-configs 获取各模型的媒体工具参数 Schema，客户端据此动态生成表单，并用 sidecar 完成强校验调用。