OpenRouter 推出語音轉文字 API 端點支援 Whisper 等模型

你有一段 40 分鐘的銷售電話錄音、一個語音備忘錄資料夾，或是使用者長按麥克風按鈕，並需要文字稿。傳統做法是啟動 Whisper 伺服器或為語音轉文字額外加入第二個供應商 SDK，搭配已處理聊天流量的系統。在 OpenRouter，你可以將音訊送到 POST /api/v1/audio/transcriptions，並以相同的 API 金鑰與 Chat Completions 相同的授權方式，取得包含文字稿與使用量物件的 JSON。

不需要新的 SDK 或獨立服務。由於轉錄功能與聊天流量在同一平臺執行，若模型由多個供應商託管，將自動在它們之間負載平衡，而非固定於單一供應商。

簡而言之

• 將 base64 編碼的音訊送至 POST /api/v1/audio/transcriptions，並從回應中讀取 JSON 文字與 usage 物件。它使用與 Chat Completions 相同的 Bearer 金鑰。
• Whisper 模型在此可用：openai/whisper-1、openai/whisper-large-v3、openai/whisper-large-v3-turbo。亦有以 token 計價的更新版語音轉文字（STT）模型。透過 ?output_modalities=transcription 探索，而非預設目錄。
• 當轉錄模型由多個供應商託管時，我們會自動在它們之間負載平衡。你在聊天時使用的每請求路由控制（order、allow_fallbacks、data_collection、sort）今日不適用於此端點；此處的 provider 區塊僅包含供應商特定選項。使用 Bring-your-own-key（BYOK）僅為平臺費用路由至你自己的供應商金鑰。
• 實際設計時的限制包括 60 秒上游逾時、無音訊 URL（請送 base64 JSON，或最多 25 MB 的 OpenAI 樣式 multipart 檔案），以及不支援 SRT/VTT 輸出。大多數供應商（包括 OpenAI、Groq、Deepgram、Mistral）均可透過 response_format: "verbose_json" 取得單字與段落時間戳。
• 定價依模型而定，為時長或 token 為基礎，且 無供應商加價。usage.cost 欄位回傳實際每請求成本，方便你量化開銷。

如何在 OpenRouter 轉錄音訊？

將 base64 編碼的音訊送至 POST /api/v1/audio/transcriptions，並從 JSON 回應讀取 text 欄位。你以 Bearer token 方式傳遞 OpenRouter API 金鑰，與聊天呼叫相同，設定模型並傳入音訊。

回應為 JSON，其中 text 字串包含文字稿，usage 物件報告音訊時長（秒）、token 數量及請求成本（美元）。你只需一次請求，文字稿即於回應主體返回，無需輪詢亦無工作 ID 可追蹤。

請求主體包含 model 與 input_audio 物件。在 input_audio 內放入 base64 資料與格式字串。可選擇加入語言提示、溫度與 provider 區塊。以下為完整範例：

# Encode the file to base64, then POST it.
AUDIO_B64=$(base64 -i meeting.mp3 | tr -d '\n')

curl https://openrouter.ai/api/v1/audio/transcriptions \
  -H "Authorization: Bearer $OPENROUTER_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "openai/whisper-1",
    "input_audio": { "data": "'"$AUDIO_B64"'", "format": "mp3" },
    "language": "en"
  }'

import base64
import os

import requests

with open("meeting.mp3", "rb") as f:
    audio_b64 = base64.b64encode(f.read()).decode("utf-8")

api_key = os.environ["OPENROUTER_API_KEY"]

response = requests.post(
    "https://openrouter.ai/api/v1/audio/transcriptions",
    headers={"Authorization": f"Bearer {api_key}"},
    json={
        "model": "openai/whisper-1",
        "input_audio": {"data": audio_b64, "format": "mp3"},
        "language": "en",
    },
)

print(response.json()["text"])

import { OpenRouter } from '@openrouter/sdk';
import { readFileSync } from 'fs';

const openRouter = new OpenRouter({ apiKey: process.env.OPENROUTER_API_KEY });

const audioB64 = readFileSync('meeting.mp3').toString('base64');

const result = await openRouter.stt.createTranscription({
  sttRequest: {
    model: 'openai/whisper-1',
    inputAudio: { data: audioB64, format: 'mp3' },
    language: 'en',
  },
});

console.log(result.text);

有哪些可用的語音轉文字模型？

可從兩大類模型中挑選。Whisper 型別模型，例如 openai/whisper-1，以時長計價（每秒音訊），而更新的語音轉文字模型則以 token 計價。選擇哪一種取決於你的準確度要求、語言組合與預算。

STT 模型 ID 未出現在預設 /api/v1/models 目錄中，這是預期的，因為轉錄屬於你過濾的輸出模態。

curl "https://openrouter.ai/api/v1/models?output_modalities=transcription" \
  -H "Authorization: Bearer $OPENROUTER_API_KEY"

此操作會回傳語音轉文字模型及其目前每模型定價。若你想以頁面形式閱讀，亦可在 Speech-to-Text collection 找到相同清單，且 model catalog 提供即時每模型價格。

若想在連線前先試用模型，OpenRouter Playground 可在瀏覽器中轉錄上傳檔案。

逐項欄位請求合約

整個流程分為三個步驟。你需要將檔案進行 base64 編碼，使用模型和格式傳送 POST，並從回應中讀取 text 和 usage。data 欄位接收原始 base64 位元組，而不是 data: URI，因此不要以 data:audio/mp3;base64, 為字首。format 欄位為必填，並告知上游模型如何解碼這些位元組。

此端點也接受 OpenAI 風格的 multipart/form-data 上傳（file 加上 model），上限 25 MB。若你已有為 OpenAI 的 /v1/audio/transcriptions 建置的客戶端，可將其基底 URL 指向 https://openrouter.ai/api/v1，並保持不變。超過 25 MB 的檔案將透過 base64 JSON 路徑處理。

語言提示為選填。若省略，模型會偵測語言；設定可減少短或雜訊片段的歧義。部分供應商可透過 provider 接收自訂引數。以 Groq 為例，它會透過 provider.options.groq.prompt 接收預期詞彙的 prompt，有助於正確處理專有名詞與行話。

回應與使用量計算

回應為 JSON，包含 text 字串與 usage 物件。使用量物件允許你針對每個請求計量消耗，而非估算。

{
  "text": "Thanks everyone for joining. Let's start with the Q3 numbers.",
  "usage": {
    "seconds": 9.2,
    "total_tokens": 113,
    "input_tokens": 83,
    "output_tokens": 30,
    "cost": 0.000508
  }
}

該 cost 值僅為檔案範例，非實際報價；實際成本取決於模型與音訊長度。使用量物件報告 seconds（音訊時長）、token 數量，以及 cost 美元。回應亦攜帶 X-Generation-Id 標頭，供你日後追蹤或除錯特定請求。

何時使用轉錄、音訊輸入或語音合成？

若想將音訊轉為文字，請使用 /audio/transcriptions；若在聊天中使用音訊輸入，則讓模型對音訊進行推理。

轉錄端點適用於會議記錄、語音指令、字幕以及可搜尋的通話或播客檔案。若你想對支援電話進行情緒分析、針對所說內容進行 Q&A，或在單一提示中混合音訊與其他模態，請使用 /chat/completions 上的 input_audio 內容型別。將文字轉為語音則是第三個獨立端點。

對於音訊分析與語音合成，請參閱 audio APIs announcement。

轉錄時供應商路由如何運作？

轉錄使用與聊天相同的路由層。若同一模型由多個供應商託管，我們會按價格進行負載平衡，將請求分配到各供應商，避免被鎖定於單一供應商。轉錄目前不支援每次請求的路由控制。你在聊天呼叫中設定的 order、only、allow_fallbacks、data_collection 與 sort 欄位，在 /api/v1/audio/transcriptions 上不會被套用。此端點的 provider 區塊提供供應商特定選項：

{
  "model": "openai/whisper-large-v3",
  "input_audio": { "data": "<base64>", "format": "wav" },
  "provider": {
    "options": {
      "groq": { "prompt": "Expected vocabulary: OpenRouter, API, transcription" }
    }
  }
}

那個請求會將一個詞彙提示傳給 Groq，讓它正確處理本來會被扭曲的專有名詞。選項以供應商 slug 為鍵，只有匹配的供應商選項會被轉發。如果你需要鎖定特定供應商或在一次轉錄請求上強制執行資料政策，這個端點目前還不支援此控制。完整的供應商物件已在 provider routing docs 中說明。

OpenRouter 不會標示供應商價格，因此你付的是目錄價格，Zero Completion Insurance 表示失敗的轉錄不會被收費。若你已經有供應商協議，BYOK 允許你使用自己的供應商金鑰路由，並只支付我們 5% 的平臺費，而不是在計畫依賴的免費額度後按使用量收費；請參閱 pricing page 瞭解最新資訊。

計畫的限制有哪些？

四項限制決定了你如何構造轉錄請求：

由於超時限制的是處理時間而非音訊長度，僅看片段持續時間並不能判斷是否能處理。像整晚遊戲錄音這類持續數小時的錄音，需要分段處理；單一請求無法覆蓋。

對於字幕，預設回應僅包含文字及使用量，沒有時間戳。將 response_format 設為 verbose_json 可獲得段落級時間戳，若傳入 timestamp_granularities: ["word"] 則還能得到單字級時間戳。OpenRouter 只對能回傳時間戳的端點（如 OpenAI、Groq、Deepgram、Mistral、Azure）傳送 verbose_json 請求；若某模型的所有端點都不支援，像 openai/gpt-4o-transcribe 那樣，請求會以 400 失敗。沒有內建的 .srt/.vtt 輸出，你必須自行從時間戳建立字幕檔。

一次轉錄請求的費用是多少？

你付的是模型的目錄價格，沒有我們的加價，usage.cost 欄位會告訴你每次請求的精確金額。Whisper 類模型按音訊秒數收費，更新模型則按 token 收費。

費率會變動，我們會在每個模型頁面的 catalog 顯示即時數值，而非在此列印。從回應中讀取 usage.cost 可得知每次請求實際成本。STT 模型為付費，API 轉錄會扣除你的信用餘額。

開始前，先在 Playground 確認模型適合你的音訊，配置呼叫，並在每次請求中讀取 usage.cost 以從第一天起追蹤消費。

常見問題

如何使用 OpenRouter 轉錄音訊檔？

將 base64 編碼的音訊傳送至 POST /api/v1/audio/transcriptions，並使用 model 與 input_audio 物件（data 加上 format）。回應為 JSON，包含 text 字串（逐字稿）與 usage 物件（秒數、tokens、成本）。使用與 Chat Completions 相同的 Bearer API 金鑰與授權。

OpenRouter 支援 Whisper 嗎？

是的。可使用三種 Whisper 模型：openai/whisper-1、openai/whisper-large-v3、openai/whisper-large-v3-turbo。STT 模型 ID 不在預設的 /api/v1/models 列表中，您可以透過 ?output_modalities=transcription 過濾或瀏覽 Speech-to-Text collection 來發現它們。Whisper 以時長計價，每秒音訊；較新的 STT 模型則以 token 計價。

OpenRouter 轉錄支援哪些音訊格式？

常見的集合為 wav、mp3、flac、m4a、ogg、webm 與 aac，需在必填的 input_audio.format 欄位中傳遞。支援度因模型與供應商而異，因此並非所有模型都接受所有格式。wav 是最安全的預設選擇，能廣泛相容；像 mp3 這類壓縮格式則提供較小、較快的資料量。

OpenRouter 能回傳時間戳記或 SRT/VTT 字幕嗎？

時間戳記，當然。將 response_format 設為 verbose_json 以取得段落級時間戳記，並加入 timestamp_granularities: ["word"] 以在 words 陣列中取得單字級時間戳記。大多數供應商都支援，包括 OpenAI、Groq、Deepgram、Mistral 與 Azure；若某模型沒有能回傳時間戳記的端點，例如 openai/gpt-4o-transcribe，則會以 400 錯誤拒絕。SRT/VTT 輸出不支援，請自行使用時間戳記建立字幕檔。

音訊長度上限為何？

實際上限為大約 60 秒的上游處理逾時，而非固定的音訊長度上限。短短與中等長度片段可一次呼叫完成。對於較長錄音，請將音訊切成段落，逐段轉錄，最後將文字拼接。

OpenRouter 的轉錄費用是多少？

您只需支付模型的目錄價格，無額外加價。Whisper 類模型按秒計價；較新的 STT 模型則按 token 計價。每個回應中的 usage.cost 欄位會列出該請求的實際美元成本。