MAI-Transcribe 2

MAI-Transcribe 2 (microsoft/mai-transcribe-2) — модель распознавания речи Microsoft: 60 языков, включая русский, и один из лучших результатов на многоязычном бенчмарке FLEURS. Тарифицируется по длительности аудио, а не по токенам, поэтому стоимость расшифровки известна заранее — по длине файла.

Параметры

POST /v1/audio/transcriptions, multipart/form-data:

Поле	Описание
`file`	Аудиофайл, обязательное
`model`	`microsoft/mai-transcribe-2`
`language`	Код языка (`ru`, `en`, …); без него язык определяется автоматически
`response_format`	По умолчанию `json`

from openai import OpenAI

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

with open("meeting.mp3", "rb") as f:
    result = client.audio.transcriptions.create(
        model="microsoft/mai-transcribe-2",
        file=f,
        language="ru",
    )
print(result.text)

curl https://api.mixen.ai/v1/audio/transcriptions \
  -H "Authorization: Bearer $MIXEN_API_KEY" \
  -F file=@meeting.mp3 \
  -F model=microsoft/mai-transcribe-2 \
  -F language=ru

Что учесть

Указывайте language, если знаете его. Автоопределение ошибается на коротких и шумных записях, а ошибка в языке портит всю расшифровку.
Модель выбирается полем model. Значение whisper-1 принимается для совместимости с клиентами OpenAI и уводит запрос на модель по умолчанию — за MAI-Transcribe 2 указывайте полный ключ.
Есть модели дешевле и дороже. Полный список распознавания с ценами — в каталоге; общий гайд по эндпоинту — Речь и эмбеддинги.