Распознавание речи

POST /v1/audio/transcriptions принимает multipart/form-data.

curl https://api.mixen.ai/v1/audio/transcriptions \
  -H "Authorization: Bearer $MIXEN_API_KEY" \
  -F file=@meeting.m4a \
  -F model=whisper-1 \
  -F language=ru

Поле	Описание
file	Аудиофайл, обязательное
model	whisper-1 для совместимости
language	Код языка; без него определяется автоматически
response_format	По умолчанию json

Цена — за минуту аудио (у токенных моделей — за 1M токенов, единицы в каталоге). В JSON-ответе приходит чек: usage.cost / usage.cost_rub / usage.billing_source — как во всех остальных протоколах.

Каталог живых моделей распознавания — в GET /v1/models, записи с type: stt:

Модель	Ключ	Чем берёт
MAI-Transcribe 2	microsoft/mai-transcribe-2	60 языков, сильный многоязычный результат — карточка
GPT-4o Transcribe	openai/gpt-4o-transcribe	Знакомое качество OpenAI
GPT-4o Mini Transcribe	openai/gpt-4o-mini-transcribe	Дешевле старшей при том же интерфейсе
Voxtral Mini Transcribe	mistralai/voxtral-mini-transcribe	Компактная модель Mistral
Scribe v2	elevenlabs/scribe-v2	90+ языков, метки времени на уровне слов, тегирование аудиособытий
Nemotron 3.5 ASR Streaming	nvidia/nemotron-3.5-asr-streaming-multilingual-0.6b	Самая дешёвая минута в каталоге
Gemini 3.5 Transcribe	google/gemini-3.5-transcribe	Пословные таймкоды и диаризация до 8 спикеров, аудио до часа

Эндпоинт требует область доступа audio — ключ без неё получит 403. Обратное направление — текст в речь — в гайде синтеза.