你手头有一段 40 分钟销售通话录音、一个装满语音备忘录的文件夹，或者一个正按着麦克风按钮的用户，而你需要一份文字转录。通常的做法是，在已经处理聊天流量的那套系统之外，再单独搭一个 Whisper 服务器，或者专门为语音转文字接入第二个服务商的 SDK。在 OpenRouter 上，你可以把音频发送到 POST /api/v1/audio/transcriptions，然后拿回包含转录文本和 usage 对象的 JSON，使用的 API key 和认证方式与 Chat Completions 完全相同。

你不需要新的 SDK，也不需要单独的服务。因为转录与你的聊天流量运行在同一平台上，由多个服务商托管的模型会自动在它们之间做负载均衡，而不是被固定绑在单一供应商上。

简而言之

• 把 base64 编码的音频发送到 POST /api/v1/audio/transcriptions 即可转录，然后从响应中读取 JSON 文本以及一个 usage 对象。它使用与 Chat Completions 相同的 Bearer key。
• Whisper 级别的模型在这里可用（slug 为 openai/whisper-1）。也有更新的按 token 计费的语音转文字（STT）模型。请通过 ?output_modalities=transcription 来发现它们，而不是默认目录。
• 当一个转录模型由多个服务商托管时，我们会自动在它们之间做负载均衡。你在聊天中使用的按请求路由控制（order、allow_fallbacks、data_collection、sort）目前在此端点上不适用；这里的 provider 块仅承载服务商专属选项。自带密钥（BYOK）会路由到你自己的服务商密钥，仅收取平台费用。
• 真正需要围绕设计的限制是：上游超时 60 秒、不支持音频 URL（发送 base64 JSON，或发送 OpenAI 风格的多部分文件，最大 25 MB），以及不输出 SRT/VTT。在 OpenAI 兼容的提供商上，可通过 response_format: "verbose_json" 获取词级和时间段时间戳。
• 定价根据模型按时长或按 token 计费，且 提供商不加价。usage.cost 字段会返回每次请求的实际费用，方便你计量支出。

如何在 OpenRouter 上转录音频？

将 base64 编码的音频发送到 POST /api/v1/audio/transcriptions，然后从 JSON 响应中读取 text 字段。像在聊天调用中一样，将你的 OpenRouter API key 作为 Bearer token 传入，设置模型，然后把音频交给它。

响应是 JSON，其中包含一个 text 字符串，保存转录文本；以及一个 usage 对象，报告音频时长（秒）、token 数量和该请求的美元费用。你只需发起一次请求，转录文本就会在响应体中返回，因此无需轮询，也无需跟踪 job ID。

请求体包含一个 model 和一个 input_audio 对象。在 input_audio 中，你以 base64 数据形式放入文件，并提供一个格式字符串。可选地，你还可以添加语言提示、temperature 和 provider 块。下面是端到端示例：

# 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);

有哪些可用的语音转文本模型？

你可以从两个模型系列中进行选择。像 openai/whisper-1 这样的 Whisper 级模型按音频时长计费，即每秒音频，而较新的语音转文字模型则按 token 计费。哪一种适合你，取决于你的准确率要求、语言组合以及预算。

STT 模型 ID 不会出现在默认的 /api/v1/models 目录中。这是预期之中的，因为转录是你需要筛选的一种输出模态。

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

这会返回语音转文字模型及其当前的按模型定价。如果你更愿意以页面形式阅读，同一份列表也存在于 中，而 模型目录 则提供实时的按模型费率。

如果你想在接入某个模型之前先试用一下，OpenRouter Playground 可以在浏览器中转录上传的文件。

逐字段的请求契约

整个流程分为三步。你将文件进行 base64 编码，携带模型和格式将其 POST 提交，然后从响应中读取 text 和 usage。data 字段接收原始 base64 字节，而不是 data: URI，所以不要给它加上 data:audio/mp3;base64, 前缀。format 字段是必填的，它告诉上游模型如何解码这些字节。

参数	是否必填	它是什么
model	是	STT 模型 slug，例如 openai/whisper-1
input_audio.data	是	以 base64 编码的音频（原始字节，而非 data: URI）
input_audio.format	是	wav、mp3、flac、m4a、ogg、webm、aac 之一
language	否	ISO-639-1 代码（en、es、……）。省略时自动检测
temperature	否	采样温度，0 到 1
response_format	否	json（默认）或 verbose_json，后者增加了 task、language、duration 以及分段级时间戳（仅限 OpenAI 兼容的提供商）
timestamp_granularities	否	["segment"] 或 ["word"] 搭配 verbose_json；word 会在 words 数组中添加词级时间戳
provider	否	提供商专属选项透传（例如 Groq prompt）。此端点不应用按请求的路由控制

该端点还接受 OpenAI 风格的 multipart/form-data 上传（file 加 model），上限为 25 MB。如果你已经有一个为 OpenAI 的 /v1/audio/transcriptions 构建的客户端，可以将其 base URL 指向 https://openrouter.ai/api/v1，即可原样运行。大于 25 MB 的文件走 base64 JSON 路径。

语言提示是可选的。如果你不提供它，模型会自动检测语言；设置它可以消除短片或嘈杂片段上的一些歧义。部分提供商通过以下方式接受它们自己的额外参数provider。例如，Groq 接受一个prompt用于指定预期词汇表，通过provider.options.groq.prompt，这有助于处理专有名词和术语，否则模型会将其弄错。

响应及其用量统计

响应是 JSON，包含一个 text 字符串和一个 usage 对象。正是 usage 对象让你能够按请求计量花费，而不是去估算它。

{
  "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
  }
}

那个 cost 值是我们文档中的一个示例，并非价格报价；你的实际成本取决于模型和音频长度。usage 对象会报告 seconds（音频时长）、token 数量以及以美元计的 cost。响应还会携带一个 X-Generation-Id 标头，你可以将其记录下来，以便日后追踪或调试某个特定请求。

何时该用转录，何时该用音频输入或文本转语音？

当你希望将音频转换为文本时，请使用 /audio/transcriptions；当你希望模型对音频进行推理时，请使用聊天中的音频输入。

转录端点适用于会议记录、语音指令、字幕生成，以及通话或播客的可搜索存档。如果你想要对客服通话做情感分析、针对通话内容做问答，或者在一个提示词中把音频与其他模态混合处理，请使用input_audio内容类型，位于/chat/completions。将文本转为语音则是第三个独立的端点。

你想要……	使用	你将获得
音频转换为文本（一份转录稿）	POST /api/v1/audio/transcriptions	JSON 文本加用量
一个用于音频推理的模型（情感分析、问答、多模态）	input_audio 在 /chat/completions 上	一次聊天补全

关于音频分析和文本转语音，请参阅 音频 API 公告。

转录的提供商路由是如何工作的？

转录使用与聊天相同的路由层。当一个模型由多个提供商托管时，我们会将你的请求分发到它们之间，按价格进行负载均衡，因此你不会被绑定到单一供应商。转录目前没有提供的是按请求的路由控制。你在聊天调用中会设置的 order、only、allow_fallbacks、data_collection 和 sort 字段不会应用在 /api/v1/audio/transcriptions 上。此端点上的 provider 块携带的是提供商特定的选项：

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

该请求向 Groq 传递了一个词汇提示，用于处理它原本会弄错的专有名词。这些选项以提供商 slug 为键，只有匹配的提供商的选项会被转发。如果你需要在转录时固定某个特定提供商或强制执行按请求的数据策略，此端点尚不提供该控制。完整的 provider 对象记录在 提供商路由文档中。

OpenRouter 不会在提供商定价上加价，因此目录价格就是你实际支付的价格，而 Zero Completion Insurance 意味着转写失败不会计费。如果你已经与提供商签订了协议，BYOK 让你可以通过自己的提供商密钥进行路由，只需支付我们的平台费用，而无需支付按用量计算的模型成本；在按需付费模式下，每月前 100 万次请求免收该费用。

需要围绕哪些限制来规划？

有四项约束决定了你如何组织一次转写调用：

限制	对你的影响
上游 60 秒超时	约 60 秒的处理时间，并非对音频长度的硬性上限。体积大或未压缩的录音才会超时。将长音频拆分为多个片段，分别转写，再拼接文本。
不支持音频 URL	此端点无法通过 URL 传入音频。请发送 base64 JSON，或最大 25 MB 的 OpenAI 风格 multipart 文件。压缩格式（mp3、aac）可让载荷更小、更快。
不支持 SRT/VTT 输出	srt、vtt 和 text 响应格式会被以 400 拒绝。在 OpenAI 兼容的提供商上，可通过 verbose_json 获取时间戳；字幕文件请自行基于这些时间戳构建。
格式支持因提供商而异	该列表（wav/mp3/flac/m4a/ogg/webm/aac）是通用的，但某个具体的模型或提供商可能并不接受全部这些格式。wav 是最稳妥的默认选择。

由于超时限制的是处理时间而非音频长度，仅凭一段音频的时长无法判断它是否能处理得完。像通宵游戏会话这样长达数小时的录音，就需要采用分块处理；单次调用无法覆盖。

对于字幕，默认响应是文本加用量信息，不含时间信息。将 response_format 设为 verbose_json，你就能获得片段级时间戳；如果传入 timestamp_granularities: ["word"]，还能获得词级时间戳。这在 OpenAI 兼容的提供商（OpenAI、Groq、Together）上有效；其他提供商会以 400 拒绝。系统没有内置的 .srt/.vtt 输出，所以你需要自行根据时间戳构建字幕文件。

一次转录请求的费用是多少？

你按模型的目录价格付费，我们不收取任何加价，而 usage.cost 字段会告诉你每次请求的确切金额。Whisper 级模型按音频秒数计费，较新的模型则按 token 计费。

费率会变动，因此我们把实时数字保留在目录中每个模型的页面上，而不是在这里写死一个数字。从响应中读取usage.cost就能知道每次请求的实际花费。STT 模型是付费的，因此 API 转写会从你的额度余额中扣费。

要开始使用，先在Playground中确认某个模型能处理你的音频，接好调用，并读取每次请求的usage.cost，以便从第一天起就能计量开销。

常见问题

如何用 OpenRouter 转写音频文件？

将 base64 编码的音频发送到POST /api/v1/audio/transcriptions，并带上一个model和一个input_audio对象（data加上format）。响应是 JSON，包含一个text字符串（转写文本）和一个usage对象（秒数、token 数和费用）。它使用与 Chat Completions 相同的 Bearer API key 和鉴权方式。

OpenRouter 支持 Whisper 吗？

支持。Whisper 级别的模型可用于转写，openai/whisper-1就是要使用的 slug。STT 模型 ID 不在默认的/api/v1/models列表中，因此你需要通过?output_modalities=transcription筛选或浏览 来发现它们。Whisper 按音频时长计价，即每秒音频；较新的 STT 模型则改为按 token 计价。

OpenRouter 转写接受哪些音频格式？

常见格式集合包括 wav、mp3、flac、m4a、ogg、webm 和 aac，通过必填的 input_audio.format 字段传入。支持情况因模型和提供商而异，因此并非每个模型都接受每一种格式。wav 是兼容性最广、最稳妥的默认选择；像 mp3 这样的压缩格式则能提供更小、更快的负载。

OpenRouter 能返回时间戳或 SRT/VTT 字幕吗？

时间戳可以。将 response_format 设为 verbose_json 即可获得分段级时间戳，再加上 timestamp_granularities: ["word"] 可在 words 数组中获取词级时间戳。这在 OpenAI 兼容的提供商（OpenAI、Groq、Together）上有效；其他提供商会以 400 拒绝该请求。不支持 SRT/VTT 输出，因此你需要自行根据时间戳构建字幕文件。

音频可以有多长？

实际限制是大约 60 秒的上游处理超时，而不是固定的音频时长上限。短音频和中等长度的音频一次调用即可返回。对于较长的录音，请将音频拆分为多个片段，分别转写，再将文本拼接起来。

在 OpenRouter 上转写费用是多少？

你按模型目录价格付费，没有加价。Whisper 级模型按音频秒数计价；较新的 STT 模型按 token 计价。每个响应中的 usage.cost 字段会报告该请求的确切美元费用。