Озвучка и расшифровка речи

Какие модели есть

Все модели озвучки и расшифровки — в каталоге (фильтр «Аудио») и в разделе «Модели» кабинета. Через API их отдаёт GET /v1/models: у озвучки kind: "speech", у расшифровки kind: "transcription".

Озвучка: Gemini 3.8 Flash TTS, Speech 2.8 HD, Qwen-Audio-3.0-TTS Flash, Voxtral TTS 3.

Расшифровка: Whisper Large V3 Turbo, GPT-4o Transcribe, GPT-4o Mini Transcribe, Gemini 3.5 Transcribe, Voxtral Small Transcribe 3.

curl https://getheli.ru/v1/models \
  -H "Authorization: Bearer sk-heli-…"

# в ответе у каждой модели kind и цена в рублях:
# { "id": "elevenlabs/eleven-v3", "kind": "speech",
#   "pricing": { "currency": "RUB", "per_1k_chars": 12.6, ... } }

Цена в рублях — в pricing. Единица зависит от модели: per_1k_chars — за 1 тыс. символов текста, per_minute — за минуту аудио (у расшифровки входного, у озвучки готового), input_per_1m и output_per_1m — за 1 млн токенов.

Озвучка: POST /v1/audio/speech

Ответ — сам аудиофайл, не JSON. Content-Type: audio/mpeg для mp3, audio/pcm для pcm.

curl https://getheli.ru/v1/audio/speech \
  -H "Authorization: Bearer sk-heli-…" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "google/gemini-3.8-flash-tts",
    "input": "Здравствуйте! Ваш заказ передан в доставку.",
    "voice": "Kore",
    "instructions": "спокойно и дружелюбно",
    "response_format": "pcm"
  }' \
  --output speech.pcm

from openai import OpenAI

client = OpenAI(base_url="https://getheli.ru/v1", api_key="sk-heli-…")

with client.audio.speech.with_streaming_response.create(
    model="microsoft/mai-voice-2.1",
    voice="en-US-Harper:MAI-Voice-2.1",
    input="Welcome to the event!",
    response_format="mp3",
) as response:
    response.stream_to_file("speech.mp3")

Голоса. У Gemini TTS — имена вроде Kore и Puck. У MAI-Voice — полный id голоса с суффиксом модели, например en-US-Harper:MAI-Voice-2.1; язык речи задаёт локаль голоса. Gemini TTS и HeyGen Voice отдают только pcm, MiniMax — только mp3: другой формат вернёт 400.

Старые id tts-1 и tts-1-hd принимаются и уходят в модель озвучки по умолчанию. Голоса OpenAI вроде alloy у неё не работают, поэтому лучше сразу указать модель и её голос.

Длинный текст разбивайте на абзацы и склеивайте аудио: так быстрее первый звук и меньше риск таймаута.

Расшифровка: POST /v1/audio/transcriptions

Принимает multipart/form-data, как у OpenAI. Файл — до 25 МБ: это примерно 26 минут mp3 128 кбит/с или больше двух часов голосовых в opus. Несжатый wav заполняет лимит быстрее, около 13 минут.

curl https://getheli.ru/v1/audio/transcriptions \
  -H "Authorization: Bearer sk-heli-…" \
  -F model="openai/whisper-large-v3-turbo" \
  -F file="@meeting.mp3" \
  -F language="ru"

from openai import OpenAI

client = OpenAI(base_url="https://getheli.ru/v1", api_key="sk-heli-…")

with open("meeting.mp3", "rb") as audio:
    result = client.audio.transcriptions.create(
        model="openai/whisper-large-v3-turbo",
        file=audio,
        language="ru",
    )

print(result.text)

Можно прислать и JSON с аудио в base64 в поле input_audio:

curl https://getheli.ru/v1/audio/transcriptions \
  -H "Authorization: Bearer sk-heli-…" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "openai/whisper-large-v3-turbo",
    "input_audio": { "data": "<base64 без префикса data:>", "format": "mp3" },
    "response_format": "verbose_json",
    "timestamp_granularities": ["segment"]
  }'

Ответ:

{
  "text": "Коллеги, начинаем планёрку.",
  "usage": { "seconds": 9.2, "input_tokens": 83, "output_tokens": 30, "total_tokens": 113 }
}

Форматы text, srt и vtt не поддерживаются: возьмите verbose_json и соберите субтитры из segments. Записи длиннее нескольких минут надёжнее резать на части. Алиас whisper-1 ведёт на openai/whisper-1.

Цены и списание

Списываем фактическую стоимость запроса в рублях по тарифу из каталога: озвучку — по символам текста, секундам готового аудио или токенам (в зависимости от модели), расшифровку — по длительности записи или токенам. Перед запросом на балансе резервируется небольшая сумма, после ответа резерв заменяется точным списанием. Если запрос не удался, деньги не списываются. Каждый запрос виден в кабинете в разделе «Расходы».

При нулевом балансе API вернёт 402. Пополнить баланс.

Ошибки

Ошибки приходят в формате OpenAI: { "error": { "message", "type", "code" } }. Общие коды — в справочнике API.