过去做语音转录的开发者，常被一种割裂感困扰。聊天用OpenRouter，转写却要单独搭一个Whisper服务器，或者额外接一家语音转文本的第三方SDK。7月22日，OpenRouter把这个缺口补上了。

他们在自家平台上线了POST /api/v1/audio/transcriptions端点。用户只需用和Chat Completions完全一样的Bearer密钥，将base64编码的音频发过去，就能拿回一份包含转录文本和用量对象的JSON。聊天和转写，从此共用一张门票。

核心便利：复用

这个便利的核心就是复用。你不需要新的SDK，也不需要单独的服务。转录功能和聊天流量跑在同一个平台上，由多个提供商托管的模型会自动在彼此之间做负载均衡，而不是被焊死在某一家供应商身上。

对于已经把OpenRouter当主力的团队，这套集成意味着少维护一条链路、少记一把密钥。

模型路线：两种选择

模型层面，OpenRouter摆出了两条路线。

• 一类是openai/whisper-1这样的Whisper类模型，按音频时长（每秒）计费。
• 另一类是更新的语音转文本（STT）模型，按token计费。

需要留意的是，STT模型的ID不会出现在默认的/api/v1/models目录里。因为它属于需要主动筛选的输出模态——通过output_modalities=transcription参数，就能把这批模型及其当前定价筛出来。想在接入前先试手，OpenRouter Playground里也能直接在浏览器内上传文件转录。

调用方式：简单快速

调用方式简单到一次请求就闭环。把文件base64编码，和模型、格式一起POST过去，再从响应里读text和usage两个字段即可。

注意：

• data字段吃的是原始base64字节，不是data: URI。所以别给它加data:audio/mp3;base64前缀。
• format字段必填，告诉上游模型怎么解码这些字节。

如果你早就有面向OpenAI的/v1/audio/transcriptions写的客户端，只需把base URL指向https://openrouter.ai/api/v1就能直接用，零改动迁移。端点也接受OpenAI风格的multipart/form-data上传，文件加模型，大小上限25MB。

字段规范：清晰明确

字段规范上，model和input_audio.data、input_audio.format是必填项。格式可选wav、mp3、flac、m4a、ogg、webm、aac之一。

• language：ISO-639-1语言代码，省略则由模型自动检测。
• temperature：控制采样，取值0到1。
• response_format：默认json。设成verbose_json就能额外拿到任务、语言、时长和片段时间戳。
• timestamp_granularities：选word还能拿到词级时间戳。

不过，最后两项只在兼容OpenAI的提供商（如OpenAI、Groq、Together）上有效，其余提供商会直接返回400。provider块则用来透传各家的私有参数。比如Groq可以通过provider.options.groq.prompt传入预期词汇，帮模型正确处理专有名词，免得把术语念错。

响应格式：清晰透明

响应是一份JSON。text字符串装着转录结果，usage对象则让费用可以按请求计量，而非靠估算。

一个示例里，9.2秒的音频产生了113个token（83个输入与30个输出），标注成本0.000508美元。这个数字来自文档示例，并非实际报价。真实花费取决于所选模型和音频时长。响应头里还带一个X-Generation-Id，方便你记录追踪或调试某次具体请求。

路由逻辑：沿用聊天机制

路由逻辑沿用聊天的同一套。当一个转录模型由多个提供商托管，OpenRouter会按价格做负载均衡，把请求分发到各家之间，避免被单一供应商绑定。

不过，目前转录端点还没开放按请求的路由控制。聊天调用里熟悉的order、only、allow_fallbacks、data_collection、sort这些字段，在这里都不生效。provider块只携带提供商特定选项。

OpenRouter明确不对提供商定价加价，目录价就是你的实付价。而零补全保险意味着失败的转写不会被计费。如果你手里有自己的提供商协议，BYOK功能允许用自有密钥路由，只付平台费、免掉按量模型成本。且按量付费模式下，每月前100万次请求的平台费直接免除。

约束条件：四个关键点

真正动手搭建前，有四个约束必须算进架构。

• 60秒上游超时：它卡的是处理时间而非音频长度。体积大或未压缩的录音容易超时，长音频得分段转写再拼文本。
• 音频URL不支持：端点只认base64 JSON或不超过25MB的OpenAI风格多部分文件。
• SRT/VTT格式输出不支持：srt、vtt、text会被拒并返回400。时间戳只能靠verbose_json拿，字幕文件得自己按时间戳拼。
• 格式支持因提供商而异：wav是兼容性最广的安全默认，mp3等压缩格式则能生成更小更快的负载。

一段通宵游戏会话那样持续数小时的录音，单次调用根本覆盖不了，必须分块处理。

应用场景：如何选择

最后，是把转录摆对位置。

• 当你只需要把音频变成文字，用/audio/transcriptions。
• 当你想让模型对音频内容做推理，比如客服通话的情感分析、对音频问答、或把音频与其他模态混进同一个提示词，就该用/chat/completions里的input_audio内容类型。
• 文本转语音则是第三个独立端点。

OpenRouter给的对照很直白：要转录稿，走转录端点拿JSON文本加用量；要一个能理解音频的模型，走聊天补全拿一次对话结果。当一份密钥同时兜住对话与声音，语音能力在应用里落地的门槛，又被悄悄削平了一截。

《夸克》非常好用的免费AI浏览器

下载APP查看