API speech to text : transcription Whisper traitée dans l'UE

POST /v1/audio/transcriptions reçoit un fichier audio en multipart/form-data et renvoie ce qui a été dit. Placez le fichier dans le champ file et l'identifiant du modèle dans model, par exemple whisper-large-v3-turbo. Les formats courants comme mp3, mp4, m4a, wav, webm, ogg et flac sont acceptés.

Les modèles Whisper reconnaissent près d'une centaine de langues, dont toutes les grandes langues de l'UE, et détectent la langue automatiquement si vous ne la précisez pas. La réponse par défaut est {"text": "..."}, ce qui suffit souvent pour alimenter un résumé, un index de recherche ou un ticket.

language attend un code ISO 639-1 comme fr, de ou nl. Le préciser améliore la justesse et la rapidité sur les enregistrements courts ou bruités, où la détection automatique peut se tromper. prompt donne du contexte au modèle : noms propres, termes métier ou texte du segment précédent, pour qu'il écrive correctement « Kubernetes » ou le nom d'une collègue.

response_format peut valoir json, text, srt, vtt ou verbose_json. Pour des sous-titres, choisissez srt ou vtt. verbose_json renvoie la langue détectée, la durée et un tableau segments avec horodatages ; avec timestamp_granularities[] à word, vous obtenez aussi le minutage de chaque mot. Laissez temperature à 0 pour la transcription.

Un flux courant consiste à enregistrer un appel au support ou une réunion, à le transcrire en verbose_json pour garder les horodatages, puis à envoyer la transcription à un modèle de chat en lui demandant un résumé, les actions à mener et les engagements pris. Conservez les segments avec leurs temps pour pouvoir revenir au bon moment de l'enregistrement.

Pour de grandes archives, traitez les fichiers en arrière-plan plutôt que de garder une connexion ouverte pour chacun. Enregistrez la langue par client ou par équipe, et tenez un court glossaire de noms et de termes à passer dans prompt pour chaque fichier.

Un fichier au-delà de la taille maximale renvoie un HTTP 413 ou une erreur 400. Découpez les longs enregistrements, de préférence sur des silences, et reprenez la dernière phrase d'une partie comme prompt de la suivante pour garder le contexte. La limite de taille dépend de votre offre et nous vous la confirmons.

Un fichier non pris en charge ou corrompu renvoie une erreur 400 explicite. De longs silences ou de la musique peuvent amener Whisper à répéter une phrase ou à inventer du texte : coupez les silences au préalable ou utilisez une détection d'activité vocale. La réponse n'identifie pas les locuteurs ; ajoutez une étape de diarisation si nécessaire.