venice-audio-transcription

Venice Transcription（/audio/transcriptions）

POST /api/v1/audio/transcriptions は音声ファイルを受け取り、テキストを返します。multipart/form-data に対応した OpenAI 互換の API で、OpenAI SDK の audio.transcriptions.create() を変更せずに使用できます。

メソッド	パス	認証	備考
POST	/api/v1/audio/transcriptions	Bearer キーまたは x402（SIWX）	multipart/form-data、ファイルフィールドは file、最大 25 MB。音声の秒数に応じて課金されます。

次の場合に使用します

• ボイスメモ、会議、ポッドキャスト、短い音声の音声認識（STT）が必要な場合。
• 字幕やチャプター用の単語単位またはセグメント単位のタイムスタンプが必要な場合。
• Venice がホストする Parakeet、Whisper 系モデル、ElevenLabs Scribe、xAI STT から選択したい場合。

動画用の文字起こしエンドポイントはなくなりました。POST /video/transcriptions は廃止され、410 を返します。音声トラックを抽出してこちらに送信するか、動画に対応したチャットモデルに依頼してください（venice-chat）。

最小リクエスト

curl https://api.venice.ai/api/v1/audio/transcriptions \
  -H "Authorization: Bearer $VENICE_API_KEY" \
  -F "file=@./meeting.m4a" \
  -F "model=nvidia/parakeet-tdt-0.6b-v3" \
  -F "response_format=json" \
  -F "timestamps=false"

{ "text": "Alright everyone, let's kick off the meeting...", "duration": 184.2 }

timestamps=true を指定すると、JSON に timestamps オブジェクトも含まれます（以下を参照）。

リクエスト（multipart/form-data）

以下のフィールドのみが読み取られます。フォーム内のその他の項目は無視されます。

フィールド	型	デフォルト	備考
file	binary	—	必須です。 実際のファイルパートを指定してください（base64 は不可）。対応形式：wav/wave、flac、m4a、aac、mp4、mp3、ogg/oga、webm。拡張子と MIME で確認した後、バイナリシグネチャで検証されます。最大 25 MB。
model	string	—	指定してください。 OpenAPI スキーマには nvidia/parakeet-tdt-0.6b-v3 がデフォルトとして記載されていますが、このデフォルトは適用されません。model を省略すると 400 "model is required" が返されます。
response_format	json / text	json	この 2 種類のみです。text を指定すると、文字起こし結果のみを含む text/plain 本文が返されます。
timestamps	bool（フォーム文字列として true/false）	false	JSON レスポンスに timestamps を追加します。
language	string	—	ISO 639-1 のヒント（en、ja など）。Whisper、Wizper、Scribe、xAI STT に渡されます。Parakeet では無視されます（自動検出）。

レスポンス

{
  "text": "…",
  "duration": 184.2,
  "timestamps": {
    "word":    [{ "word": "Alright", "start": 0.12, "end": 0.48 }],
    "segment": [{ "text": "Alright everyone…", "start": 0.12, "end": 4.9 }],
    "char":    [{ "char": "A", "start": 0.12, "end": 0.15 }]
  }
}

duration（秒）と timestamps は省略可能です。含まれるタイムスタンプ配列はモデルによって異なります。

モデル	タイムスタンプの粒度
openai/whisper-large-v3	segment + word
fal-ai/wizper	segment
elevenlabs/scribe-v2	word
stt-xai-v1	word
nvidia/parakeet-tdt-0.6b-v3	segment、word、char のいずれか、または複数が含まれる場合があります

モデル

5 つすべてが、ライブの GET /models?type=asr リストに含まれています。料金は model_spec.pricing.per_audio_second.usd で確認できます。

モデル ID	プライバシー	備考
nvidia/parakeet-tdt-0.6b-v3	private	Venice がホストする高速モデルです。language は無視されます。
openai/whisper-large-v3	private	多言語対応です。language のヒントに対応し、セグメント単位と単語単位のタイムスタンプを返します。
fal-ai/wizper	private	Whisper v3 の派生モデルです。language のヒントに対応し、セグメント単位のタイムスタンプを返します。
elevenlabs/scribe-v2	anonymized	language のヒントに対応し、単語単位のタイムスタンプを返します。
stt-xai-v1	anonymized	language のヒントに対応し、単語単位のタイムスタンプを返します。

modelPrivacy: PRIVATE_ONLY のキーでは、anonymized のモデルに対して 403 が返されます（PRIVATE_TEXT キーにはこの制限は適用されません）。文字起こしに失敗した場合、課金されません。

OpenAI SDK

import OpenAI from 'openai'
import fs from 'node:fs'

const client = new OpenAI({
  apiKey: process.env.VENICE_API_KEY,
  baseURL: 'https://api.venice.ai/api/v1',
})

const out = await client.audio.transcriptions.create({
  file: fs.createReadStream('meeting.m4a'),
  model: 'openai/whisper-large-v3',
  response_format: 'json',
  language: 'en',
  // @ts-expect-error — Venice-specific extra, passes through multipart
  timestamps: true,
})

console.log(out.text)

長いファイル

サーバー側のチャンク分割には対応しておらず、アップロードは最大 25 MB です。長時間の録音はクライアント側で（無音区間または固定長のセグメントで）分割し、各チャンクを文字起こししてから、タイムスタンプのオフセットを調整して結合してください。

ffmpeg -i long.mp3 -f segment -segment_time 600 -c copy chunk_%03d.mp3

エラー

コード	意味
400	model が指定されていない、パラメーターが不正（例：response_format が json または text ではない）、file パートがない（JSON ボディを使用した場合も含む。→ "No audio file provided"）、拡張子または MIME タイプがサポートされていない、あるいはバイナリー署名を認識できない場合です。
401	認証に失敗しました。
402	残高が不足しています。Bearer の場合 → {"error":"Insufficient USD or Diem balance…"}、またはキー独自の上限に達した場合は `"API key USD
403	PRIVATE_ONLY キーで anonymized モデルを呼び出した場合、またはリージョン制限に該当した場合です。
404	不明な model です。
413	ファイルが 25 MB を超えています（{"code":"PAYLOAD_TOO_LARGE","error":"File exceeds the maximum allowed size of 25 MB."}）。
422	アップストリームプロバイダーが音声を処理できませんでした（長さが 0、無音、破損、未対応の形式または言語、プロバイダー側による拒否）。suggested_prompt はありません。
429	レート制限に達しました。
500	推論に失敗しました。
502	アップストリームの ASR で一時的なエラーが発生しました — {"error":"Audio transcription failed due to a temporary upstream error. Please retry."}（code フィールドなし）。バックオフして再試行してください。
503	モデルが一時的にオフラインです — ジッターを加えて再試行してください。

レスポンスボディの形式と再試行の戦略については、venice-errors を参照してください。

注意点

• 必ず model を送信してください。ドキュメントに記載されたデフォルト値は適用されません。
• file は実際のマルチパートファイルパートでなければなりません。JSON と Base64 の組み合わせはサポートされていません。
• verbose_json、srt、vtt はありません。字幕には response_format=json と timestamps=true を使用し、タイミング情報は独自に描画してください。text ではタイムスタンプがすべて省略されます。
• timestamps.word と timestamps.segment のどちらを使うかを決める前に、モデルが返す粒度を確認してください。
• 拡張子が有効でも、バイナリー署名が音声形式でないファイルは拒否されます。標準プロファイル（例：MP3 44.1 kHz または 16 kHz）に再エンコードしてください。
• 429 が返されたらバックオフしてください。すべてを並列で実行するのではなく、大量のバッチをスロットリングしてください。