Venice 音频转写

要解决什么问题

把语音变成文本，难点往往不在模型本身：录音格式五花八门，实时场景要低延迟，字幕和分章还需要时间戳。这个技能统一封装 Venice 的 POST /api/v1/audio/transcriptions，让你用同一套调用方式在快速模型与多语种大模型之间切换。

技能如何工作

接口与 OpenAI 兼容，走 multipart/form-data 上传，因此 OpenAI SDK 的 audio.transcriptions.create() 无需改动即可直接使用。

关键字段：

• file：必填的真实文件，支持 wav、flac、m4a、aac、mp4、mp3、ogg、webm；不接受 base64。
• model：默认 nvidia/parakeet-tdt-0.6b-v3，英语优先、延迟低；多语种可用 openai/whisper-large-v3，另有 fal-ai/wizper、elevenlabs/scribe-v2、stt-xai-v1。
• timestamps：置为 true 后，JSON 响应会带 segment/word 时间信息（结构随模型而异）。
• language：ISO 639-1 提示（en、ja），仅 Whisper 系模型生效。
• response_format：json 或 text，后者只返回纯文本。

计费按时长走 pricing.per_audio_second.usd。服务端不提供分片，超过约 30 分钟的文件需自行用 ffmpeg 或 pydub 按静音切分，逐段转写后按 offset 拼接。

注意点与适用边界

• file 必须是真实 multipart 文件分片，JSON + base64 不可用；415 一般是 Content-Type 不对。
• 需要时间戳就别用 response_format: text，它返回的是 text/plain 纯文本，改用 verbose_json、srt 或 vtt。
• 单文件上限 25 MB，超限返回的是 400（错误信息 Maximum size is 25MB），不是 413。
• 并发有上限，遇 429 要退避，批量任务建议控制在约 5 并发。
• 401 是鉴权问题，402 是余额不足；422 可能是零长度音频或上游 ASR 报错，内容被策略拦截时同样走 422，但此路径不会返回 suggested_prompt。
• 处理整条 YouTube 视频请改走 venice-video 的 /video/transcriptions，它直接接收公开视频 URL。