omniroute-stt

用途

OmniRoute STT 用于通过 OmniRoute 完成语音转文字（Speech-to-Text）任务。它采用与 OpenAI /v1/audio/transcriptions 兼容的接口格式，并在 Whisper、AssemblyAI、Deepgram、Azure STT 等提供商之间提供自动回退能力，适合需要统一入口调用多家语音识别服务的场景。

主要能力

• 音频转录：通过 POST $OMNIROUTE_URL/v1/audio/transcriptions 以 multipart 表单上传音频文件，返回识别文本。
• 转录并翻译：通过 POST $OMNIROUTE_URL/v1/audio/translations 将音频转写并翻译为英文。
• 模型发现：通过 curl $OMNIROUTE_URL/v1/models/stt | jq '.data[]' 查看可用的 STT 模型。
• 多提供商回退：在 Whisper、AssemblyAI、Deepgram、Azure STT 之间自动回退。
• 多种响应格式：支持 json、text、srt、verbose_json、vtt；其中 verbose_json 返回 { text, language, duration, segments?:[{ start, end, text }] }。

使用方式

需先配置环境变量 OMNIROUTE_URL 与 OMNIROUTE_KEY，初始化步骤参见入口 SKILL 文档。

转录请求示例：

curl -X POST $OMNIROUTE_URL/v1/audio/transcriptions \
  -H "Authorization: Bearer $OMNIROUTE_KEY" \
  -F "file=@audio.mp3" \
  -F "model=whisper-1" \
  -F "response_format=verbose_json"

支持的格式

• 音频：mp3、mp4、mpeg、mpga、m4a、wav、webm
• 响应格式：json、text、srt、verbose_json、vtt

错误处理

• 400 invalid_file_format：音频格式不受支持。
• 400 file_too_large：文件超出提供商限制（通常为 25MB）。
• 503：提供商不可用，可尝试 /v1/models/stt 中的其他模型。

适用场景

适合需要以统一接口完成音频转写、字幕文件生成（srt、vtt）或音频翻译为英文的集成场景，也适合在单一提供商不可用时借助自动回退保持可用性。

限制

• 需要有效的 OMNIROUTE_URL 与 OMNIROUTE_KEY 配置。
• 文件大小受提供商限制，通常为 25MB。
• 仅支持上述列出的音频格式。
• 翻译接口输出目标为英文。