# OpenRouter把语音转录塞进同一个API：一份key搞定聊天和转写，Whisper与按token计价STT一并接入

- Link: https://paooo.com/aigc-news/37819/
- Published: 2026-07-22T17:23:20+08:00
- Author: Prompt 语宙研究院

⚡ [Prompt](https://paooo.com/ai-image-prompts/) 语宙 AI 导读 · 30 秒核心看点

 * OpenRouter新增 /api/v1/audio/transcriptions，聊天与转写共用同一把密钥和平台。
 * 支持Whisper类按时长计费与STT按token计费；可用 verbose_json 拿时间戳与用量。
 * 注意60秒超时、25MB上限、SRT/VTT不支持，长音频需分段处理。

做语音转录的开发者，过去总被一道割裂感困扰:聊天走OpenRouter，转写却要再搭一个Whisper
服务器，或者额外接一家专门做语音转文本的第三方SDK。7月22日，OpenRouter把这道裂痕
抹平了——它在自家平台上线了POST /api/v1/audio/transcriptions端点，用户用与Chat Completions
完全相同的Bearer密钥，把base64编码的音频发过去，就能拿回一份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。

这份便利的核心是复用。你不需要新的SDK，也不需要单独的服务，因为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。

![image.png](https://paooo.com/wp-content/uploads/2026/07/6392033739329547151342424-
1.avif "image.png")

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
音频时长也就是每秒计费;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。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](https://paooo.com/tag/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是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，配合timestamp_granularities选word还能拿到词级时间戳，
不过这两项只在兼容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。

真正动手搭建前，有四个约束必须算进架构。其一是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;其二是音频URL不
支持，端点只认base64JSON或不超过25MB的OpenAI风格多部分文件;其三是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;其四是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。

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。

🧭 文中关联 [AI 工具](https://ai.paooo.com/)官网与参数卡（语宙 AI 导航）

**OpenRouter ↗**

AI 模型 API 聚合平台，一个接口调用400多个模型。

❓ 常见问题解答（FAQ）

OpenRouter语音转录怎么接入？

直接调用 POST /api/v1/audio/transcriptions，使用与 Chat Completions 相同的 Bearer
密钥即可。可上传 base64 音频或 OpenAI 风格 multipart/form-data；若已有 /v1/audio/
transcriptions 客户端，把 base URL 指向 https://openrouter.ai/api/v1 就能迁移。

OpenRouter转录支持哪些模型计费方式？

文中提到两类：Whisper 类模型按音频时长计费，更新的 STT 模型按 token 计费。STT 模型
默认不在 /api/v1/models 里，需要通过 ?output_modalities=transcription 筛选查看当前
定价。

OpenRouter转录有哪些限制要注意？

上游超时为 60 秒，音频 URL 不支持，SRT/VTT/text 输出也不支持；单文件大小上限 25MB。
若要字幕时间戳，可用 verbose_json，但长音频通常需要分段转写后再拼接。

🔬 语宙深潜追问 · 进阶实操拆解

一把key同时管聊天和转写，怎么做最稳？

把鉴权、计费、重试和日志统一到同一层网关，业务侧只保留模型路由参数。这样能减少密
钥管理成本，也方便按项目、模型和地区做审计与限流。

按token计费的STT适合什么场景？

适合需要统一成本口径、频繁切换模型或做多模态编排的产品。它比按时长更利于和LLM链路
打通，但要注意不同音频质量会影响转写token与最终账单波动。

🗳️ 读者观点微投票 · 您的实战立场是？

语音转录并入同一API，最值钱的是省事还是省钱？

🕸️ 语宙向量知识图谱 · 语义强关联深度内链

[⚡ 所属权威专题：OpenAI GPT 与 Sora 生态 →](https://paooo.com/topics/openai-gpt-sora/)

 * [OpenAI GPT-Realtime-Whisper 实时语音转文字模型发布：低至每分钟0.017美元，实现边说边出字的超低延迟转录](https://paooo.com/aigc-news/10673/)
 * [gpt-4o-mini-transcribe – OpenAI 推出的语音转文本模型](https://paooo.com/aigc-news/20882/)
 * [gpt-4o-transcribe – OpenAI 推出的语音转文本模型](https://paooo.com/aigc-news/20894/)
 * [OpenRouter推出全新技术：多轮 Agent 调用成本最高可砍到 1.75 倍](https://paooo.com/aigc-news/35122/)

[🏛️ Prompt 语宙研究院](https://paooo.com/author/paooo-research/) · Prompt 语宙研究院（
paooo.com Research）专注于前沿多模态大模型架构拆解、AI Agent 工作流评测、AIGC 提示
词工程（Prompt Engineering）与全球高增长 AI 生产力工具实测追踪，致力于为中文开发
者与创作者提供一手、可复现的深度技术洞察。

[📄 Markdown 纯净版](https://paooo.com/aigc-news/37819/?format=md)

💡 这篇内容对您有启发吗？

[📡 RSS 订阅](https://paooo.com/feed/)[✨ 提交 AI 工具 / 合作](https://paooo.com/submit-tool/)

**🚀 Prompt 语宙 AI 创作者生态：**探索 2,800+ 全球实用 AI 工具与高精度生图提示词
咒语库

[🧭 语宙 AI 导航 (ai.paooo.com)](https://ai.paooo.com/)[🎨 AI 生图 Prompt 库](https://paooo.com/ai-image-prompts/)
[📚 核心专题导航](https://paooo.com/topics/)[⚡ AIGC 早报生成器](https://paooo.com/mtool/)
