AI 网关 / 语音与字幕
语音与字幕
TTS 和 ASR 都支持返回带时间轴的 SRT 字幕。
TTS:文字转音频
curl -X POST https://ai.nbjs.ai/v1/audio/speech \
-H "authorization: Bearer $AI_KEY" \
-H "content-type: application/json" \
-d '{"input":"你好,欢迎使用 NBJS 平台。","srt":true}'
srt=true 返回 JSON:
{
"model": "cosyvoice-v2",
"voice": "longxiaochun_v2",
"audio_url": "https://...mp3",
"srt": "1\n00:00:00,000 --> 00:00:02,400\n你好,欢迎使用NBJS平台\n",
"cost": 0.000448
}
srt=false 直接返回音频字节,content-type: audio/mpeg。
ASR:音频转文字
音频可以用公网 URL、base64,或 multipart 上传。
curl -X POST https://ai.nbjs.ai/v1/audio/transcriptions \
-H "authorization: Bearer $AI_KEY" \
-H "content-type: application/json" \
-d '{"audio_url":"https://example.com/a.wav","language":"zh","srt":true}'
返回:
{
"model": "fun-asr-flash-2026-06-15",
"text": "识别出的文字",
"srt": "1\n00:00:04,160 --> 00:00:06,560\n...",
"cost": 0.000333
}
response_format
| 值 | 返回 |
|---|---|
| 默认 / json | JSON,含 text,srt=true 时含 srt |
| text | 纯文本 |
| srt | 纯 SRT |
| verbose_json | JSON,额外返回 sentences |
字幕规则
词级时间戳拼接,中文之间不加空格,英文单词之间加空格,每条约 16 字或 4.5 秒。NBJS 这类被百炼拆成单字母的词会重新拼成一串。