保留原语言的转写路径
whisper-1 的转写任务是把音频中说出的内容转为原语言文字，而不是默认译成英语。这适合需要保留原始表述的采访、课程和口述材料。生成的文字可作为后续检索、摘录与编辑的基础，摘要和改写则应作为独立处理步骤。
规格与接口特性
在选型前明确容量、输入输出与调用方式。
- 原生模型关系
- Whisper large-v2；API 调用 ID 为 whisper-1
- 输入与输出
- 音频文件输入，原语言文字转写输出
- 原生文件格式
- m4a、mp3、mp4、mpeg、mpga、wav、webm
- 调用入口
- POST /v1/audio/transcriptions；提交二进制 file
- 输出格式选项
- json、text、srt、verbose_json、vtt；默认 json
- 转写控制
- 可传 language、prompt；temperature 默认 0
原生格式说明与调用参数分别列示；本入口以文件转写为核心，不等同于实时语音对话。
核心能力
了解 whisper-1 能为你的工作带来什么。
文字与字幕分别交付
同一转写工作流可以按用途选择输出格式：text 适合直接进入编辑器，JSON 便于程序读取文字，SRT 与 VTT 适合字幕制作。选格式时应围绕最终交付物设计，避免先保存纯文本，再额外重建字幕结构与处理流程。
围绕文件组织调用
调用以音频文件为中心，不需要把录音转换成聊天消息。请求可携带语言与提示文本，方便应用组织转写上下文；提示应围绕录音内容准备，而不是当作自由创作指令。这样更容易将上传、转写、保存和人工校对串成稳定流程。
适用场景
从具体任务出发，找到模型发挥作用的位置。
采访与口述资料整理
将采访录音或口述材料作为文件提交，选择文本或 JSON 输出，得到便于检索与编辑的转写稿。编辑人员可据此定位主题、整理引用，并对人名、机构名和关键原话回听核实；文章结构与观点提炼可在转写完成后另行处理。
课程与影音字幕制作
为课程录音或影音素材选择 SRT、VTT 输出，将结果送入字幕编辑或播放工作流。交付前结合原素材检查断句、文字与时间对应关系；模型承担语音转写环节，字幕排版、视觉样式和成片导出仍由制作工具完成。
语音留言归档
把用户语音留言转成文字，供工单系统或资料库保存。应用可读取 JSON 中的 text，将转写内容关联到原音频，便于工作人员查阅和回听。分类、优先级判断与回复生成应另设处理步骤，不把转写结果直接当成业务决策。
如何选择这个模型
结合任务复杂度、输入材料与预期结果选择。
需要文字底稿时选择它
如果核心需求是处理已有录音，并交付原语言文字或字幕，whisper-1 的任务边界清晰。它不是普通问答模型，也不是语音合成模型：不会把文字念成音频，更不应承担自动写纪要的全部工作。先完成转写，再接摘要或编辑流程，更便于核对原话。
按版本与任务区分选择
whisper-1 是 API 调用名称，large-v2 是官方发布时对应的原生版本，不能理解为所有 Whisper 新版本的统称。比较其他转写型号时，建议用相同录音检查专有名词、断句和所需输出格式；若目标是英语翻译，也要区分原语言转写与独立翻译任务。
开始使用
从一次小规模任务到正式接入。
准备任务与材料
明确目标、必要输入与输出要求，使用真实业务样例作为起点。
在 API 调试区试用
打开试用页，确认此入口支持的参数，再提交小规模任务查看结果。
按 API 文档接入
保留完整模型 ID，使用文档规定的请求格式，并在 Pricing 页确认计费规则。
使用边界
在正式使用前，了解输出质量与能力范围。
- 转写文字不是自动生成的摘要、会议结论或说话人身份记录。多人录音需要区分发言者时，应单独安排说话人标注环节；不要仅凭转写文本推定每句话的归属，重要引用应保留与原音频的对应关系。
- 输入应使用音频文件，不要把 PDF、聊天文本或网页链接直接当成二进制 file 提交。通过 MCP 的音频 URL 工具调用时，也应与 HTTP 文件上传流程区分；文件准备和读取方式取决于采用的客户端。
- 文件转写不等于边录边识别的实时语音服务，字幕输出也不等于完成全部剪辑工作。需要实时交互、精细时间对齐或正式字幕交付时，应围绕实际音频测试流程，并安排回听与字幕编辑。
常见问题
解答使用 whisper-1 时的常见疑问。
whisper-1 与 Whisper large-v2 是什么关系？
whisper-1 是调用 API 时使用的模型名称，OpenAI 的 Whisper API 发布说明将其对应到 large-v2。两者分别描述调用名称与原生版本，不应把 whisper-1 当成所有 Whisper 版本的通用别名，也不能据此认定它就是最新版本。
中文录音会自动变成英文吗？
音频转写入口的任务是按原语言输出文字，不是默认翻译成英语。官方将原语言转写与英语翻译区分为不同任务。因此，处理中文录音时应按中文转写流程使用；如果需要英文稿，应另外安排翻译步骤。
能直接生成 SRT 或 VTT 字幕吗？
调用参数提供 srt 与 vtt 输出选项，可用于字幕工作流；纯文字任务则可选择 text 或 json。字幕生成后仍需结合音频检查内容、断句与时间对应，再交给字幕编辑或播放工具，不应直接视为已经完成的成片。
prompt 能让它把录音改写成文章吗？
prompt 是转写请求中的提示文本，不应把它当成通用写作指令。whisper-1 的核心交付物仍是音频文字稿。需要文章、摘要或行动项时，建议保留原始转写结果，再交给独立的文本处理步骤，避免混淆原话与加工内容。
应该上传文件，还是提交音频 URL？
直接调用 /v1/audio/transcriptions 时，需要提交二进制 file，并使用 whisper-1。若使用 MCP 客户端，可选择其从 URL 转写音频的工具。两种方式的输入组织不同，不要将 URL 字符串直接作为 HTTP 的二进制文件字段。
模型资料 · 更新日期：2026-10-01。调用参数与计费规则请查看 API 和定价栏目。