Nemotron 3.5 Transcribe API 参数文档

价格

金额 = 音频时长(向上取整到秒)÷ 60 × $0.0025,时长由我们在建任务时测量。时间戳、说话人标签和翻译不另收费。金额最小单位是 $0.0001,不足的按 $0.0001 收(约 2 秒以内的音频)。读不出音频时长的请求直接返回 400、不扣费;任务失败不扣费。

认证

所有请求在 Header 携带 API Key:

Authorization: Bearer YOUR_API_KEY

创建任务与查询结果

# Nemotron 3.5 Transcribe — speech to text. audio_url is the only required input.
# timestamps: true adds word-level times and speaker labels to the full result file.
# Billed $0.0025 per minute of audio, prorated by the second.
curl -X POST https://api.apimodels.app/v1/audio/generations \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "nemotron-3.5-transcribe",
    "audio_url": "https://example.com/meeting.mp3",
    "timestamps": true
  }'

# Response (async — a task is created):
# { "code": 200, "msg": "success", "data": { "taskId": "clxxx", "state": "pending",
#     "model": "nemotron-3.5-transcribe", "reservedCredits": 0.025, "currency": "USD" } }

# Poll every few seconds until completed
curl "https://api.apimodels.app/v1/audio/generations?task_id=TASK_ID" \
  -H "Authorization: Bearer YOUR_API_KEY"
# { "code": 200, "data": { "state": "completed",
#     "resultUrls": ["https://r2.apimodels.app/transcripts/clxxx.json"],
#     "resultJson": "{\"text\":\"Thanks for joining...\",\"duration\":600.2,\"transcript_url\":\"https://r2.apimodels.app/transcripts/clxxx.json\",\"task\":\"transcribe\"}" } }

任务状态依次是 pending → processing → completed 或 failed。这是整段离线转写,不支持实时流式,处理过程中不会返回部分结果。我们自己实测一段 47 秒、两人对话的英文音频(带时间戳)约 4 秒返回,143 个词各带起止时间和说话人标签;这是一次实测,不是承诺,更长的文件需要更久。failed 时原因在 data.failMsg,费用自动退回。

参数

没有源语言参数:语种自动识别。也没有提示词、热词或输出格式参数;要 SRT / VTT 字幕,用 timestamps: true 拿到逐词时间后自行拼装。

结果字段

任务完成后,查询结果和回调里的 data.resultJson 是一个 JSON 字符串,JSON.parse 一次后得到下面的结构。text 是完整转写(设了 target_language 时是译文);transcript_url 指向完整结果 JSON,同一个地址也在 data.resultUrls[0]。

// JSON.parse(data.resultJson) on a completed task
{
  "resultUrls": ["https://r2.apimodels.app/transcripts/clxxx.json"],
  "text": "Thanks for joining. Let's start with the roadmap...",   // full transcript, or the translation
  "duration": 47.2,                                                // seconds of audio
  "transcript_url": "https://r2.apimodels.app/transcripts/clxxx.json",
  "task": "transcribe"                                             // or "translate"
  // "silent": true      almost no speech was found; text is empty
  // "truncated": true   the output hit its ceiling, usually repetition; discard or review
}

完整结果 JSON(transcript_url)的结构如下。后三个字段只有 timestamps: true 时才有;中文的 words 是逐字。这个文件和其它结果文件一样保留 30 天,请及时下载或转存。

// The file at transcript_url (kept 30 days)
{
  "task": "transcribe",
  "duration": 47.2,
  "text": "Thanks for joining. Let's start with the roadmap...",
  // The three keys below are present only with timestamps: true
  "text_with_speakers": "<spk:0> Thanks for joining. <spk:1> Let's start with the roadmap...",
  "words": [
    { "word": "Thanks", "start": 0.32, "end": 0.61, "speaker": "0" },
    { "word": "for", "start": 0.61, "end": 0.74, "speaker": "0" }
  ],
  "diarization": [
    { "speaker": 0, "start": 0.32, "end": 1.83 }
  ]
}

回调(callback_url)

不想轮询就在创建请求里传 callback_url。任务到达 completed 或 failed 时,我们向这个地址发一个 HTTP POST(JSON)。投递失败会按指数退避重试,30 分钟内持续重试,直到你的接口返回 2xx。回调地址必须公网可达,localhost 和内网地址在创建时就返回 400。轮询接口照常可用。

POST {your callback_url}
Content-Type: application/json

{
  "code": 200,
  "msg": "success",
  "data": {
    "taskId": "clxxx...",
    "model": "nemotron-3.5-transcribe",
    "state": "completed",                 // or "failed"
    "param": "<JSON string>",             // your request, JSON.parse once
    "resultJson": "<JSON string> | null", // {"text": "...", "duration": 47.2, "transcript_url": "https://...json"}, JSON.parse once
    "failCode": null,
    "failMsg": null
  }
}

支持的语言

• 转写(40 种,自动识别) — 英语、中文普通话、日语、韩语、法语、德语、西班牙语、葡萄牙语、意大利语、俄语、荷兰语、波兰语、捷克语、斯洛伐克语、印地语、保加利亚语、克罗地亚语、丹麦语、爱沙尼亚语、芬兰语、匈牙利语、拉脱维亚语、立陶宛语、罗马尼亚语、斯洛文尼亚语、瑞典语、泰语、土耳其语、乌克兰语、阿拉伯语、孟加拉语、希腊语、希伯来语、印尼语、马耳他语、马拉地语、他加禄语、泰米尔语、泰卢固语、越南语。
• 翻译(target_language,32 个代码) — en zh ja ko fr de es pt it ru nl pl cs sk hi bg hr da et fi hu lv lt ro sl sv th uk ar el he mt。只保证与英语互译;两种非英语之间直接互译不保证质量。

限制

• 整段离线转写,不支持实时流式。
• 单次最长 60 分钟、最大 200 MB;更长的录音切开后分段提交。
• 时间戳(timestamps: true)和翻译(target_language)不能同用,同用返回 400。
• 说话人标签最多区分 8 人;音色相近的说话人可能被合并成一个。
• 词级时间戳的结束时间误差通常在几十毫秒,开始时间可能偏差约 0.5 秒,英文更明显。
• 同一段音频多次转写,个别字词可能不同。
• 中文结果里外国人名常被音译,部分数字可能写成汉字。
• silent: true 表示几乎没有声音,text 为空;truncated: true 表示输出到达上限(通常是重复),建议丢弃或人工复核。

常见报错

参数问题在创建时同步返回 400({"code": 400, "msg": "..."}),不会建任务、不扣费。下表 msg 是当前原文(N 为实际数值)。

处理阶段的失败以 state: failed 结束,原因在 data.failMsg,费用自动退回。常见的几种:

• 401:API Key 缺失或无效。
• 402:余额不足以支付这段音频的费用。

说明

• audio_url 要用任何人都能直接下载的地址;需要登录的网盘链接、几分钟就过期的临时链接会导致任务失败。
• 结果文件(transcript_url)保留 30 天后自动删除,请及时下载或转存。
• 请只上传你有权处理的录音。

试一试:Playground;用例、价格例子和常见问题见 Nemotron 3.5 Transcribe 模型页。

参考资料

模型事实(发布日期、支持的语言、说话人数量)和评测数字来自 NVIDIA 发布的资料。按 NVIDIA 技术报告公布的词错率(WER,越低越好;不是本站实测),Nemotron 3.5 Transcribe 对 Whisper-large-v3:Open ASR 9 个英文测试集平均 4.71% 对 6.66%,长音频(Earnings21/22 与 CORAAL 平均)10.98% 对 13.92%,AMI 会议录音 7.81% 对 13.63%,7 种语言平均 4.62% 对 7.94%。

• NVIDIA Nemotron 3.5 Transcribe 技术报告(2026 年 10 月 28 日;表 6、7、9 为词错率)
• Hugging Face 上的 Nemotron 3.5 Transcribe 模型卡
• NVIDIA 发布文章:NVIDIA Nemotron 3.5 Transcribe and Granary v2: Intelligent Multilingual Transcription You Can Prompt and Adapt(2026 年 10 月 28 日)
• Hugging Face Open ASR Leaderboard(对照模型数字的来源)

相关