API de fala para texto

Uma API para transcrição, tradução, legendas e análise

A maioria das APIs de reconhecimento de fala para no texto bruto, enquanto a API do Sonix devolve uma transcrição já estruturada para o que você for construir em seguida.

Cada recurso abaixo é um endpoint documentado, então a transcrição que você busca pode virar legendas, uma tradução, um trecho de áudio editado ou um resumo sem sair da API.

Transcrição em lote

Faça um POST do arquivo em /v1/media, ou passe um file_url para qualquer arquivo acima de 100MB, e o Sonix o transcreve de forma assíncrona. Defina o idioma, adicione keywords para orientar o reconhecimento em nomes e jargões, anexe custom_data com seus próprios IDs e informe um callback_url para que o Sonix avise o seu servidor assim que o job for concluído ou falhar. Gravações com cada locutor isolado em um canal separado podem usar o endpoint multitrack para identificar os locutores por canal.

Tradução

Com a transcrição concluída, faça um POST com o código do idioma de destino no endpoint de traduções dela, e o Sonix devolve a transcrição traduzida em qualquer um dos 54+ idiomas. Os endpoints de transcrição aceitam um parâmetro language, então um SRT em espanhol de uma entrevista em inglês é uma única requisição GET depois que a tradução termina.

Legendas e closed captions

Os endpoints de SRT e VTT devolvem arquivos de legenda com controles reais de apresentação: max_characters e max_duration limitam cada legenda, subtitle_lines define uma ou duas linhas e speaker_display decide como os nomes dos locutores aparecem. O endpoint split redistribui uma transcrição inteira em legendas dentro de um limite de velocidade de leitura max_cps, e o endpoint de burn-in grava as legendas no próprio vídeo com a fonte, o tamanho, a cor e a proporção que você escolher, incluindo 9:16 e 1:1 para redes sociais.

Exportações e dados estruturados

Busque qualquer transcrição em JSON, com tempo de início e fim de cada palavra e identificação de locutores, em texto simples, como documento do Word ou PDF prontos para compartilhar, em SRT ou VTT, ou como arquivo Avid DS para editores de vídeo. O endpoint de exportação de mídia vai além: corta o próprio áudio ou vídeo para manter só os seus destaques, ou remove tudo o que você riscou, em MP3, WAV ou MP4.

Análise com IA

O endpoint de resumo roda análises sobre uma transcrição concluída: um resumo com o número de frases que você escolher, capítulos, sentimento, análise temática e de tópicos, extração de entidades ou um prompt personalizado seu, como "Escreva 5 tweets promocionais para este podcast".

Callbacks e webhooks

Nada de loops de polling. Os jobs de mídia e de resumo aceitam um callback_url, e o Sonix faz um POST com o status do job assim que o trabalho é concluído ou falha. Para equipes que automatizam em escala, os planos Pro e Enterprise adicionam webhooks de eventos: assine transcrição concluída, tradução concluída, alterações de etiquetas e pastas e redação aplicada, cada um assinado com HMAC-SHA256 em um cabeçalho X-Webhook-Signature para que o seu servidor confirme que cada payload veio do Sonix.

Streaming em tempo real

Para legendas ao vivo e fala para texto com baixa latência, o Sonix oferece uma API de streaming via WebSocket, em acesso antecipado para equipes corporativas; solicite acesso na página de transcrição em tempo real. A transcrição em lote já está totalmente documentada e disponível em autoatendimento.

Do arquivo de áudio à transcrição em três chamadas de API

Autentique-se com um token Bearer em https://api.sonix.ai/v1, envie o arquivo e depois busque a transcrição no formato de que você precisa.

Envie o arquivo

Envie a mídia como multipart form data com o idioma, um nome e, se quiser, keywords e custom_data:

curl -XPOST https://api.sonix.ai/v1/media -H "Authorization: Bearer <API Key>"  \
    -F file=@my_audio.mp3 \
    -F language=en \
    -F name='Podcast Episode 45' \
    -F keywords='Sonix, Bergamasco, Kairos, Chewbacca' \
    -F custom_data='{"internal_id": "123412", "customer_email": "[email protected]"}'

Consulte o status ou aguarde o callback

Consulte o objeto de mídia até o status ficar completed, ou pule esta etapa e aguarde o seu callback_url:

curl -XGET https://api.sonix.ai/v1/media/qmnY1nD5 -H "Authorization: Bearer <API Key>"

Busque a transcrição com marcações de tempo

Solicite a transcrição em JSON, ou troque a extensão por .srt, .vtt ou texto simples:

curl -XGET https://api.sonix.ai/v1/media/qmnY1nD5/transcript.json -H "Authorization: Bearer <API Key>"

Gravação em vários idiomas? Defina language=multi e liste os idiomas esperados em language_hints. A referência completa de parâmetros, os corpos de resposta e os códigos de erro estão na documentação da API.

Criar ou contratar: uma API de transcrição ou Whisper auto-hospedado

Os modelos de fala open source tornaram viável rodar a transcrição por conta própria, e para algumas equipes esse é o caminho certo; para a maioria, o modelo é a menor parte do trabalho.

O custo real da auto-hospedagem

Baixar o modelo é grátis, mas colocá-lo em produção não. Hospedar por conta própria significa capacidade de GPU ociosa entre um job e outro ou que cai nos picos, uma fila com novas tentativas e tratamento de falhas, armazenamento seguro para o áudio e monitoramento de tudo isso. É um projeto de infraestrutura contínuo, com escala de plantão. Com uma API de transcrição, o custo é uma tarifa sobre o áudio que você realmente processa, e a integração são as três chamadas acima.

O que você reconstrói em volta do modelo

Um modelo de fala bruto devolve texto, e produtos precisam de mais do que texto. Identificação de locutores, quebra de legendas com limites de velocidade de leitura, tradução, legendas gravadas no vídeo, exportações de mídia e resumos são, cada um, um sistema separado para construir e manter em volta do modelo. A API do Sonix entrega todos eles em uma única interface documentada.

Precisão e manutenção de idiomas

Um modelo auto-hospedado fica parado no checkpoint que você implantou, e cada atualização é uma migração que fica por sua conta e precisa ser reavaliada com o seu próprio áudio. O Sonix mantém os modelos por trás da API, entrega 99% de precisão em áudio limpo em 54+ idiomas, processa arquivos com vários idiomas em uma única requisição e aceita keywords por requisição para que você oriente o reconhecimento em nomes e jargões sem treinar nada.

A conformidade já vem com o produto

Se o áudio dos seus clientes passa pelo seu pipeline, seus auditores também passam. O Sonix tem certificação SOC 2 Type II, conformidade com a HIPAA com BAA assinado e conformidade com o GDPR com DPA e SCCs. Os dados são criptografados com TLS em trânsito e AES-256 em repouso e nunca são usados para treinar modelos. A página de segurança traz os detalhes.

Quando a auto-hospedagem compensa

Hospedar por conta própria vale a pena quando o áudio não pode sair da sua infraestrutura por contrato, quando você opera ambientes isolados (air-gapped) ou quando uma equipe de ML vive de personalizar modelos e um volume constante mantém GPUs dedicadas ocupadas. Se nenhum desses casos é o seu, uma API leva você à produção mais rápido, e um teste gratuito mostra a diferença no seu próprio áudio antes de qualquer compromisso.

Quatro coisas que as equipes constroem com a API do Sonix

A maioria das integrações segue um destes quatro padrões, e todos rodam nos endpoints documentados acima.

Pipelines de mídia e conteúdo

Integre a transcrição ao seu CMS ou pipeline de vídeo para que cada upload ganhe uma transcrição pesquisável e legendas em SRT ou VTT, no idioma original e traduzidas. Equipes de mídia usam isso para tornar acervos inteiros pesquisáveis e acessíveis sem uma etapa manual de legendagem.

Plataformas de reuniões e chamadas

Transcreva reuniões e chamadas gravadas com identificação de locutores e depois gere resumos, capítulos e análise de sentimento para cada uma. Quando cada locutor está em um canal separado, o endpoint multitrack separa com exatidão o atendente do cliente, exatamente o que as revisões de qualidade e de compliance precisam.

Ferramentas de pesquisa e análise

Envie entrevistas e grupos focais à medida que chegam, receba transcrições com locutores identificados e marcações de tempo, e faça a análise de que você precisa em cada uma. As marcações de tempo permitem rastrear cada citação até o momento exato na gravação original.

Fluxos de acessibilidade

Gere legendas que respeitam limites reais de apresentação em caracteres, duração e velocidade de leitura, grave-as no vídeo para plataformas sem suporte a legendas e traduza-as para públicos do mundo todo. Equipes de saúde e do setor público fazem isso na infraestrutura do Sonix com SOC 2 Type II e conformidade com a HIPAA.

Sem código: o servidor MCP, a CLI e o Zapier

Nem toda integração é um aplicativo, por isso o Sonix também oferece um servidor MCP para assistentes de IA, uma ferramenta de linha de comando e um app para o Zapier.

O servidor MCP do Sonix em https://api.sonix.ai/mcp permite que assistentes compatíveis com MCP, como Claude, ChatGPT, Cursor e Codex, naveguem pela sua biblioteca de mídia, tragam transcrições para uma conversa e gerem exportações em seu nome. Ele é somente leitura, e o login é feito via OAuth 2.1 no seu navegador: aprove a conexão uma vez, sem chave de API para colar.

Para scripts, a CLI oficial do Sonix (npm install -g @sonix-ai/cli) encapsula a API REST em comandos de terminal, com --wait para acompanhar um job até o fim, --json para encadear com outras ferramentas e --format para saída em txt, SRT, VTT, JSON ou Avid DS. Ela também foi feita para agentes de programação com IA: sonix agent-context imprime todos os comandos em JSON em uma única chamada. A configuração está na documentação da CLI.

Prefere não programar nada? O Sonix no Zapier conecta o Sonix a milhares de aplicativos, e a página de integrações lista todas as conexões nativas.

O preço da API é o mesmo do app web

Não existe tabela de preços separada para a API: o uso da API consome as mesmas horas que os uploads pela web e é cobrado pelo áudio que você processa, proporcional ao segundo.

O acesso à API está incluído nos planos Core, Advanced, Pro e Enterprise. O Core custa $25 por mês com 5 horas de transcrição e tradução incluídas, e as horas adicionais em qualquer plano custam $10 por hora. Os planos Pro e Enterprise adicionam webhooks de eventos, para que os seus sistemas reajam no instante em que uma transcrição fica pronta. Compare todos os planos na página de preços.

Segurança feita para áudio regulado

A API roda na mesma infraestrutura que sustenta a conformidade do Sonix com SOC 2 Type II, HIPAA e GDPR.

Os dados são criptografados com TLS em trânsito e AES-256 em repouso, você pode gerar uma nova chave de API na sua conta a qualquer momento, e o áudio e as transcrições dos clientes nunca são usados para treinar modelos. Certificações e acordos estão na página de segurança.