Speech-to-text API

Ét API til transskription, oversættelse, undertekster og analyse

De fleste talegenkendelses-API'er stopper ved rå tekst, mens Sonix' API returnerer en transskription, der allerede er struktureret til det, du bygger bagefter.

Alle funktioner nedenfor er dokumenterede endpoints, så den transskription, du henter, kan blive til undertekster, en oversættelse, et redigeret lydklip eller et resumé uden at forlade API'et.

Batch-transskription

Send en fil med POST til /v1/media, eller angiv en file_url for alt over 100MB, så transskriberer Sonix den asynkront. Vælg sproget, tilføj keywords for at styre genkendelsen mod navne og fagsprog, vedhæft custom_data med dine egne ID'er, og angiv en callback_url, så Sonix giver din server besked, i samme øjeblik jobbet er færdigt eller fejler. Optagelser, hvor hver taler ligger isoleret på sin egen kanal, kan bruge multitrack-endpointet til kanalbaseret talergenkendelse.

Oversættelse

Når en transskription er færdig, sender du en målsprogskode med POST til dens translations-endpoint, og Sonix returnerer en oversat transskription på et af 54+ sprog. Transskriptions-endpoints tager en language-parameter, så en spansk SRT-fil af et engelsk interview kræver blot én GET-request, når oversættelsen er færdig.

Undertekster og captions

SRT- og VTT-endpoints returnerer undertekstfiler med reelle visningsindstillinger: max_characters og max_duration begrænser hver undertekst, subtitle_lines vælger en eller to linjer, og speaker_display bestemmer, hvordan talernavne vises. Split-endpointet ombryder en hel transskription til undertekster under en læsehastighedsgrænse i max_cps, og burn-in-endpointet brænder underteksterne ind i selve videoen med den skrifttype, størrelse, farve og det billedformat, du vælger, herunder 9:16 og 1:1 til sociale medier.

Eksporter og strukturerede data

Hent enhver transskription som JSON med start- og sluttid for hvert ord og talerlabels, som ren tekst, som Word-dokument eller PDF klar til deling, som SRT eller VTT eller som en Avid DS-fil til videoredigering. Endpointet til medieeksport går et skridt videre: det klipper selve lyden eller videoen ned til dine highlights eller fjerner alt, du har overstreget, som MP3, WAV eller MP4.

AI-analyse

Opsummerings-endpointet kører analyse på en færdig transskription: et resumé med det antal sætninger, du vælger, kapitler, stemning, tematisk analyse og emneanalyse, udtræk af entiteter eller din egen prompt, for eksempel "Skriv 5 salgsfremmende tweets om denne podcast".

Callbacks og webhooks

Ingen polling-løkker. Medie- og opsummeringsjobs accepterer en callback_url, og Sonix sender jobstatus til den med POST, når arbejdet er færdigt eller fejler. Til teams, der automatiserer i stor skala, tilføjer Pro- og Enterprise-abonnementerne event-webhooks: abonnér på færdig transskription, færdig oversættelse, ændringer i labels og mapper samt udført redaktion, hver signeret med HMAC-SHA256 i en X-Webhook-Signature-header, så din server kan verificere, at hver payload kommer fra Sonix.

Streaming i realtid

Til live-undertekster og speech-to-text med lav latenstid tilbyder Sonix et streaming-API over WebSocket, i early access for enterprise-teams. Anmod om adgang på siden om transskription i realtid. Batch-transskription er fuldt dokumenteret og selvbetjent allerede i dag.

Fra lydfil til transskription med tre API-kald

Godkend dig med et Bearer-token mod https://api.sonix.ai/v1, send filen, og hent derefter transskriptionen i det format, du har brug for.

Send filen

Send mediet som multipart form data med sprog, et navn og eventuelt keywords og 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]"}'

Tjek status eller vent på callback

Poll medieobjektet, indtil status er completed, eller spring trinnet over og vent på din callback_url:

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

Hent transskriptionen med tidsstempler

Anmod om JSON-transskriptionen, eller skift endelsen ud med .srt, .vtt eller ren tekst:

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

Optagelse på flere sprog? Sæt language=multi og angiv de forventede sprog i language_hints. Den fulde parameteroversigt, response bodies og fejlkoder finder du i API-dokumentationen.

Byg eller køb: et transskriptions-API eller selvhostet Whisper

Open source-talemodeller har gjort det til en reel mulighed at køre transskription selv, og for nogle teams er det det rigtige valg. For de fleste er modellen den mindste del af arbejdet.

Hvad selvhosting reelt koster

Modellen er gratis at downloade, men drift i produktion er det ikke. Selvhosting betyder GPU-kapacitet, der står ubrugt mellem jobs eller bukker under ved spidsbelastning, en kø med retries og fejlhåndtering, sikker lagring af lyden og overvågning af det hele. Det er et løbende infrastrukturprojekt med vagtordning. Med et transskriptions-API er omkostningen en takst for den lyd, du faktisk behandler, og integrationen er de tre kald ovenfor.

Det, du skal bygge omkring modellen

En rå talemodel returnerer tekst, og produkter har brug for mere end tekst. Talerlabels, linjeopdeling af undertekster med grænser for læsehastighed, oversættelse, indbrændte undertekster, medieeksport og resuméer er hver især et separat system, der skal bygges og vedligeholdes omkring modellen. Sonix' API returnerer dem alle fra én dokumenteret flade.

Nøjagtighed og vedligeholdelse af sprog

En selvhostet model bliver på det checkpoint, du deployede, og hver opgradering er en migrering, du selv står for og skal benchmarke igen på din egen lyd. Sonix vedligeholder modellerne bag API'et, leverer 99% nøjagtighed på klar lyd på 54+ sprog, håndterer filer med blandede sprog i én request og tager keywords pr. request, så du kan styre genkendelsen mod navne og fagsprog uden at træne noget.

Compliance følger med produktet

Hvis kunders lyd passerer gennem din pipeline, gør dine revisorer det også. Sonix er SOC 2 Type II-certificeret, HIPAA-kompatibel med en underskrevet BAA og GDPR-kompatibel med en databehandleraftale og SCC'er. Data krypteres med TLS under transit og AES-256 i hvile og bruges aldrig til at træne modeller. Detaljerne står på siden om sikkerhed.

Når selvhosting giver mening

Selvhosting vinder, når lyden kontraktligt ikke må forlade din infrastruktur, når du kører air-gapped miljøer, eller når et ML-team tilpasser modeller som sit daglige arbejde, og en stabil volumen holder dedikerede GPU'er beskæftiget. Passer ingen af dem på dig, kommer du hurtigere i produktion med et API, og en gratis prøveperiode viser forskellen på din egen lyd, før du forpligter dig.

Fire ting, teams bygger med Sonix' API

De fleste integrationer følger et af fire mønstre, og hvert af dem kører på de dokumenterede endpoints ovenfor.

Medie- og indholdspipelines

Kobl transskription på dit CMS eller din videopipeline, så hver upload får en søgbar transskription og SRT- eller VTT-undertekster, på originalsproget og oversat. Medieteams bruger det til at gøre hele arkiver søgbare og tilgængelige uden et manuelt undertekstningstrin.

Møde- og opkaldsplatforme

Transskribér optagne møder og opkald med talerlabels, og kør derefter resuméer, kapitler og stemningsanalyse på hver enkelt. Når hver taler ligger på sin egen kanal, adskiller multitrack-endpointet agenten præcist fra kunden, og det er netop det, kvalitets- og compliance-gennemgange kræver.

Research- og analyseværktøjer

Send interviews og fokusgrupper ind, efterhånden som de kommer, få transskriptioner med talerlabels og tidsstempler tilbage, og kør den analyse, du har brug for, på hver enkelt. Tidsstemplerne gør hvert citat sporbart til sit sted i den oprindelige optagelse.

Tilgængelighedsarbejdsgange

Generér undertekster, der overholder reelle visningsgrænser for tegn, varighed og læsehastighed, brænd dem ind i video til platforme uden understøttelse af undertekster, og oversæt dem til et globalt publikum. Teams i sundhedssektoren og den offentlige sektor kører det på Sonix' SOC 2 Type II- og HIPAA-kompatible infrastruktur.

Ingen kode nødvendig: MCP-serveren, CLI'en og Zapier

Ikke alle integrationer er en applikation, så Sonix tilbyder også en MCP-server til AI-assistenter, et kommandolinjeværktøj og en Zapier-app.

Sonix' MCP-server på https://api.sonix.ai/mcp lader MCP-kompatible assistenter som Claude, ChatGPT, Cursor og Codex gennemse dit mediebibliotek, hente transskriptioner ind i en samtale og generere eksporter på dine vegne. Den er skrivebeskyttet, og du logger ind med OAuth 2.1 i din browser: godkend forbindelsen én gang, uden nogen API-nøgle at indsætte.

Til scripting pakker den officielle Sonix CLI (npm install -g @sonix-ai/cli) REST API'et ind i terminalkommandoer med --wait til at polle et job, indtil det er færdigt, --json til at pipe videre til andre værktøjer og --format til output i txt, SRT, VTT, JSON eller Avid DS. Den er også bygget til AI-kodeagenter: sonix agent-context udskriver hele kommandofladen som JSON i ét kald. Opsætningen står i CLI-dokumentationen.

Foretrækker du helt at slippe for kode? Sonix på Zapier forbinder Sonix med tusindvis af apps, og siden med integrationer viser alle native forbindelser.

API-priserne følger webappen

Der er ingen separat API-prisliste: brug af API'et trækker på de samme timer som uploads i webappen og faktureres efter den lyd, du behandler, afregnet pr. sekund.

API-adgang er inkluderet i abonnementerne Core, Advanced, Pro og Enterprise. Core koster $25 om måneden med 5 timers transskription og oversættelse inkluderet, og ekstra timer koster $10 i timen på alle abonnementer. Pro og Enterprise tilføjer event-webhooks, så dine systemer reagerer, i samme øjeblik en transskription er klar. Sammenlign alle abonnementer på siden med priser.

Sikkerhed bygget til reguleret lyd

API'et kører på den samme infrastruktur, som bærer Sonix' SOC 2 Type II-, HIPAA- og GDPR-compliance.

Data krypteres med TLS under transit og AES-256 i hvile, du kan generere en ny API-nøgle fra din konto når som helst, og kunders lyd og transskriptioner bruges aldrig til at træne modeller. Certificeringer og aftaler står på siden om sikkerhed.