OpenRouter 语音转文字 API 上线：聊天和转录一个 Key 搞定
OpenRouter 刚刚干了一件挺实在的事——把语音转录直接塞进了它现有的 API 里。从 7 月 22 日起，开发者可以用同一个 Bearer Key，既跟模型聊天，又能把音频转成文字。
以前做语音转录，总得东拼西凑：聊天用 OpenRouter，转录得另起一个 Whisper 服务，或者再集成个第三方的 SDK。现在好了，OpenRouter 新上线的 POST /api/v1/audio/transcriptions 端点，让这一切合二为一。你只需把音频用 base64 编码发过去，就能拿到转录好的文本和使用详情。
两种模型，按需选择
在模型方面，OpenRouter 提供了两条路：一是像 openai/whisper-1 这样的 Whisper 类模型，按音频时长（每秒）计费；二是更新的 STT 模型，按 Token 计费。不过要注意，STT 模型不会出现在默认的模型列表里，得通过 ?output_modalities=transcription 参数才能筛选出来。
调用简单，兼容 OpenAI
调用方式也很直接：把音频文件 base64 编码，带上模型和格式信息，POST 过去，就能从响应里拿到文本和用量。OpenRouter 特别提醒，data 字段要的是纯 base64 字节，别加 data:audio/mp3;base64 前缀。如果你已经有现成的 OpenAI 客户端，只需把 base URL 改成 https://openrouter.ai/api/v1，就能直接用了，代码一行都不用改。
参数细节与高级功能
必填字段包括 model、input_audio.data 和 input_audio.format。支持的音频格式有 wav、mp3、flac、m4a、ogg、webm、aac 等。语言代码用 ISO-639-1 格式，不填的话会自动检测。temperature 参数控制采样随机性，范围 0 到 1。response_format 默认返回 JSON，设为 verbose_json 还能拿到任务、语言、时长和分段时间戳等信息。如果再把 timestamp_granularities 设为 word，甚至能拿到每个词的时间戳。不过这些高级功能只在 OpenAI、Groq、Together 等兼容 OpenAI 的提供商上有效，其他提供商会直接返回 400 错误。
provider 块可以用来传递各提供商的私有参数，比如 Groq 可以通过 provider.options.groq.prompt 传入期望词汇，帮助模型正确处理专有名词，避免把技术术语念错。
计费与路由
响应里会包含 usage 对象，让你精确知道每次请求花了多少钱。文档里举了个例子：一段 9.2 秒的音频，产生了 113 个 Token（83 个输入，30 个输出），费用是 0.000508 美元。当然，实际费用取决于你选的模型和音频长度。
路由逻辑跟聊天一样：如果一个转录模型有多个提供商托管，OpenRouter 会根据价格自动负载均衡，避免你被单一供应商绑定。不过，转录端点目前还不支持按请求控制路由，聊天里那些 order、only、allow_fallbacks 等字段在这里都不管用。
OpenRouter 明确表示不会在提供商定价上加价，列表价格就是你的实际支付价格。如果转录失败，也不会收费。如果你有自己的提供商协议，还可以用 BYOK 功能，用自己的 Key 进行路由，只付平台费，省掉模型成本。而且，可变计费模式下，每月前 100 万次请求的平台费是免的。
四个必须注意的限制
在实际开发前，有四个限制得先想清楚：
- 60 秒上游超时：这个超时是指处理时间，不是音频长度。所以大文件或未压缩的录音可能会超时，长音频最好切成段，再拼接文本。
- 不支持音频 URL：端点只接受 base64 JSON 或 OpenAI 风格的多部分文件，且不超过 25MB。
- 不支持 SRT/VTT 格式输出：
srt、vtt、text这些格式会被拒绝，返回 400 错误。时间戳只能通过verbose_json获取，字幕得自己用时间戳拼。 - 格式支持因提供商而异：wav 是最通用的安全选择，压缩格式如 mp3 能生成更小、更快的负载。几个小时的录音，比如一整晚的游戏实况，没法一次调用搞定，必须分块处理。
什么时候用转录，什么时候用聊天？
最后，OpenRouter 也帮你理清了场景：如果只是把音频转成文字，用 /audio/transcriptions；如果想让模型理解音频内容，比如分析客服电话的情绪、回答关于音频的问题，或者在同一提示里结合音频和其他模态，那就用 /chat/completions 里的 input_audio 内容类型。文本转语音则是另一个独立的端点。
一个 Key 既能聊天又能听写，给应用加上语音能力的门槛，确实又低了一截。
Key Points
- OpenRouter 在同一个 API 中集成了语音转录功能，使用相同的 Bearer Key。
- 支持 Whisper 类模型（按秒计费）和 STT 模型（按 Token 计费）。
- 兼容 OpenAI 格式，现有客户端只需修改 base URL 即可使用。
- 支持自动负载均衡，不锁定单一供应商。
- 有 60 秒处理超时、25MB 文件大小等限制，长音频需分块处理。