OpenAI 创建兼容版 Realtime 转录会话

创建转录会话

post /realtime/transcription_sessions

创建供客户端应用使用的临时 API 令牌，用于 Realtime API 的实时转录。可使用与客户端事件 transcription_session.update 相同的会话参数。

响应包含会话对象和 client_secret 字段，其中包含可用于浏览器客户端身份验证的临时 API 令牌，用于访问 Realtime API。

返回创建的 Realtime 转录会话对象及临时密钥。

请求体参数

内容类型为 application/json。

include: optional array of "item.input_audio_transcription.logprobs"

转录结果中需要包含的项目，目前可用项目如下。 item.input_audio_transcription.logprobs

"item.input_audio_transcription.logprobs"

input_audio_format: optional "pcm16" or "g711_ulaw" or "g711_alaw" (default: "pcm16")

输入音频格式，可选 pcm16、g711_ulaw 或 g711_alaw。使用 pcm16 时，输入必须是 24 kHz 采样率的 16 位 PCM 音频，采用单声道和小端字节序。

"pcm16"

"g711_ulaw"

"g711_alaw"

input_audio_noise_reduction: optional object { type }

输入音频降噪配置，设为 null 可关闭。降噪会在音频发送给 VAD 和模型前，对加入输入缓冲区的音频进行过滤。过滤音频能改善模型对输入的感知，提高 VAD 和话轮检测的准确率、减少误报，并改善模型表现。

type: optional NoiseReductionType

降噪类型。near_field 适用于耳机等近讲麦克风，far_field 适用于笔记本或会议室等远场麦克风。

"near_field"

"far_field"

input_audio_transcription: optional AudioTranscription

输入音频转录配置。客户端可设置语言和提示词，为转录服务提供额外引导。

delay: optional "minimal" or "low" or "medium" or 2 more

控制模型在输出转录文本前等待的时间。较高值可能提高转录准确率，但会增加延迟。仅在正式版 Realtime 会话使用 gpt-realtime-whisper 时支持。

"minimal"

"low"

"medium"

"high"

"xhigh"

keywords: optional array of string

用于引导输入音频转录的词语或短语，gpt-transcribe 和 gpt-live-transcribe 支持。

language: optional string

输入音频的语言。以 ISO-639-1 格式（例如 en）提供语言可改善准确率和延迟。

languages: optional array of string

输入音频可能使用的语言，采用 ISO-639-1 格式。gpt-transcribe 和 gpt-live-transcribe 支持。

minItems: 1

model: optional string or "whisper-1" or "gpt-transcribe" or "gpt-live-transcribe" or 5 more

转录模型，可选 whisper-1、gpt-transcribe、gpt-live-transcribe、gpt-4o-mini-transcribe、gpt-4o-mini-transcribe-2025-12-15、gpt-4o-transcribe、gpt-4o-transcribe-diarize 和 gpt-realtime-whisper。需要说话人标签时，可用 gpt-4o-transcribe-diarize。

string

"whisper-1" or "gpt-transcribe" or "gpt-live-transcribe" or 5 more

"whisper-1"

"gpt-transcribe"

"gpt-live-transcribe"

"gpt-4o-mini-transcribe"

"gpt-4o-mini-transcribe-2025-12-15"

"gpt-4o-transcribe"

"gpt-4o-transcribe-diarize"

"gpt-realtime-whisper"

prompt: optional string

可选文本，用于引导模型的表达风格，或续接此前的音频片段。对于 whisper-1，提示词为关键词列表。对于 gpt-4o-transcribe 系列（不含 gpt-4o-transcribe-diarize），提示词是自由文本，例如“预计包含技术相关词语”。正式版 Realtime 会话使用 gpt-realtime-whisper 时不支持提示词。

turn_detection: optional object { prefix_padding_ms, silence_duration_ms, threshold, type }

话轮检测配置，设为 null 可关闭。服务端 VAD 根据音量检测语音开始和结束，并在用户说话结束时响应。

prefix_padding_ms: optional integer

在 VAD 检测到语音之前一并保留的音频时长，单位为毫秒，默认为 300 毫秒。

silence_duration_ms: optional integer

判断语音结束所需的静音时长，单位为毫秒，默认为 500 毫秒。较短的时长可加快响应，但可能在用户短暂停顿时提前插入响应。

threshold: optional number

VAD 激活阈值范围为 0.0–1.0，默认 0.5。较高阈值要求更大的音量才能激活模型，因此可能更适合嘈杂环境。

type: optional "server_vad"

话轮检测类型，转录会话目前仅支持 server_vad。

"server_vad"

返回值

client_secret: object { expires_at, value }

API 返回的临时密钥，仅在通过服务端 REST API 创建会话时提供。

expires_at: integer

令牌过期的时间戳。目前所有令牌均在一分钟后过期。

format: unixtime

value: string

供客户端环境验证连接身份的临时密钥，用于 Realtime API。客户端应使用该临时密钥。标准 API 令牌仅供服务端使用。

input_audio_format: optional string

输入音频格式，可选 pcm16、g711_ulaw 或 g711_alaw。

input_audio_transcription: optional object { keywords, language, languages, 2 more }

转录模型配置。

keywords: optional array of string

已配置的、用于引导输入音频转录的词语或短语。

language: optional string or null

输入音频的语言。

languages: optional array of string

为转录配置的输入音频可能使用的语言，采用 ISO-639-1 格式。

minItems: 1

model: optional string or "whisper-1" or "gpt-transcribe" or "gpt-live-transcribe" or 5 more

string

"whisper-1" or "gpt-transcribe" or "gpt-live-transcribe" or 5 more

"whisper-1"

"gpt-transcribe"

"gpt-live-transcribe"

"gpt-4o-mini-transcribe"

"gpt-4o-mini-transcribe-2025-12-15"

"gpt-4o-transcribe"

"gpt-4o-transcribe-diarize"

"gpt-realtime-whisper"

prompt: optional string

为输入音频转录配置的提示词（如有）。

modalities: optional array of "text" or "audio"

模型可用于响应的模态集合。如需禁用音频，设为 ["text"]。

"text"

"audio"

turn_detection: optional object { prefix_padding_ms, silence_duration_ms, threshold, type }

话轮检测配置，可设为 null 关闭。服务端 VAD 表示模型根据音量检测语音的开始与结束，并在用户说话结束时响应。

prefix_padding_ms: optional integer

在 VAD 检测到语音之前一并保留的音频时长，单位为毫秒，默认为 300 毫秒。

silence_duration_ms: optional integer

判断语音结束所需的静音时长，单位为毫秒，默认为 500 毫秒。较短的时长可加快响应，但可能在用户短暂停顿时提前插入响应。

threshold: optional number

VAD 激活阈值范围为 0.0–1.0，默认 0.5。较高阈值要求更大的音量才能激活模型，因此可能更适合嘈杂环境。

type: optional string

话轮检测类型，目前仅支持 server_vad。

示例

## 设置 OPENAI_API_KEY，并根据示例替换文件路径或会话参数。
curl https://api.openai.com/v1/realtime/transcription_sessions \
    -H 'Content-Type: application/json' \
    -H "Authorization: Bearer $OPENAI_API_KEY" \
    -d '{}'

200 响应示例

{
  "client_secret": {
    "expires_at": 0,
    "value": "value"
  },
  "input_audio_format": "input_audio_format",
  "input_audio_transcription": {
    "keywords": [
      "string"
    ],
    "language": "language",
    "languages": [
      "string"
    ],
    "model": "gpt-transcribe",
    "prompt": "prompt"
  },
  "modalities": [
    "text"
  ],
  "turn_detection": {
    "prefix_padding_ms": 0,
    "silence_duration_ms": 0,
    "threshold": 0,
    "type": "type"
  }
}

示例

## 设置 OPENAI_API_KEY，并根据示例替换文件路径或会话参数。
curl -X POST https://api.openai.com/v1/realtime/transcription_sessions \
  -H "Authorization: Bearer $OPENAI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{}'

响应示例

{
  "id": "sess_BBwZc7cFV3XizEyKGDCGL",
  "object": "realtime.transcription_session",
  "modalities": ["audio", "text"],
  "turn_detection": {
    "type": "server_vad",
    "threshold": 0.5,
    "prefix_padding_ms": 300,
    "silence_duration_ms": 200
  },
  "input_audio_format": "pcm16",
  "input_audio_transcription": {
    "model": "gpt-4o-transcribe",
    "language": null,
    "prompt": ""
  },
  "client_secret": {
    "value": "ek_abc123",
    "expires_at": 1742188264
  }
}