/filters:quality(82)/media/images/1773962750924385948_Ty3dmwFP.webp)
Speech to Text
Transcribe speech and audio into text.
おすすめ
nvidia/nemotron-3.5-asr
NVIDIA Nemotron 3.5 ASR is a fast AI speech-to-text model that transcribes multilingual audio into text with automatic language detection. Ready-to-use REST inference API for audio transcription, podcast processing, video subtitles, meeting notes, voice analytics, content localization, and professional ASR workflows with simple integration, no coldstarts, and affordable pricing.
すべてのモデル
7 モデル
nvidia/nemotron-3.5-asr
NVIDIA Nemotron 3.5 ASR is a fast AI speech-to-text model that transcribes multilingual audio into text with automatic language detection. Ready-to-use REST inference API for audio transcription, podcast processing, video subtitles, meeting notes, voice analytics, content localization, and professional ASR workflows with simple integration, no coldstarts, and affordable pricing.
wavespeed-ai/openai-whisper-turbo
Accurate speech-to-text with OpenAI Whisper Large v3 Turbo: multilingual transcripts with auto language detection and punctuation. Ready-to-use REST inference API, best performance, no coldstarts, affordable pricing.
wavespeed-ai/openai-whisper-with-video
OpenAI Whisper Large v3 (Video-to-Text) delivers high-accuracy multilingual transcription directly from video files, with automatic language detection and optional timestamped, subtitle-ready segments. Built for stable production use with a ready-to-use REST API, fast response, no cold starts, and predictable pricing.
wavespeed-ai/heartmula/transcribe-lyrics
HeartMuLa Transcribe extracts lyrics from audio files using advanced AI. Supports multilingual transcription. Ready-to-use REST inference API with best performance, no coldstarts, and affordable pricing.
elevenlabs/scribe-v2
ElevenLabs Scribe V2 Speech-to-Text transcribes audio with automatic language detection, speaker labels, and word-level timestamps for transcription, subtitles, captions, meetings, and audio processing workflows. Ready-to-use REST inference API, best performance, no coldstarts, affordable pricing.
/filters:quality(82)/media/images/1778058923714040076_6pZ9iqzJ.webp)
nvidia/nemotron-3-nano-omni/audio
NVIDIA Nemotron 3 Nano Omni is an open, efficient reasoning model for enterprise agentic workflows, built on a 30B A3B hybrid Transformer-Mamba MoE architecture. Ready-to-use REST inference API, best performance, no coldstarts, affordable pricing.
wavespeed-ai/openai-whisper
Whisper Large v3 speech-to-text: instant, accurate multilingual transcripts with automatic language detection and punctuation. Upload audio to get transcripts. Ready-to-use REST API, no coldstarts, affordable pricing.
Speech to Text API — 料金とパフォーマンス
Speech to Text コレクションのすべてのモデルを単一の REST API で実行できます。生成ごとに課金 — サブスクなし、最低料金なし — で、稼働率 99.9% のインフラ上の業界トップクラスのレイテンシを提供します。
WaveSpeedAI で Speech to Text を使う理由
透明な料金体系
各 Speech to Text モデルにコールごとの料金が設定されています。料金は各モデルのページに表示され、プラットフォーム手数料はかかりません。
低レイテンシに最適化
ほとんどの Speech to Text 画像モデルは 2 秒以内に完了します。動画や 3D モデルはセルフホスト構成より数倍高速です。
稼働率 99.9%
マルチリージョンのフェイルオーバーと自動リトライで、プロバイダー障害時にも本番トラフィックを維持します。
よくある質問
Speech to Text API の料金はいくらですか？+
各モデルにはモデルページ上にコール単価が記載されています。成功した生成ごとに課金され、サブスクリプション料金や最低料金はありません。
WaveSpeedAI 上の Speech to Text モデルはどのくらい高速ですか？+
このコレクションの画像モデルは通常 2 秒以内に完了します。動画や 3D モデルは長さや解像度に依存しますが、セルフホスト実行より数倍高速なことが多いです。
クレジットカードなしで API を試せますか？+
条件を満たす新規アカウントは、クレジットカードなしで Speech to Text モデルを試すためのプロモーションクレジット 1 ドル分を受け取れる場合があります。すべての登録で付与されるわけではありません。生成前にアカウント残高をご確認ください。
レート制限はありますか？+
標準アカウントには十分な同時実行ジョブ枠があります。Enterprise プランではカスタム RPM、より高い同時実行性、専用キャパシティを提供します — 詳細は営業へお問い合わせください。