Python 语音：转文字与文字转语音

两个方向，两套接口。 语音转文字用 audio.transcriptions，文字转语音用 audio.speech。
整理日期：2026-10-18 ｜相关：Python 快速开始 · 按任务选模型

一、可用模型

方向	模型 ID	说明
语音转文字	`whisper-1`	最通用，多语言，稳定
	`gpt-4o-transcribe`	准确率更高，中文表现更好
	`gpt-4o-mini-transcribe`	便宜版本，日常够用
文字转语音	`tts-1`	标准音质，便宜
	`tts-1-hd`	高音质，单价更高
	`gpt-4o-mini-tts`	新一代，情感表现更自然
	`gemini-3.8-flash-tts`	Google 系，多语言音色好听

二、语音转文字

基础用法

指定输出格式

默认返回 JSON（带 text 字段）。想要纯文本：

`response_format`	返回
`json`（默认）	`{"text": "..."}`
`text`	纯文本字符串
`srt` / `vtt`	带时间轴的字幕
`verbose_json`	含时长、语言、分段信息

想要字幕文件

指定语言能提升准确率

prompt 这个参数很多人不知道——它能让专有名词识别更准（把「珂艾网关」这类词写进去）。

三、文字转语音

基础用法

可选音色

voice	风格
`alloy`	中性，通用
`echo`	男声，偏低沉
`fable`	有叙事感
`onyx`	低沉男声
`nova`	明亮女声
`shimmer`	柔和女声

控制语速与格式

四、组合用法：语音转语音

常见需求是「把一段录音换个人声」——先转文字，再合成：

五、常见报错

现象	原因	解决
`Invalid file format`	音频格式不支持	转成 mp3 / wav / m4a / webm
文件太大被拒	超过大小上限	切段或降码率
识别结果是乱码	语言判断错	显式传 `language="zh"`
中文专有名词识别错	缺上下文	加 `prompt` 提示
`tts` 返回空	`input` 为空或全是符号	检查文本
生成的 mp3 打不开	没调 `stream_to_file`	用 `with open(...,'wb')` 写入 `resp.content`
`401` / `404`	密钥 / base_url	见配置报错对照表

六、成本控制

场景	建议
长音频转写	先切成 5–10 分钟一段，失败可重试单段，不用重跑全部
只需要大意	用 `gpt-4o-mini-transcribe` 比 `whisper-1` 便宜
批量合成	用 `tts-1` 而不是 `tts-1-hd`，音质差异在小喇叭上几乎听不出
反复用同一段话	合成一次存成文件，别每次请求都重新生成

实际单价以价格页为准。

七、相关阅读

基础对话：Python 快速开始

识图：Python 识图

生成图片：Python 生成图片

模型选型：按任务选模型

八、更新记录

日期	改了什么
2026-10-18	由原「python 使用语音转文本」「python 使用文本转语音」两篇合并；补字幕输出、language / prompt 参数、语音转语音组合用法

修改于 2026-11-02 17:01:40

Python 识图：在线图、本地图、Claude 视觉

Python 生成图片：文生图与图片编辑