L'API de reconnaissance vocale numéro 1 pour la précision en streaming

Numéros de téléphone, e-mails et UUID sont justes du premier coup, même avec du bruit de fond. La détection des tours de parole intégrée indique à votre agent quand l'appelant a fini.
Obtenir une clé API gratuiteEssayez en direct
transcribe.py
with client.stt.auto_finalize.websocket(
    model="ink-2",
    encoding="pcm_s16le",
    sample_rate=16000,
) as ws:
    ws.send_raw(audio_chunk)
    for event in ws:
        if event.type == "turn.end":
            print(event.transcript)

wss://api.cartesia.ai/stt/turns/websocket

Exemple complet

Parlez et regardez la transcription s'afficher

Cliquez ou appuyez sur Space pour lancer une transcription
Appuyez pour lancer une transcription
Besoin d'un sujet ?
À quoi ressemble votre journée de repos idéale ?

Rejoignez les équipes qui passent à Cartesia

Artificial Analysis

Classé numéro 1

dans les classements Speech Arena et Speech to Text d'Artificial Analysis

Reconnaissance vocale en Python : votre première transcription

SDK Python sur GitHub

Installer le SDK

Utilisez Python 3.9 ou une version ultérieure. L'option websockets ajoute le streaming en temps réel.

Terminal
python3 -m pip install -U "cartesia[websockets]"

Définir votre clé API

Créez une clé dans le playground Cartesia et stockez-la dans une variable d'environnement, pour qu'elle n'apparaisse jamais dans votre code.

macOS / Linux
export CARTESIA_API_KEY="your-api-key"

Vous utilisez PowerShell ?$env:CARTESIA_API_KEY="your-api-key"

Transcrire un enregistrement

Enregistrez ce script sous transcribe.py à côté d'un fichier WAV mono 16 bits nommé call.wav, puis lancez-le. Le script envoie l'audio à la vitesse de l'enregistrement et affiche chaque tour de parole terminé.

Terminal
python3 transcribe.py

Pour de l'audio en direct, envoyez les fragments du micro ou de l'appel au fil de l'eau au lieu de lire un fichier.

Modèle
ink-2
Endpoint
/stt/turns/websocket
transcribe.py
import os
import time
import wave

from cartesia import Cartesia

client = Cartesia(api_key=os.environ["CARTESIA_API_KEY"])

with wave.open("call.wav", "rb") as audio:
    sample_rate = audio.getframerate()
    frames_per_chunk = sample_rate // 10  # 100 ms of audio

    with client.stt.auto_finalize.websocket(
        model="ink-2",
        encoding="pcm_s16le",
        sample_rate=sample_rate,
    ) as ws:
        while chunk := audio.readframes(frames_per_chunk):
            ws.send_raw(chunk)
            time.sleep(0.1)  # send audio as fast as it was recorded
        ws.send({"type": "close"})

        for event in ws:
            if event.type == "turn.end":
                print(event.transcript)
            elif event.type == "error":
                raise RuntimeError(event.message)

Choisissez l'endpoint adapté à votre audio

Diffusez l'audio en direct par WebSocket. Envoyez un enregistrement terminé en une seule requête HTTP.

Agents vocaux

/stt/turns/websocket

Transport
WebSocket
Renvoie
Événements de tour avec transcriptions complètes

Cartesia détermine quand l'interlocuteur a fini et envoie un événement turn.end avec le tour complet.

Lire le guide de détection des tours de parole

Votre propre gestion des tours

/stt/websocket

Transport
WebSocket
Renvoie
Mises à jour de la transcription

Utilisez cette option si votre application utilise déjà un détecteur d'activité vocale ou le push-to-talk. Envoyez finalize quand l'interlocuteur s'arrête pour obtenir la transcription immédiatement.

Lire la référence de l'API temps réel

Fichiers enregistrés

/stt

Transport
HTTP
Renvoie
Une transcription

Envoyez un fichier WAV ou MP3 complet et recevez une seule transcription, avec horodatage des mots en option.

Lire la référence de l'API par lots

Précis là où les agents vocaux échouent d'habitude

Les appelants dictent des numéros de carte, épellent leur nom et s'arrêtent au milieu d'une phrase. Votre agent a besoin d'une transcription juste à chacun de ces moments.

Numéro 1 pour la précision en streaming

Ink-2, le modèle de reconnaissance vocale en streaming de Cartesia, écrit correctement les numéros de téléphone, les e-mails et les UUID, et reste précis sur des lignes téléphoniques bruyantes sans filtre anti-bruit séparé.

Détection des tours de parole sans VAD

Ink-2 détermine la fin d'un tour à partir de ce que dit l'appelant : vous pouvez retirer votre détecteur d'activité vocale (VAD) séparé. Un événement turn.eager_end permet à votre LLM de commencer à répondre avant que le tour soit confirmé.

Les mots de votre produit, bien écrits

Le guidage par termes clés oriente la reconnaissance vers les noms et le jargon de vos appelants. Transmettez jusqu'à 100 termes par connexion.

SDK et frameworks d'agents vocaux

Les SDK officiels Python et JavaScript gèrent le WebSocket pour vous, et les intégrations Pipecat et LiveKit de Cartesia ajoutent Ink-2 à un agent existant.

La place de la reconnaissance vocale dans un agent vocal

Ink-2 se place entre l'audio de l'appelant et votre LLM, et ses événements de tour indiquent à l'agent quand répondre.

01

Votre audio

Diffusez l'audio du micro, du navigateur ou d'un appel téléphonique en PCM brut, μ-law ou A-law, à la fréquence d'échantillonnage de votre source.

02

Ink-2

Écrit la transcription pendant que l'appelant parle et envoie turn.end quand il a terminé.

03

Votre agent

Transmet le tour terminé à votre LLM. Commencez la réponse dès turn.eager_end pour répondre plus vite, et abandonnez-la si turn.resume arrive.

Une sécurité de niveau entreprise.Du cloud au local.

  • Badge Conforme à HIPAA

    Conforme à HIPAA

  • Badge SOC 2 Type 2

    SOC 2 Type 2

  • Badge RGPD (GDPR)

    RGPD (GDPR)

  • Badge PCI

    PCI

Ajoutez la reconnaissance vocale à votre produit

Un compte gratuit inclut jusqu'à 111 minutes de transcription Ink-2 par mois. Contactez-nous pour des tarifs sur volume, un déploiement sur site ou un BAA.

Obtenir une clé API gratuiteContacter les ventesVoir les tarifs des offres

Découvrir d'autres outils vocaux

Tous les outils gratuits

Reconnaissance vocale

Transformez votre voix en texte pendant que vous parlez, chiffres et e-mails bien écrits. Gratuit, sans inscription.

Découvrir

Audio en texte

Déposez un enregistrement et récupérez la transcription au format .txt.

Découvrir

Générateur de voix IA

Saisissez un texte et écoutez une voix IA réaliste le lire. Essai gratuit, sans inscription.

Découvrir

FAQ sur l'API de reconnaissance vocale

Quelle est la meilleure API de reconnaissance vocale ?

Pour les conversations en direct comme les agents vocaux, choisissez une API précise en streaming qui sait quand l'interlocuteur a fini. Ink-2 est classé numéro 1 pour la précision de la reconnaissance vocale en streaming et détecte lui-même les tours de parole : un seul modèle remplace un modèle de transcription et un détecteur d'activité vocale.

Existe-t-il une API de reconnaissance vocale gratuite ?

Oui. Un compte Cartesia gratuit inclut des crédits mensuels qui couvrent jusqu'à 111 minutes de transcription Ink-2 via l'API, et les offres payantes en ajoutent davantage. Pour essayer la reconnaissance vocale sans écrire de code, utilisez l'outil en ligne gratuit.

Combien coûte l'API de reconnaissance vocale de Cartesia ?

La transcription avec Ink-2 coûte 3 crédits par seconde d'audio, déduits des crédits mensuels de votre offre. L'offre gratuite couvre jusqu'à 111 minutes par mois, et la page des tarifs indique les minutes incluses dans chaque offre payante.

Comment convertir la voix en texte en Python ?

Installez le SDK avec pip install "cartesia[websockets]", définissez CARTESIA_API_KEY et ouvrez un WebSocket avec client.stt.auto_finalize.websocket(model="ink-2", ...). Envoyez les fragments audio bruts avec send_raw et lisez chaque transcription terminée dans les événements turn.end. La section Python de cette page contient un script complet.

Puis-je transcrire des fichiers audio avec l'API de reconnaissance vocale de Cartesia ?

Oui. L'endpoint par lots reçoit un enregistrement complet, comme un fichier WAV ou MP3, en une seule requête HTTP et renvoie une seule transcription, avec horodatage des mots en option. Le WebSocket temps réel n'accepte l'audio qu'à la vitesse de l'enregistrement : l'API par lots est donc plus rapide pour transcrire un fichier.

Quelles langues l'API de reconnaissance vocale de Cartesia prend-elle en charge ?

Ink-2 transcrit l'anglais, l'espagnol, le français, l'hindi et le japonais, et détecte laquelle de ces langues est parlée.

Qu'est-ce qu'une API de reconnaissance vocale ?

Une API de reconnaissance vocale (aussi appelée API STT, speech to text ou de transcription) reçoit l'audio de votre application et renvoie les mots sous forme de texte. Une API en streaming renvoie la transcription pendant que la personne parle encore, ce dont ont besoin les agents vocaux et les sous-titres en direct.

Puis-je exécuter l'API de reconnaissance vocale de Cartesia sur ma propre infrastructure ?

Oui. Ink-2 peut être déployé sur site (y compris dans des environnements isolés du réseau), dans votre propre VPC sur AWS, GCP ou Azure, ou intégré à votre produit sous licence OEM. Ces déploiements, ainsi que la conservation zéro des données, sont disponibles dans le cadre de contrats entreprise.