Whisper API и MCP: как подключить распознавание речи к своему проекту

Whisper — модель распознавания речи (speech-to-text). На NeuralSpace доступны модели: Whisper large-v3, Whisper. Все они работают через единый публичный API, а для ИИ-агентов есть готовый MCP-сервер. Ключ выдаётся на странице API-ключей. Ниже — возможности модели, примеры запросов и способ настройки.

Что умеет Whisper

Whisper распознаёт речь из аудиофайла и возвращает текст. Запрос отправляется как multipart/form-data с полем file и моделью whisper-large-v3 (id whisper-1 прозрачно работает как large-v3). Поддерживаются mp3, mp4, mpeg, mpga, m4a, wav, webm, ogg и flac, до 25 МБ. Цена — за минуту аудио.

Эндпоинт API

Запрос отправляется на POST /v1/audio/transcriptions. Пример: multipart/form-data: file (аудио), model=whisper-large-v3. Авторизация — по API-ключу в заголовке x-api-key. Доступные id моделей: whisper-large-v3, whisper-1.

MCP-инструменты

MCP-сервер NeuralSpace доступен по адресу POST /mcp (Streamable HTTP). Для работы с Whisper агент использует инструменты: transcribe_audio, list_models, get_balance. Это позволяет Claude Code, Cursor и другим MCP-клиентам пользоваться моделями сайта напрямую.

Как подключить

Зарегистрируйтесь на NeuralSpace, откройте API-ключей и создайте ключ формата nsk-…. Дальше передавайте его в заголовке запроса или в настройках MCP-клиента. Полная документация — на странице /v1/docs.

Частые вопросы

Какие форматы аудио поддерживаются?

mp3, mp4, mpeg, mpga, m4a, wav, webm, ogg и flac.

Какой максимальный размер файла?

25 МБ.

Какой формат у запроса?

POST /v1/audio/transcriptions как multipart/form-data с полем file.