转录音频

用 OpenRouter 上的 microsoft/mai-transcribe-2，走中转的海外机。照 OpenRouter 模型页¹的示例调，只改两处：

• base URL：https://openrouter.ai 换成 https://openrouter.reverse-pro.xyz
• API key：用 .env 里的 MY_API_KEY，写成 Authorization: Bearer $MY_API_KEY，别打印出来

# 只要文字：直接上传文件，wav、mp3 都行
curl -sS https://openrouter.reverse-pro.xyz/api/v1/audio/transcriptions \
  -H "Authorization: Bearer $MY_API_KEY" \
  -F model=microsoft/mai-transcribe-2 -F file=@audio.mp3

# 要时间戳和说话人：JSON 提交，base64 从 stdin 传进去，长录音不会撑爆命令行参数
AUDIO_BASE64=$(base64 < audio.wav | tr -d '\n')
curl -sS https://openrouter.reverse-pro.xyz/api/v1/audio/transcriptions \
  -H "Authorization: Bearer $MY_API_KEY" -H "Content-Type: application/json" \
  --data-binary @- <<EOF
{"model": "microsoft/mai-transcribe-2",
 "input_audio": {"data": "$AUDIO_BASE64", "format": "wav"},
 "response_format": "verbose_json", "timestamp_granularities": ["word"],
 "provider": {"options": {"azure": {"diarization": {"enabled": true}}}}}
EOF

• 结果：同步返回，text 是全文，十几秒的音频几秒就出来。测试音频用 assets/大米_14s.wav
• 语言：不填 language 就自动识别，返回里带 language；确定是哪种语言再填，比如 "zh"
• 时间戳：verbose_json 返回 segments，再加 timestamp_granularities: ["word"] 返回 words，中文一个字一条。段落起止要准，就得开 diarization：不开的话 segments 只有一条，从 0 到音频结尾；开了以后起止才对上真正说话的位置，每段、每个字都带 speaker
• Azure 选项都放在 provider.options.azure 里：phraseList.phrases 填专有名词，提高识别率；enhancedMode.modelOptions.transcribeStyle 写 "clean" 去掉口头禅和说错重来，默认的 "verbatim" 照录
• 花费：约 0.1 美元一小时，返回的 usage.cost 是这次实际花的。没声音的音轨照样计费，转回来是空的，先测音量，见阅读视频
• 大文件：有 ffmpeg 就先转成 16 kHz 单声道 mp3（ffmpeg -i in.wav -ac 1 -ar 16000 -b:a 32k out.mp3）。大米这段 2.7 MB 转完只剩 57 KB，转出来的文字一样

维护记录：接口从哪来、实测结果。正常使用不用看，出问题再看。