FlowModels

Live-Transkription: Audio in Echtzeit über WebSocket

Veröffentlicht am 11. November 2026

Für laufende Gespräche oder Livestreams kannst du Audio in Echtzeit transkribieren lassen. Du eröffnest dafür eine Sitzung über die API und verbindest dich anschließend per WebSocket. Für fertige Aufnahmen nimmst du stattdessen die Dateitranskription, siehe Audiodateien transkribieren.

Ist Live verfügbar?

Die Live-Transkription steht nur zur Verfügung, wenn GET /v1/models ein Audiomodell nennt, das unter transcription die Betriebsart live führt. Fehlt ein solches Modell in deiner Liste, ist Live für dich gerade nicht nutzbar. Die Dateitranskription funktioniert davon unabhängig weiter.

Die Preise je Minute stehen beim jeweiligen Modell unter pricing.variants.

Eine Sitzung starten

curl https://api.flowmodels.one/v1/audio/transcription-sessions \
  -H "Authorization: Bearer $FLOWMODELS_API_KEY" \
  -H "Content-Type: application/json" \
  -H "Idempotency-Key: gespraech-2026-1042" \
  -d '{"model": "openai/gpt-live-transcribe", "source": "push", "language": "de"}'
  • source ist push für Audio aus deiner Anwendung oder url für einen öffentlichen Audiostream, dessen Adresse du zusätzlich in url mitschickst.
  • Die Sitzung läuft standardmäßig höchstens zwei Stunden, mit max_seconds bis zu acht Stunden.
  • Je Team können höchstens drei Sitzungen gleichzeitig laufen.

Die Antwort enthält id, websocket_url, ticket und ticket_expires_at. Das Ticket gilt 60 Sekunden und wird beim Verbinden verbraucht. Es gehört nicht in die Adresse, du überträgst es als WebSocket-Unterprotokoll flowai-ticket.TICKET. Deinen API-Schlüssel schickst du nie über den WebSocket.

Audio senden

Bei source: "push" schickst du binäre Frames mit PCM16 Little Endian, mono, 24 kHz, in Wiedergabegeschwindigkeit und mit höchstens 48.000 Bytes je Frame. Bei source: "url" holt der Server das Audio selbst und du empfängst nur Ereignisse. Private Netzwerkziele, Adressen mit Zugangsdaten und Playlists im HLS-Format sind nicht erlaubt.

{"type": "session.stop"} beendet die Aufnahme. Danach werden ausstehende Ergebnisse noch verarbeitet.

Ergebnisse empfangen

Über den WebSocket kommen unter anderem diese Ereignisse:

  • transcript.partial: Zwischenstand. Ersetze den bisherigen Entwurf derselben section_id.
  • transcript.final: bestätigter Text mit fortlaufender sequence.
  • connection.interrupted: Die Verbindung zum Anbieter wurde unterbrochen.
  • usage: bisheriger Verbrauch.

Merke dir die letzte bestätigte Sequenznummer. Reißt die Verbindung ab, kannst du dich bei source: "push" innerhalb von 30 Sekunden mit einem neuen Ticket wieder verbinden, das du per POST /v1/audio/transcription-sessions/{id}/connection-ticket holst. Verpasste Abschnitte liest du mit GET /v1/audio/transcription-sessions/{id}?after_sequence=N nach.

Kosten und Aufbewahrung

Live-Sitzungen werden je Minute berechnet. Der Preis hängt von Modell und Zusatzoptionen ab, und auch Stille kann Kosten verursachen. Vor dem Start reservieren wir zunächst 60 Sekunden und erweitern die Reservierung laufend, solange Audio übertragen wird. Guthaben, Schlüsselsperren und Teamgrenzen gelten auch während der Sitzung. Was tatsächlich berechnet wurde, steht in usage.cost.

Fertige Ergebnisse kannst du 24 Stunden nach Abschluss abrufen. Mit DELETE /v1/audio/transcription-sessions/{id} löschst du eine abgeschlossene Sitzung.

Alle Felder und das vollständige Ablaufbeispiel stehen in der Dokumentation unter flowmodels.one/docs.

War dieser Artikel hilfreich?

Zurück zu Modelle, Limits & Fehler