国内团队调用 Whisper API 做语音转写，接口本身并不复杂：一个 multipart 请求、一个音频文件、一段文本返回。真正决定体验的是网络路径——白天的跨境链路、晚高峰的丢包、几十兆文件传到一半断开，都会让一个简单的接口变成运维问题。

本文对比直连、代理和网关三种方案，重点讲大文件上传、超时重试、切分策略，以及上线前的验证清单。

说明：OpenAI、Whisper 是其权利人的商标，本文仅作技术接入说明，与 OpenAI 不存在隶属、代理或合作关系。接口限制、可用模型与计费口径以官方文档和站内文档为准。

一、三条路径，三种责任边界

  • 直连：代码直接请求 api.openai.com，不经过中间层。
  • 代理：自建 VPS 反向代理，或使用第三方提供的转发地址。
  • 网关：使用中商起航 AI 网关这类 OpenAI 兼容入口，统一 Key、余额、账单和发票。
维度 直连 自建代理 网关
链路可控性 取决于运营商 较高 由服务商负责
稳定性 波动较大 取决于机房和线路 通常有多线路
维护成本 低 高，需要值守 低
计费与发票 美元，自行处理 上游账单，仍需自行处理 人民币，平台开票
适合场景 低频、可失败重试 有运维能力的团队 国内团队与生产业务

三条路径的核心差别不是“能不能通”，而是出问题时谁来定位、谁来兜底。选型时先想清楚这一点，比比较延迟数字更有用。

二、直连：能通不等于稳定

直连省掉了中间层，但跨境链路的质量不归你控制。常见现象包括：

  • 白天正常，晚高峰超时率上升；
  • DNS 解析偶发变慢，TLS 握手时间拉长；
  • 上传大文件时连接被重置，重传又从零开始；
  • 同一份代码，办公室能跑，云服务器却不能跑。

测试时不要只在家用宽带上 ping 一下。要在生产服务器上跑一组真实请求，记录成功率、p50 和 p95 延迟、上传耗时，连续观察几天。对异步任务，直连可以接受，只要业务允许失败后重跑；对在线字幕、实时会议这类场景，链路波动会直接变成用户可见的卡顿。

三、代理：服务器便宜，维护不便宜

自建代理通常是在 VPS 上装 nginx 做反向代理，再配域名和证书。它能把请求路径固定下来，但会引入新的故障点：

  • 出口带宽不足，多个音频同时上传就开始排队；
  • 请求体大小限制没放开，几十兆文件直接返回 413；
  • 代理超时短于转写时间，后端还在处理，连接已经被切断；
  • 证书过期、IP 被限流、上游接口变更，都需要人工处理。

配置时至少要检查 client_max_body_size、proxy_read_timeout 和缓冲设置。共享代理地址还有额外风险：你不知道同一出口上还有谁，限流和封禁可能波及所有使用者。Key 放在代理层转发时，也要确认日志不会把鉴权头写进明文。

四、网关：把网络问题变成服务问题

网关提供 OpenAI 兼容的 Base URL，代码通常只需替换 base_url 和 Key。对国内团队的实际价值有三点：链路由服务商维护；文本、音频、Embedding 共用一套余额；人民币付款和发票。

选网关时不要只看“支持 Whisper”一句话，要确认：

  • 音频转写接口是否完整支持，包括 response_format 和时间戳；
  • 单文件大小、并发数和超时限制；
  • 失败请求如何计费，是否提供请求 ID；
  • 日志留存策略和删除方式；
  • 价格页是否写清计费口径。

网关解决的是链路和账单，不解决所有工程问题。超过大小限制的音频仍然要切分，网络抖动仍然要重试。把它当成一层有服务承诺的基础设施，而不是万能的加速器。

五、大文件上传：为什么 25 MB 以内也会失败

Whisper 接口常见的单文件限制是 25 MB，具体以官方文档为准。很多人以为只要文件小于限制就没问题，实际上失败往往发生在传输阶段。

按 1 Mbps 的上行带宽计算，25 MB 文件仅传输就需要约 200 秒，再加上 TLS 握手、服务端排队和转写时间，很容易撞上代理或客户端超时。移动网络、跨境线路和共享带宽会让这个时间更长。

降低失败率的顺序是：先压缩，再切分，最后才考虑重试。

  • 统一转成 16 kHz 单声道，语音转写不需要高采样率；
  • 用 64 kbps 的 mp3，25 MB 大约能装下五十多分钟的语音；
  • 超过 10 分钟的音频按 5–10 分钟切段，段间留 0.5–1 秒重叠；
  • 切分点尽量选静音处，减少把词切成两半。

这些数字是工程经验值，不是接口承诺，实际以自己环境的测试结果为准。

六、超时、重试与切分

切分可以用 ffmpeg：

ffmpeg -i input.mp3 -f segment -segment_time 600 \
  -ac 1 -ar 16000 -b:a 64k part_%03d.mp3

重试策略按下面的顺序设计：

  1. 只重试网络错误、408、429 和 5xx，400、401、413 重试没有意义；
  2. 用指数退避加随机抖动，例如 1、2、4、8 秒，最多三到五次；
  3. 每次请求记录音频文件名、分段序号和请求 ID，方便对账；
  4. 合并时按分段顺序拼接文本，并把起始偏移加回时间戳；
  5. 重叠部分做去重，优先保留更完整的一句；
  6. 批量任务限制并发，给 429 留出恢复空间。

音频接口通常没有幂等键，超时后服务端可能已经完成转写并计费。重试前先查用量日志，确认能接受少量重复计费，再决定重试次数。对成本敏感的团队，可以把失败分段单独落盘，人工确认后再补跑。

七、支付、发票与合规

国内团队常见的组合是：网关人民币充值、平台开人民币发票、对公转账走采购流程。付款前确认合同主体与收款账户一致，发票金额按实付还是按到账额度计算，退款和补开规则写在哪里。详细流程可以看站内的充值说明。

合规上注意三点：

  • 音频可能包含姓名、电话、病情、交易信息，上传前明确告知并取得授权；
  • 敏感内容先脱敏，或改用可私有化部署的方案；
  • 确认数据是否跨境传输，以及服务商的留存和删除机制。

转写结果的权利归属取决于音频内容和平台条款。会议录音、课程、客服通话涉及他人权利时，先确认授权再商用。

八、上线前验证清单

  • 用十秒音频跑通 200 响应；
  • 用五分钟音频确认中文识别和标点；
  • 用接近 25 MB 的文件测试上传耗时和超时；
  • 模拟 429 和 5xx，确认退避生效；
  • 模拟断网，确认重试不会无限循环；
  • 核对分段合并后的时间戳偏移；
  • 检查并发上限与队列长度；
  • 确认余额预警、发票和对账流程；
  • 确认 Key 只存在服务端，支持轮换和吊销。

清单不长，但每一项都对应一次真实故障。小流量先跑一周，再放大并发，比一次性压满更稳。

常见问题

国内直连 Whisper API 稳定吗？

没有统一答案，取决于运营商、时段和服务器位置。要在生产环境连续测几天，看成功率和 p95 延迟，而不是只看某一次请求。

网关和代理有什么区别？

代理通常只转发流量，账单和运维仍在上游；网关一般还提供账户、余额、密钥管理、人民币付款和发票，责任边界更完整。

音频超过 25 MB 怎么办？

先转成 16 kHz 单声道 mp3 压缩体积，再按 5–10 分钟切段。切分点选静音处，合并时补回时间偏移。

转写超时后重试，会重复扣费吗？

可能。服务端可能已经完成转写。重试前查用量日志，并给重试设置上限。

国内访问需要注意哪些合规问题？

重点是音频中的个人信息、数据跨境传输、服务商留存政策和内容授权。涉及敏感数据时优先脱敏或私有化部署。

下一步

先用一段短音频验证链路，再用真实的长录音测试切分和合并，最后才接入批量任务。需要人民币充值、统一账单和发票的团队，可以先注册中商起航 AI 网关，音频模型与计费口径以模型价格为准。

相关阅读：