OpenAI: Whisper Large V3
Whisper large-v3 هو نقطة تحقق من OpenAI للتعرّف على الكلام متعدد اللغات، بأوزان مفتوحة، من أجل التفريغ وترجمة الكلام إلى الإنجليزية. يحوّل الكلام المسجّل إلى نص، مع اختيار لغة وطوابع زمنية موثّقة ومعالجة للتسجيلات الطويلة تتجاوز نافذته الصوتية البالغة 30 ثانية.
عن النموذج
يغطي هذا الوصف قدرات النموذج. وترد أدناه المدخلات والمخرجات والخيارات المتاحة في Ailoot للطريقة المحددة.
Whisper large-v3 هو نقطة تحقق منشورة من OpenAI للتعرّف على الكلام، تضم نحو 1.55 مليار معلمة. وهو نموذج متعدد اللغات ببنية مُرمّز ومُفكّك ترميز: يدخل الصوت إلى المُرمّز ويتنبأ مُفكّك الترميز بالنص والرموز المرتبطة بالمهمة. وتتمثل مهامه الرئيسية في تفريغ الكلام بلغته الأصلية وترجمته إلى الإنجليزية. وهو هوية نموذج بأوزان مفتوحة، تبقى منفصلة عن معرّف نموذج خدمة مستضافة أو قواعد تلك الخدمة لرفع الملفات وصيغ الاستجابة.
يحتفظ Large-v3 ببنية نقاط تحقق Whisper الكبيرة السابقة مع تغييرين معلنين: يستخدم مدخله من المخطط الطيفي 128 نطاقًا لترددات Mel بدل 80، ويضيف رمز لغة للكانتونية. وتصف بطاقة النموذج لدى الجهة المنتجة التدريب على مليون ساعة من الصوت ذي الوسوم الضعيفة وأربعة ملايين ساعة من الصوت ذي الوسوم الزائفة التي أُعدّت باستخدام Whisper large-v2. واستُخدم هذا المزيج لدورتي تدريب. الإصدار نقطة تحقق large-v3 محددة، لا اسم عام لكل نموذج في عائلة Whisper.
ينفّذ سير عمل الاستدلال الموثّق التفريغ افتراضيًا، ويحافظ على لغة الكلام في التسجيل. ويمكنه اكتشاف اللغة الأصلية تلقائيًا أو تلقّي اختيار لغة معروفة. وللترجمة، يقدّم النموذج الكبير متعدد اللغات نتيجة نصية إنجليزية من كلام بغير الإنجليزية. اختر تلك المهمة صراحة: التفريغ باللغة نفسها والترجمة الإنجليزية مادتان مختلفتان. للمقابلة، احتفظ بالصياغة بلغتها الأصلية؛ ولمستند مرجعي إنجليزي، حدّد أن النتيجة المطلوبة ترجمة للمحتوى المنطوق.
إعداد الصوت جزء من مسار الإدخال. يفك مُحمّل OpenAI ترميز التسجيل إلى موجة صوتية أحادية القناة ويعيد أخذ عيناتها عند 16 kHz. والمجال الصوتي الذي يستقبله النموذج هو 30 ثانية. وهذه نافذة معالجة، لا أقصى طول لمقابلة أو محاضرة كاملة. يمكن للاستدلال المطوّل أن يتقدم تسلسليًا عبر نوافذ منزلقة، أو يقسّم تسجيلًا طويلًا إلى أجزاء متداخلة ويجمع تفريغاتها. وتصف بطاقة النموذج لدى الجهة المنتجة المعالجة التسلسلية عندما تكون الدقة أولوية، والمعالجة المجزأة عندما تكون سرعة إنجاز تسجيل طويل واحد أهم.
يسرد الإعداد المنشور 448 موضعًا لمُفكّك الترميز في تسلسل فك ترميز واحد. تُعالج التسجيلات الأطول بالمسار المطوّل، بدل اعتبار ذلك الرقم حدًا عامًا لطول التفريغ. ويمكن لسير العمل الموثّق إعادة طوابع زمنية على مستوى المقاطع أو الكلمات مع النص المتعرّف عليه. وتفيد هذه المعلومات الزمنية في التنقل داخل التسجيلات وإعداد الترجمات النصية، فيما تظل حاوية الترجمة النهائية أو صيغة ملف التفريغ اختيارًا منفصلًا لتنسيق الإخراج. حافظ على توقيت التسجيل عند إعداد الصوت إذا كان التفريغ سيُحاذى مع المادة الأصلية.
دور Whisper المقصود هو التعرّف على الكلام وترجمته. يُعد تفريغ محاضرة أو سجل مقابلة أو مجموعة مواد منطوقة قابلة للبحث مخرجًا عمليًا؛ ويمكن أن يتبع ذلك التلخيص أو التفسير بوصفه خطوة أخرى على النص. ولا تثبت بطاقة النموذج التصنيف الآلي الموثوق للمتحدثين أو فصلهم بوصفه مخرجًا قياسيًا لنقطة التحقق الأساسية. إذا احتاجت المهمة إلى تسميات المتحدثين، فيجب معالجة هذا المتطلب منفصلًا عن الادعاء بدقة التفريغ. وتحدّد متطلبات المهمة المفيدة اللغة الأصلية، وما إذا كان المطلوب تفريغًا أو ترجمة إنجليزية، وما إذا كانت المعلومات الزمنية لازمة.
تشمل القيود الجوهرية اختلاق نص لم يُنطق أصلًا وتكرار النص، ويرتبط ذلك بالتدريب ضعيف الإشراف على بيانات مشوشة وبنية التسلسل إلى التسلسل. تختلف جودة التعرّف بين اللغات واللكنات واللهجات، وتضعف حيث تقل مواد التدريب. لذلك ينبغي تمثيل الضوضاء والمفردات المتخصصة وتداخل الكلام في العينة المستخدمة للحكم على الملاءمة. قارن الأسماء والكميات والعبارات المهمة بالتسجيل، وافحص المقاطع غير الكلامية أو الأسطر المتكررة بدل اعتبار التفريغ السلس دليلًا على سماع كل كلمة.
تحتفظ النتيجة الكاملة بالنص المتعرّف عليه ولغته وأي توقيت مطلوب مع مرجع إلى التسجيل الأصلي. افصل التفريغ عن التحرير اللاحق: فقد يزيل التفريغ المصحح للنشر كلمات الحشو، بينما يحافظ التفريغ المتعرّف عليه على ما أعاده النموذج فعلًا. ويجب أن تظل هوية Large-v3 وقدرته على الترجمة منفصلتين أيضًا عن إصدار Turbo الأسرع. تعتمد سرعة المعالجة الفعلية على اللغة ومعدل الكلام والأجهزة وطريقة الاستدلال؛ ولا يُستنتج كمون استضافة معين أو أقصى حجم رفع أو مسار تطبيق مفعّل من اسم نقطة التحقق وحده.
Ailoot Ultra · التعرّف على الكلام POST /v1/audio/transcriptions openai/whisper-large-v3
openai/whisper-large-v3البداية
Whisper large-v3 هو نقطة تحقق من OpenAI للتعرّف على الكلام متعدد اللغات، بأوزان مفتوحة، من أجل التفريغ وترجمة الكلام إلى الإنجليزية. يحوّل الكلام المسجّل إلى نص، مع اختيار لغة وطوابع زمنية موثّقة ومعالجة للتسجيلات الطويلة تتجاوز نافذته الصوتية البالغة 30 ثانية.
- المدخلات المقبولة
- الصوت
- النتائج
- transcription
متاح في Ailoot · المدخلات والطرائق
Ailoot Ultra · التعرّف على الكلام POST /v1/audio/transcriptions
- الإدخال
audio- الإخراج
transcription- صيغة الإخراج
- json
| الحقل | النوع | المتطلب | القيم والحدود | القيمة الافتراضية |
|---|---|---|---|---|
الحقلmodel | النوعstring | المتطلبمطلوب | القيم والحدود openai/whisper-large-v3 | القيمة الافتراضية— |
الحقلinput_audio | النوعobject | المتطلبمطلوب | القيم والحدود | القيمة الافتراضية— |
الحقلlanguage | النوعstring | المتطلباختياري | القيم والحدود | القيمة الافتراضية— |
الحقلtemperature | النوعnumber | المتطلباختياري | القيم والحدود الحد الأدنى: 0 الحد الأقصى: 1 | القيمة الافتراضية— |
الحقلresponse_format | النوعstring | المتطلباختياري | القيم والحدود json, verbose_json | القيمة الافتراضيةjson |
الحقلtimestamp_granularities | النوعarray | المتطلباختياري | القيم والحدود | القيمة الافتراضية— |
الحقلprovider | النوعobject | المتطلباختياري | القيم والحدود | القيمة الافتراضية— |
تركيبات مواد الإدخال
speech_to_text · مطلوب: actual matching-format audio file
معلمات الطريقة ودورة حياتها
| المعلمة | المواصفات |
|---|---|
المعلمةcontent_types | المواصفاتapplication/json, multipart/form-data |
المعلمةrequired | المواصفاتmodel, input_audio |
المعلمةmaterial_types | المواصفاتaudio |
المعلمةJSON_audio | المواصفاتبايتات الصوت الخام الفعلية بترميز base64، مع التنسيق المطابق |
المعلمةmultipart_required | المواصفاتmodel, file |
المعلمةmultipart_cap_bytes | المواصفات26214400 |
المعلمةoptional_controls | المواصفاتlanguage, temperature, response_format, timestamp_granularities, provider |
المعلمةdefault_response_format | المواصفاتjson |
المعلمةoptional_features | المواصفاتتتطلب المخرجات التفصيلية وخيارات diarize/keyterms والصوت عبر URL أو الصوت المضمّن الأكبر حجماً إمكانية وتعرفة تتوافقان مع النموذج والمزوّد المحددين. |
دورة الحياة: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · قيمة task_id الفعلية المُعادة أو سجل مكتبة الوسائط
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
استخدم النموذج الدقيق وحقول الإدخال الموثّقة.
احتفظ بالاستجابة كاملة، وكل مخرج فعلي، والمعرّفات الأصلية المُعادة.
الباقات
مراجع التسعير لا تضيف خيارات للطلب. المعلمات المدعومة مذكورة للطريقة المحددة.
- الوضع السريع
- غير محدد عند اختيار الوضع السريع
- الوضع المرن
- غير محدد عند اختيار وضع flex
- أقصى جهد للاستدلال
- غير محدد عندما يُطبَّق الضبط الافتراضي default مع أقصى جهد للاستدلال
تعرفات Ailoot
الأسعار حسب الإعدادات
طابق كل رسم مع الشروط المعروضة. طبّق تعرفة واحدة لكل مجموعة من الإعدادات البديلة.
| الإعدادات | جدول التعرفة | وحدة الفوترة | الرسوم |
|---|---|---|---|
| الإعداداتالتعرفات الأساسية للرموز | جدول التعرفةالتعرفة الأساسية | وحدة الفوترة— | الرسوم الإدخال · رموز الإدخال — / 1K من الرموز الإخراج · رموز الإخراج — / 1K من الرموز الإدخال · قراءة ذاكرة التخزين المؤقت — / 1K من الرموز الإدخال · الكتابة إلى ذاكرة التخزين المؤقت — / 1K من الرموز الإدخال · الكتابة إلى ذاكرة التخزين المؤقت، 1 ساعة — / 1K من الرموز |
| الإعداداتUltra | جدول التعرفة— | وحدة الفوترةلكل ثانية صوت مُدخل | الرسوم الإدخال · ثانية صوت مُدخل $0.000015 لكل ثانية صوت مُدخل |
تحجز Ailoot مبلغًا تقديريًا قبل الطلب. وبعد ظهور النتيجة، تُسوّي الرسوم النهائية بناءً على الاستخدام المقاس. وتستخدم تسوية البث سجل الاستخدام النهائي. كيفية عمل حجز المبلغ وتسوية الرسوم →
تفاصيل التعرفة المرجعية
لا تغيّر جداول التعرفة المرجعية على مستوى النموذج اختيار الطريقة أو عروض الأسعار أو الرسوم. وتستخدم الرسوم الفعلية تعرفات طريقة Ailoot المحددة.
OpenAI: Whisper Large V3
الأسعار حسب الإعدادات
| الإعدادات | شروط الفوترة | الرسوم |
|---|---|---|
| الإعداداتOpenAI: Whisper Large V3 · الإعداد الافتراضي | شروط الفوترةالإعداد الافتراضي | الرسوم الإدخال · ثواني الصوت المُدخل 0.000015 US$ لكل ثانية صوت مُدخل |
أمثلة للطلبات
Ailoot Ultra · التعرّف على الكلام
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_AUDIO_FILE:?Set the path to your actual WAV recording}"
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
import base64
audio=Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()
if not (audio[:4]==b'RIFF' and audio[8:12]==b'WAVE'): raise SystemExit('Supply an actual WAV audio file')
if len(audio)>26214400: raise SystemExit('Use a documented supported large-file flow')
request={'model': 'openai/whisper-large-v3', 'input_audio': {'data': '${BASE64_ACTUAL_WAV_BYTES}', 'format': 'wav'}}
request['input_audio']['data']=base64.b64encode(audio).decode('ascii')
Path('request.json').write_text(json.dumps(request,ensure_ascii=False),encoding='utf-8')
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \
-H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
--data-binary @request.json -D response-headers.txt -o response.bin
# Keep the complete original response and headers. Read every returned segment, word and usage field.
# Preserve actual operation/task/asset IDs; continue reads of the original result without resubmitting.
استلام النتائج وحفظها
Ailoot Ultra · التعرّف على الكلام
json
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
الاحتفاظ بكل النتائج المكتملة
احتفظ بكل استجابة كاملة وكل ملف وجزء محتوى تم إرجاعه.
JSON الأصلي كاملاً، وجميع النصوص والمقاطع والكلمات والمتحدثين والطوابع الزمنية المتاحة، وبيانات الاستخدام.
عند الحاجة إلى التحقق من الاستجابة الأصلية
احتفظ بـoperation_id/X-Client-Request-ID الأصليين وبالاستجابة الأصلية. اقرأ سجلات المهام والأصول الفعلية المملوكة لك دون إعادة الإرسال؛ ولا يُنشأ عنوان URL مخصص للاستعلام عن الصوت.
حقول الاستجابة
| الحقل | النوع |
|---|---|
الحقلtext | النوعstring |
الحقلusage | النوعobject |
الحقلsegments[] | النوعobject |
الحقلwords[] | النوعobject |
الأسماء البديلة
الأسماء البديلة للنموذج
Ailoot Ultra openai/whisper-large-v3
الأسماء البديلة لمسارات الطرائق
استخدم مسارات الطرائق المعروضة أعلاه.
معرّفات النماذج ذات الصلة IDs
FAQ · OpenAI: Whisper Large V3
- ما المدخلات والنتائج المتاحة؟
POST /v1/audio/transcriptions·openai/whisper-large-v3:audio→transcription- ما الحقول التي يستخدمها الطلب؟
POST /v1/audio/transcriptions·openai/whisper-large-v3:model,input_audio,language,temperature,response_format,timestamp_granularities,provider- ما الحدود المطبقة؟
POST /v1/audio/transcriptions·openai/whisper-large-v3:temperature.minimum:0;temperature.maximum:1