Deepgram: Nova-3
Nova-3 je obecný model společnosti Deepgram pro převod nahrané a streamované řeči na text. Podporuje jednojazyčné rozpoznávání, vymezený vícejazyčný režim přepínání jazyků a nápovědu klíčovými termíny a vrací přepisy s časováním slov a informacemi o jistotě rozpoznání.
O modelu
Tento popis zahrnuje schopnosti modelu. Vstupy, výstupy a možnosti dostupné v Ailoot jsou uvedeny níže pro vybranou metodu.
Nova-3 je obecný model společnosti Deepgram pro rozpoznávání řeči a převod zvuku na text. Výrobce jej doporučuje pro schůzky, titulky událostí, nahrávky s více mluvčími a náročné podmínky, jako jsou hluk nebo vzdálené mikrofony, při přepisu nahrávek i streamovaného zvuku. Užitečným výsledkem je rozpoznaná řeč s časováním a informacemi o jistotě, která zůstává propojená se zdrojovým zvukem.
Volba jazykového postupu
Dokumentovaným výchozím jazykem je angličtina. Jednojazyčný požadavek vybírá mluvený jazyk nebo podporovanou místní variantu. Aktuální tabulka obecného modelu zahrnuje regionální varianty angličtiny, španělštinu, francouzštinu, němčinu, ruštinu, portugalštinu, japonštinu, italštinu, nizozemštinu, arabštinu, čínská písma a mnoho dalších jazyků včetně kazaštiny. Vybírejte z kódů podporovaných výrobcem, místo abyste předpokládali přijetí libovolného názvu místní varianty.
Vícejazyčné nastavení je samostatný postup pro přepínání jazyků. Aktuální tabulka Nova-3 pro něj uvádí deset jazyků: angličtinu, španělštinu, francouzštinu, němčinu, hindštinu, ruštinu, portugalštinu, japonštinu, italštinu a nizozemštinu. Tato sada není totožná s širším jednojazyčným seznamem. Pro nahrávku střídající podporované jazyky připravte vícejazyčný režim, místo abyste celou konverzaci nutili do nesouvisejícího jednojazyčného nastavení. Před přípravou přeložené nebo shrnuté verze zachovejte to, co bylo skutečně řečeno.
Nahraný zvuk a příprava přepisu
Souborový postup Deepgram přijímá nahrané zvukové bajty nebo odkaz na zvukový soubor. Vrácený přepis uložte po dokončení požadavku; výrobce přepisy neukládá k pozdějšímu vyzvednutí. Mezi běžné dokumentované vstupní formáty a kódování patří MP3, MP4, MP2, AAC, WAV, FLAC, PCM, M4A, Ogg, Opus a WebM. U nahrávky zachovejte skutečný formát a informace o kanálech. Přidělte jí stabilní identifikátor a výsledek uchovávejte přiřazený ke správnému zdroji a informacím o jeho kanálech. U schůzky kontrolujte jména účastníků a odborné termíny při poslechu původního zvuku. U přednášky nebo události zachovejte posloupnost zvuku, aby pozdější titulek nebo výsledek vyhledávání mohl najít příslušnou pasáž.
Průvodce výrobce pro nahrávky uvádí maximální velikost souboru 2 GB a doporučuje z velkého video souboru extrahovat zvukový proud. Dokumentuje také desetiminutový časový limit zpracování požadavků Nova. Tento limit se týká délky zpracování požadavku, nikoli maximální desetiminutové délky nahrávky. Užitečný výsledek zahrnuje konec zamýšlené nahrávky; částečně uchovaný přepis nelze považovat za úplný text.
Čtení slov, časů a jistoty
Dokumentovaná odpověď JSON obsahuje alternativy přepisu a rozpoznaná slova, každé s časem začátku a konce v sekundách od počátku zvuku a hodnotou jistoty. U přepisu více mluvčích přiřazuje volitelná diarizace výrobce každému slovu označení mluvčího. Diarizace nahrávek také vrací jistotu přiřazení mluvčího; streamovaná diarizace vrací označení mluvčího. Tato označení kontrolujte vůči hlasům v nahrávce. Hlásí se také celková jistota přepisu na stupnici 0–1. Je-li požadováno chytré formátování, výsledek může obsahovat interpunkci a velká písmena ve slovech doplněných interpunkcí spolu s informacemi o čitelných odstavcích.
Pole používejte podle jejich významu. Čas slova určuje místo rozpoznané řeči, zatímco jistota je odhadem spolehlivosti modelu, nikoli důkazem správného zachycení obtížného jména nebo množství. Pro přípravu titulků zachovejte časování vedle zkontrolovaného znění a hranice ověřte podle zvuku. V čitelné redakční verzi udržujte změny odlišitelné od rozpoznaného přepisu, místo abyste nejistá slova tiše nahrazovali uvěřitelným příběhem.
Streamované rozpoznávání a finální segmenty
Streamovaný postup Nova vrací text s příchodem zvuku v průběžných a finálních výsledcích. Ukazatel is_final rozlišuje text, který ještě může být upraven, od dokončeného segmentu. Ukazatel speech_final souvisí s detekcí konce úseku řeči. Tyto signály odlišujte od pouhého přijetí neprázdného přepisu a při přípravě úplného záznamu zachovávejte finální segmenty v jejich zvukovém pořadí.
Nova-3 je obecný model ASR, odlišný od samostatného konverzačního modelu Flux s detekcí konverzačních promluv přímo v modelu. Nova označuje finálnost přepisu a konce úseků řeči; Flux poskytuje vlastní události stavu konverzačních promluv. Postup přepisu volte podle toho, zda je zvuk již nahraný nebo přichází živě, a jako uchovávaný výstup používejte skutečný finální výsledek.
Klíčové termíny pro důležitou slovní zásobu
Dokumentované Keyterm Prompting v Nova-3 podporuje jednojazyčný i vícejazyčný přepis a směruje rozpoznávání k důležitým termínům bez přetrénování modelu. Dodávejte relevantní jména, produktové termíny, zkratky nebo víceslovné fráze, které skutečně mohou zaznít. Průvodce omezuje souhrnný vstup klíčových termínů na 500 tokenů a doporučuje zaměřit se na nejdůležitější slovní zásobu místo bezvýběrového přidávání běžných slov.
Syntaxe výrobce používá prosté termíny se samostatnou položkou keyterm pro každý termín. Víceslovná fráze zůstává jedinou frází. Starší váhy nebo zesilující modifikátory klíčových slov ani spojení samostatných termínů čárkami, středníky nebo novými řádky nejsou ekvivalentní: rozhraní je může přijmout jako jedinou doslovnou hodnotu bez zamýšleného posílení. U jmen používejte správná velká a malá písmena a poté přepis kontrolujte, protože zvukový kontext a chytré formátování mohou konečnou psanou podobu stále změnit.
Hranice rodiny modelů a užitečné výsledky
Obecný profil Nova-3 se liší od samostatně pojmenovaných variant Medical a Pharma. Nápověda slovní zásobou jej nemění na jinou edici a u obecného modelu nelze předpokládat jazykové pokrytí nebo chování specializovaných modelů. Další funkce zpracování přepisu jsou volbami v řečovém postupu výrobce, nikoli důkazem, že rozpoznávání vytvořilo shrnutí, překlad nebo jiný výstup, který nebyl požadován.
Užitečným výstupem Nova-3 může být prohledávatelný přepis schůzky, znění připravené pro titulky s časováním slov nebo záznam vícejazyčné konverzace. Zachovejte identifikátor zvuku, zvolený jazykový postup, finální text a případná užitečná pole jistoty nebo časování. Nejasná jména, čísla, překrývající se hlasy a změny jazyka ověřujte vůči původní nahrávce a skutečně rozpoznanou řeč ponechte dostupnou pro další krok zpracování obsahu.
Ailoot Ultra · Rozpoznávání řeči POST /v1/audio/transcriptions deepgram/nova-3
deepgram/nova-3Úvod
Nova-3 je obecný model společnosti Deepgram pro převod nahrané a streamované řeči na text. Podporuje jednojazyčné rozpoznávání, vymezený vícejazyčný režim přepínání jazyků a nápovědu klíčovými termíny a vrací přepisy s časováním slov a informacemi o jistotě rozpoznání.
- Přijímané vstupy
- Zvuk
- Výsledky
- transcription
Dostupné v Ailoot · vstupy a metody
Ailoot Ultra · Rozpoznávání řeči POST /v1/audio/transcriptions
- Vstup
audio- Výstup
transcription- Výstupní formát
- json
| Pole | Typ | Požadavek | Hodnoty a limity | Výchozí |
|---|---|---|---|---|
Polemodel | Typstring | PožadavekPovinné | Hodnoty a limity deepgram/nova-3 | Výchozí— |
Poleinput_audio | Typobject | PožadavekPovinné | Hodnoty a limity | Výchozí— |
Polelanguage | Typstring | PožadavekVolitelné | Hodnoty a limity | Výchozí— |
Poletemperature | Typnumber | PožadavekVolitelné | Hodnoty a limity Minimum: 0 Maximum: 1 | Výchozí— |
Poleresponse_format | Typstring | PožadavekVolitelné | Hodnoty a limity json, verbose_json | Výchozíjson |
Poletimestamp_granularities | Typarray | PožadavekVolitelné | Hodnoty a limity | Výchozí— |
Poleprovider | Typobject | PožadavekVolitelné | Hodnoty a limity | Výchozí— |
Kombinace vstupních materiálů
speech_to_text · Povinné: actual matching-format audio file
Parametry a životní cyklus metody
| Parametr | Kontrakt |
|---|---|
Parametrcontent_types | Kontraktapplication/json, multipart/form-data |
Parametrrequired | Kontraktmodel, input_audio |
Parametrmaterial_types | Kontraktaudio |
ParametrJSON_audio | Kontraktskutečné nezpracované bajty zvuku v base64 a odpovídající formát |
Parametrmultipart_required | Kontraktmodel, file |
Parametrmultipart_cap_bytes | Kontrakt26214400 |
Parametroptional_controls | Kontraktlanguage, temperature, response_format, timestamp_granularities, provider |
Parametrdefault_response_format | Kontraktjson |
Parametroptional_features | KontraktPodrobný výstup, diarize/keyterms a zvuk přes URL nebo větší vložená zvuková data vyžadují odpovídající podporu a tarif konkrétního modelu a poskytovatele. |
Životní cyklus: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · skutečně vrácené task_id nebo záznam v knihovně médií
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Použijte přesný model a dokumentovaná vstupní pole.
Uchovejte celou odpověď, každý skutečný výstup a původní vrácená ID.
Tarify
Údaje o tarifech nepřidávají možnosti požadavku. Podporované parametry jsou uvedeny u vybrané metody.
- Rychlý režim
- Neuvedeno Při výběru rychlého režimu
- Režim flex
- Neuvedeno Při výběru režimu flex
- Maximální intenzita uvažování
- Neuvedeno Když se při maximální intenzitě uvažování použije výchozí úprava (default)
Sazby Ailoot
Ceny podle konfigurace
Přiřaďte každý poplatek k uvedeným podmínkám. Pro každou sadu alternativních konfigurací použijte jednu sazbu.
| Konfigurace | Tabulka sazeb | Účtovací jednotka | Poplatek |
|---|---|---|---|
| KonfiguraceZákladní sazby za tokeny | Tabulka sazebZákladní sazba | Účtovací jednotka— | Poplatek Vstup · Vstupní tokeny — / 1K tokenů Výstup · Výstupní tokeny — / 1K tokenů Vstup · Čtení z mezipaměti — / 1K tokenů Vstup · Zápis do mezipaměti — / 1K tokenů Vstup · Zápis do mezipaměti, 1 hodina — / 1K tokenů |
| KonfiguraceUltra | Tabulka sazeb— | Účtovací jednotkaza sekundu vstupního zvuku | Poplatek Vstup · sekunda vstupního zvuku $0.0001433333333334 za sekundu vstupního zvuku |
Ailoot před požadavkem rezervuje odhadovanou částku. Po výsledku vyúčtuje konečný poplatek podle naměřeného využití. Při streamování se účtování řídí konečným záznamem využití. Jak funguje rezervace a vyúčtování →
Podrobnosti referenčního tarifu
Referenční tabulky modelu nemění výběr metody, cenové nabídky ani poplatky. Skutečné poplatky používají sazby vybrané metody Ailoot.
Deepgram: Nova-3
Ceny podle konfigurace
| Konfigurace | Podmínky účtování | Poplatek |
|---|---|---|
| KonfiguraceDeepgram: Nova-3 · Výchozí konfigurace | Podmínky účtováníVýchozí konfigurace | Poplatek Vstup · Sekundy vstupního zvuku ≈0,000143 US$ za sekundu vstupního zvuku |
Příklady požadavků
Ailoot Ultra · Rozpoznávání řeči
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': 'deepgram/nova-3', '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.
Přijímání a ukládání výsledků
Ailoot Ultra · Rozpoznávání řeči
json
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
Uchovejte všechny dokončené výsledky
Uchovejte každou úplnou vrácenou odpověď, soubor i část obsahu.
Celý původní JSON, veškerý dostupný text, segmenty, slova, mluvčí, časové značky a údaje o využití.
Pokud je nutné ověřit původní odpověď
Uchovejte původní operation_id/X-Client-Request-ID a původní odpověď. Načítejte skutečné záznamy úloh a souborů spravovaných službou bez opětovného odesílání; žádná vyhrazená URL pro dotazování na zvuk se nesestavuje.
Pole odpovědi
| Pole | Typ |
|---|---|
Poletext | Typstring |
Poleusage | Typobject |
Polesegments[] | Typobject |
Polewords[] | Typobject |
Aliasy
Aliasy modelu
Ailoot Ultra deepgram/nova-3
Aliasy cest metod
Použijte cesty metod uvedené výše.
Související ID modelů
FAQ · Deepgram: Nova-3
- Jaké vstupy a výsledky jsou dostupné?
POST /v1/audio/transcriptions·deepgram/nova-3:audio→transcription- Jaká pole požadavek používá?
POST /v1/audio/transcriptions·deepgram/nova-3:model,input_audio,language,temperature,response_format,timestamp_granularities,provider- Jaké limity platí?
POST /v1/audio/transcriptions·deepgram/nova-3:temperature.minimum:0;temperature.maximum:1