gpt-4o-transcribe-diarize

GPT-4o Transcribe Diarize převádí zaznamenanou řeč na text se segmenty označenými podle mluvčího a s časovými údaji. Hodí se pro schůzky, rozhovory a nahrávky více lidí, kde přepis musí ukazovat, kdo kdy mluvil, s volitelnými krátkými hlasovými referencemi známých mluvčích.

Ailoot Ultra · Rozpoznávání řeči POST /v1/audio/transcriptions openai/gpt-4o-transcribe-diarize

O modelu

Tento popis zahrnuje schopnosti modelu. Vstupy, výstupy a možnosti dostupné v Ailoot jsou uvedeny níže pro vybranou metodu.

GPT-4o Transcribe Diarize je model OpenAI pro automatické rozpoznávání řeči s vestavěným rozlišením mluvčích. Přiřazuje přepsané zvukové segmenty různým mluvčím v konverzaci. Užitečným výsledkem je přepis uspořádaný podle mluvčího a času, nikoli jen souvislý blok slov. Je určen pro zaznamenanou řeč vyžadující označení mluvčích, například schůzku, rozhovor nebo diskusi více lidí.

Připravte dokončenou nahrávku

Dodejte nahrávku určenou k přepisu. Dokumentovaný souborový postup přijímá MP3, MP4, MPEG, MPGA, M4A, WAV a WebM s limitem velikosti souboru 25 MB. Uchovejte zdrojovou nahrávku, aby bylo možné konkrétní promluvu, jméno nebo nejasnou frázi porovnat se skutečným zvukem.

U schůzky zachovejte pořadí konverzace a nevyřezávejte krátké pauzy, které pomáhají rozlišit střídání mluvčích. U rozhovoru ponechte otázku a odpověď společně, pokud úloha potřebuje jejich vztah. Příprava zvuku má zajistit slyšitelnost řeči bez odstranění informací důležitých pro výsledek označený podle mluvčích.

Jde o postup přepisu souboru. Zpracování dokončené nahrávky a rozpoznávání zvukového proudu, který stále přichází, jsou různé úlohy; označování mluvčích tímto modelem není podporováno v přepisovacích relacích Realtime.

Požádejte o přepis s označením mluvčích

Výsledný formát diarized_json vrací segmenty s označením identity mluvčího a časem začátku i konce. Každý segment také obsahuje svůj přepsaný text. Uchovejte tato pole společně, aby bylo možné slova přiřadit k příslušné části nahrávky.

Pro užitečný přepis schůzky zachovejte pořadí segmentů a zobrazujte slova každého mluvčího spolu s časovými údaji. Pozdější úloha může z přepisu připravit zápis nebo úkoly, ale samotné rozlišení mluvčích nerozhoduje o tom, na čem se schůzka shodla, ani negeneruje ověřené shrnutí.

Označení mluvčích popisuje, jak model seskupuje řeč. Kontrolujte přechody, při kterých si lidé skáčou do řeči, mluví krátce nebo současně. Dobře strukturovaný výsledek pomáhá při orientaci a kontrole, konkrétní přiřazení však stále může vyžadovat poslech původního zvuku.

Reference známých mluvčích

Dokumentovaný postup může přijmout až čtyři pojmenované reference mluvčích. Každá reference je krátká zvuková ukázka o délce 2–10 sekund ve formátu podporovaném pro nahrání hlavní nahrávky. Jména a reference se dodávají společně, aby bylo možné segmenty přiřadit známým mluvčím.

Připravte referenci, na které je zamýšlený mluvčí zřetelně slyšet, a zachovejte její jméno v souladu s požadovaným označením v přepisu. U rozhovoru může reference moderátora pomoci uspořádat výsledek s označením mluvčích, aniž by každý účastník dostal anonymní označení. Reference je vstupem pro přiřazení; nejde o obecnou operaci klonování hlasu ani o důkaz totožnosti člověka.

Nezaměňujte pojmenování mluvčího s úpravou vyslovených slov. Užitečný výstup musí nadále zachovávat obsah nahrávky a skutečné pořadí promluv.

Dělení na části a limity modelu

Pro zvuk delší než 30 sekund výrobce vyžaduje strategii dělení na části, buď automatické dělení, nebo konfiguraci detekce hlasové aktivity. Tento požadavek není maximální délkou nahrávky. Popisuje, jak se delší vstup rozděluje ke zpracování.

Karta modelu uvádí kontextové okno 16 000 tokenů a maximálně 2 000 výstupních tokenů. Jde o tokenové limity modelu, oddělené od souborového limitu nahrávání 25 MB a prahu pro dělení. Nemají se převádět na vymyšlený počet minut platný pro každou nahrávku.

Při sestavování nebo kontrole delšího přepisu zachovejte časové údaje a identitu segmentů. Pokud byla nahrávka rozdělena před odesláním, uchovejte vztah každé části k původnímu zvuku, aby se místní časová značka nezaměnila za polohu v celé konverzaci.

Streamování dokončených segmentů

Souborový přepis může během zpracování nahrávky streamovat text. Při streamování s označením mluvčích vytvářejí dokončené segmenty události segmentů. Přírůstky textu obsahují identifikátor segmentu, ale neobsahují částečná přiřazení mluvčích; mluvčí je přiřazen, až když je segment dokončen.

Toto rozlišení je důležité pro zobrazení. Průběžný text a dokončenou promluvu mluvčího zobrazujte jako různé stavy, místo abyste připojovali nejisté označení mluvčího dříve, než model segment dokončí. Uchovejte dokončený výsledek, pokud bude přepis potřeba pro pozdější úpravy nebo analýzu.

Hranice modelu a výstupu

Tento profil je modelem pro rozlišení mluvčích, odděleným od běžného přepisu GPT-4o, přepisu Mini, syntézy řeči a modelů živé konverzace. Nepodporuje prompty pro přepis; kontrolu terminologie nebo opravy ponechte jako samostatný krok ověřovaný vůči původnímu zvuku. Jeho rozhraní u výrobce přepisuje zaznamenaný zvuk na text. Negeneruje zvukovou odpověď ani nepřekládá nahrávku prostřednictvím samostatného postupu překladu zvuku.

Použijte jej pro přepisy, které potřebují obsah i strukturu mluvčích. Porovnejte jména, odborné termíny, čísla, hranice promluv a přiřazení s nahrávkou. Uchovejte zvuk, zvolený formát výsledku, reference a dokončený přepis, aby oprava mohla řešit jednu konkrétní frázi nebo přiřazení mluvčího.

Ailoot Ultra · Rozpoznávání řeči POST /v1/audio/transcriptions openai/gpt-4o-transcribe-diarize

openai/gpt-4o-transcribe-diarize

OpenAI /openai/gpt-4o-transcribe-diarize

Úvod

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
Pole`model`	Typ`string`	PožadavekPovinné	Hodnoty a limity openai/gpt-4o-transcribe-diarize	Výchozí—
Pole`file`	Typ`file`	PožadavekPovinné	Hodnoty a limity Maximální počet bajtů: 26 214 400 Typy MIME: audio/mpeg Přípona souboru: .mp3 Maximální délka, sekundy: 30	Výchozí—
Pole`response_format`	Typ`string`	PožadavekPovinné	Hodnoty a limity diarized_json	Výchozí—

Kombinace vstupních materiálů

diarized_transcription

Parametry a životní cyklus metody

Parametr	Kontrakt
Parametr`content_type`	Kontraktmultipart/form-data
Parametr`required`	Kontraktmodel, file, response_format
Parametr`file_formats`	Kontraktmp3
Parametr`max_audio_seconds`	Kontrakt30
Parametr`max_bytes`	Kontrakt26214400
Parametr`response_format`	Kontraktdiarized_json
Parametr`other_options`	Kontraktfalse
Parametr`material_types`	Kontraktaudio
Parametr`additional_properties`	Kontraktfalse
Parametr`form_string_maximum_bytes`	Kontrakt256

Aliasy metody: /audio/transcriptions

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 skutečnou nahrávku a odpovídající formát.

Zachovejte celý přepis, segmenty, ID mluvčích a časové údaje.

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 jednotka/ 1K zvukových tokenů	Poplatek Vstup · vstupní zvukový token $0.012 / 1K zvukových tokenů
KonfiguraceUltra	Tabulka sazeb—	Účtovací jednotka/ 1K zvukových tokenů	Poplatek Výstup · výstupní zvukový token $0.02 / 1K zvukových tokenů

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 →

Příklady požadavků

Ailoot Ultra · Rozpoznávání řeči

curl · přesný uložený požadavek na vytvoření

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_AUDIO_FILE:?Set the path to your actual MP3 recording}"
export AILOOT_AUDIO_FILE
python3 - <<'PY_REQUEST'
import os
from pathlib import Path
p=Path(os.environ["AILOOT_AUDIO_FILE"])
if not p.is_file() or p.suffix.lower()!=".mp3":raise SystemExit("Choose an existing MP3 recording")
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \
  -H "Authorization: Bearer $AILOOT_API_KEY" \
  --form-string model=openai/gpt-4o-transcribe-diarize -F "file=@$AILOOT_AUDIO_FILE" --form-string response_format=diarized_json \
  -D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
print(json.dumps(json.loads(Path("result.json").read_text())))
PY_RESULT

Přijímání a ukládání výsledků

Ailoot Ultra · Rozpoznávání řeči

json

GET /v1/media/tasks/{task_id}
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}

Další načtení obsahu

Uložte každý vrácený přepis, který vám patříKnihovna médiíStav úlohyPodrobnosti souboru

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
export AILOOT_API_KEY
python3 - <<'PY_ASSETS'
import json,os,subprocess
from pathlib import Path
from urllib.parse import urljoin,urlsplit
r=json.loads(Path('result.json').read_text())
urls=[]
if isinstance(r.get('asset_url'),str) and r['asset_url']:urls.append(('transcript',r['asset_url']))
for label,path in urls:
    u=urljoin('https://api.ailoot.ai',path);z=urlsplit(u)
    if z.scheme!='https' or z.netloc!='api.ailoot.ai' or z.username or z.password:raise SystemExit('Use the actual returned Ailoot owned content URL')
    target=Path('owned-'+label+'.bin')
    subprocess.run(['curl','--fail-with-body','--silent','--show-error',u,'-H','Authorization: Bearer '+os.environ['AILOOT_API_KEY'],'-D',str(target)+'.headers','-o',str(target)],check=True)
print('All returned owned URLs saved; complete metadata, timing and usage remain in the JSON.')
PY_ASSETS

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \
  -H "Authorization: Bearer $AILOOT_API_KEY" -o media-assets.json

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_MEDIA_TASK_ID:?Set the actual ID returned by the response or media-library metadata}"
export AILOOT_MEDIA_TASK_ID
resource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_MEDIA_TASK_ID"],safe=""))')
curl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/tasks/$resource_id" \
  -H "Authorization: Bearer $AILOOT_API_KEY" -o media-task.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
print(json.dumps(json.loads(Path("media-task.json").read_text())))
PY_RESULT

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_ASSET_ID:?Set the actual ID returned by the response or media-library metadata}"
export AILOOT_ASSET_ID
resource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_ASSET_ID"],safe=""))')
curl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/assets/$resource_id" \
  -H "Authorization: Bearer $AILOOT_API_KEY" -o media-asset.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
print(json.dumps(json.loads(Path("media-asset.json").read_text())))
PY_RESULT

Uchovejte všechny dokončené výsledky

Uchovejte každou úplnou vrácenou odpověď, soubor i část obsahu.

Uchovejte celý JSON, nikoli pouze text; zachovejte každý dostupný segment, mluvčího, časovou značku a skutečný identifikátor úlohy či souboru.

Pokud je nutné ověřit původní odpověď

Uchovejte původní operation_id/X-Client-Request-ID pro spárování záznamů bez opětovného odeslání; samostatná trasa pro dotazování na stav zvuku neexistuje.

Pole odpovědi

Pole	Typ
Pole`text`	Typstring
Pole`segments[]`	Typobject
Pole`task_id`	Typstring
Pole`asset_url`	Typstring
Pole`usage`	Typobject
Pole`segments[].speaker`	Typstring
Pole`segments[].start`	Typnumber
Pole`segments[].end`	Typnumber

Chyby a další kroky

Odpověď	Podmínka	Další krok
Odpověď400 · `invalid_request_error`	PodmínkaNeplatná povinná pole, reprezentace podkladů nebo hodnota parametru	Další krokPřed novým požadavkem na vytvoření opravte uvedená pole.
Odpověď`server_error`	PodmínkaVrácená odpověď uvádí, že operaci nebo výsledek je třeba zkontrolovat	Další krokUchovejte původní vrácené ID operace nebo úlohy, hlavičky požadavku a odpověď; pokračujte v podporovaném načítání údajů o této původní operaci. Požadavek na vytvoření znovu neodesílejte.

Aliasy

Aliasy modelu

Ailoot Ultra openai/gpt-4o-transcribe-diarize

Aliasy cest metod

/audio/transcriptions

Související ID modelů

openai/gpt-4o-transcribe-diarize

FAQ · gpt-4o-transcribe-diarize

Jaké vstupy a výsledky jsou dostupné?: POST /v1/audio/transcriptions · openai/gpt-4o-transcribe-diarize: audio → transcription
Jaká pole požadavek používá?: POST /v1/audio/transcriptions · openai/gpt-4o-transcribe-diarize: model, file, response_format

gpt-4o-transcribe-diarize