OpenAI: GPT-4o Transcribe

GPT-4o Transcribe převádí zvuk na text pomocí schopností rozpoznávání řeči GPT-4o od OpenAI. Podporuje kontextové prompty, nápovědu vstupního jazyka, přepisy JSON, streamované výsledky ze souboru a volitelné logaritmy pravděpodobností tokenů pro kontrolu nejistého znění.

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

O modelu

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

GPT-4o Transcribe je model OpenAI pro převod řeči na text založený na GPT-4o. Jeho vstupem je zvuk s volitelným textovým vedením a výstupem rozpoznaný text. Je oddělený od edice GPT-4o Mini Transcribe a od GPT-4o Transcribe Diarize, specializovaného modelu pro označování mluvčích. Tento profil použijte k přípravě věrného textového záznamu mluveného materiálu; zdrojovou nahrávku ponechte dostupnou pro kontrolu a pozdější redakční práci.

Souborový vstup a příprava dlouhého materiálu

Průvodce přepisem od OpenAI dokumentuje nahrávání souborů do 25 MB. Aktuální reference koncového bodu přijímá FLAC, MP3, MP4, MPEG, MPGA, M4A, OGG, WAV a WebM a doporučuje metadata souboru určující formát, včetně názvu s příponou a odpovídajícího typu obsahu. U větší nahrávky doporučení výrobce pro delší vstupy zahrnuje kompresi nebo uspořádané části o velikosti nejvýše 25 MB. Nerozdělujte nahrávku uprostřed věty a zachovejte polohu každé části v celém záznamu.

U rozhovoru přiřaďte každý vstupní soubor k nahrávce a pasáži, kterou pokrývá. U technické prezentace připravte jako kontext relevantní názvy produktů, zkratky a oborové výrazy a poté jejich zápis porovnejte s tím, co mluvčí skutečně řekl. U zaznamenaného vysvětlení s číselnými hodnotami zkontrolujte přepis spolu se zdrojem, než jej převedete na písemný postup. Prvním požadovaným výstupem je rozpoznaná řeč v textové podobě; z tohoto textu lze samostatně připravit zkrácenou zprávu nebo přeložený dokument.

Prompty pro konkrétní nahrávku a volba jazyka

Průvodce výrobce výslovně zahrnuje GPT-4o Transcribe mezi modely podporující prompty. Prompt může dodat správný zápis, kontext předchozího segmentu a preference interpunkce, velkých písmen, výplňových slov nebo systému písma. Reference uvádí, že má odpovídat jazyku nahrávky. Krátký a relevantní popis tématu a slovní zásoby dává přepisu užitečný kontext, aniž by se nevyslovené termíny považovaly za povinný výstup.

Tento profil podporuje jazykovou nápovědu language v jednotném čísle, dokumentovanou ve formátu ISO 639-1. Zadání skutečného vstupního jazyka může pomoci rozpoznávání. Novější pole keywords a pole languages v množném čísle patří k samostatně pojmenovanému modelu GPT Transcribe a nelze je předpokládat u GPT-4o Transcribe. Nastavení jazyka vztahujte k přepisované řeči a zachovejte původní znění před pozdějším překladem nebo stylistickou úpravou.

Formát výsledku, pravděpodobnosti a specializované výstupy

Aktuální reference koncového bodu dokumentuje JSON jako podporovaný formát odpovědi GPT-4o Transcribe. Výsledek obsahuje rozpoznaný text a s tímto formátem JSON lze volitelně požadovat logaritmy pravděpodobností tokenů. Pravděpodobnostní údaje popisují, jak model vybírá tokeny. Mohou naznačit, které pasáže stojí za kontrolu, ale zda přepis reprodukuje obtížné jméno, číslo nebo frázi, určí porovnání se zvukem.

Výsledek JSON standardního profilu neposkytuje nativní formáty titulků, podrobné časové značky slov ani přiřazení mluvčích. OpenAI dokumentuje jiné kombinace modelů a formátů, pokud jsou tyto výstupy potřeba; GPT-4o Transcribe Diarize je samostatná edice pro označování mluvčích. U titulkování uchovejte zkontrolovaný přepis pro vhodný krok časování. U konverzace si nevymýšlejte jména mluvčích jen proto, že odstavec přepisu zdánlivě mění téma nebo hlas.

Streamované výsledky z dokončeného souboru

Průvodce OpenAI pro převod řeči na text uvádí, že stávající integrace GPT-4o Transcribe podporují streamování souborových výsledků. Aplikace nejprve dodá nahrávku, během jejího zpracování pak přijímá text přepisu a uchová dokončený výsledek. Jde o streamování přepisu dokončené nahrávky, nikoli o přijímání zvuku z mikrofonu průběžně při jeho vzniku. Karta konkrétního modelu uvádí také rodiny koncových bodů přepisu a Realtime; chování relace specifické pro model musí zůstat přiřazené tomuto profilu a nesmí se přebírat z novějšího modelu pro nepřetržité streamování.

Limity modelu a kontrola konečného výstupu

Aktuální specifikace GPT-4o Transcribe uvádí kontextové okno 16 000 tokenů, maximální výstup 2 000 tokenů a znalostní mezník 1. června 2024. Tyto tokenové limity neznamenají pevnou délku zvuku a nenahrazují pravidla přípravy souborového přepisu. U rozsáhlé nahrávky zachovejte pořadí zdroje a relevantní předchozí kontext a poté ověřte, že dokončený text dosahuje až na konec každého zamýšleného segmentu.

Užitečný konečný přepis se může stát prohledávatelným materiálem rozhovoru, zdrojem technické dokumentace nebo textem pro pozdější titulkování. Nejistou slovní zásobu, množství, interpunkci, přízvuky a překrývající se řeč kontrolujte vůči nahrávce. Oddělte rozpoznaný text od pozdějších oprav nebo shrnutí a pomocí identifikátorů v okolním postupu zachovejte propojení se zdrojem. Model poskytuje textový záznam; pečlivá příprava vstupu a kontrola zdroje určují, zda je tento záznam vhodný pro další použití.

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

openai/gpt-4o-transcribe

OpenAI /openai/gpt-4o-transcribe

Úvod

Přijímané vstupy: Zvuk
Výsledky: Text

Dostupné v Ailoot · vstupy a metody

Ailoot Ultra · Přepis řeči POST /v1/audio/transcriptions

Vstup: audio
Výstup: text

Pole	Typ	Požadavek	Hodnoty a limity	Výchozí
Pole`model`	Typ`string`	PožadavekPovinné	Hodnoty a limity openai/gpt-4o-transcribe	Výchozí—
Pole`input_audio`	Typ`object`	PožadavekPovinné	Hodnoty a limity	Výchozí—

Parametry a životní cyklus metody

Parametr	Kontrakt
Parametr`content_type`	Kontraktapplication/json
Parametr`required`	Kontraktmodel, input_audio
Parametr`material_types`	Kontraktaudio
Parametr`material_conditions`	KontraktPříklad načte váš skutečný neprázdný soubor PCM WAV, zakóduje všechny jeho bajty do base64 a odešle input_audio.format s hodnotou wav.

Životní cyklus: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · přesné task_id z existujícího záznamu média spravovaného službou

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

GET /v1/media/assets

GET /v1/media/assets/{asset_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
Konfiguracevstupní token	Tabulka sazeb—	Účtovací jednotka/ 1K tokenů	Poplatek Vstup $0.005 / 1K tokenů
Konfiguracevýstupní token	Tabulka sazeb—	Účtovací jednotka/ 1K tokenů	Poplatek Výstup $0.02 / 1K 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 · Přepis řeči

curl · skutečný soubor WAV a úplný původní výsledek

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_AUDIO_FILE:?Set the path to your actual PCM WAV recording}"
export AILOOT_AUDIO_FILE
python3 - <<'PY_REQUEST'
import base64, io, json, os, wave
from pathlib import Path
audio = Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()
if not (audio[:4] == b'RIFF' and audio[8:12] == b'WAVE'):
    raise SystemExit('Supply your actual PCM WAV audio file')
with wave.open(io.BytesIO(audio), 'rb') as recording:
    if recording.getcomptype() != 'NONE' or recording.getnframes() <= 0:
        raise SystemExit('Supply a nonempty PCM WAV recording')
request = {'model': 'openai/gpt-4o-transcribe', 'input_audio': {'data': base64.b64encode(audio).decode('ascii'), 'format': 'wav'}}
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
# Retain the complete original response, headers and actual X-Client-Request-ID.
# Read existing owned records for recovery; do not resubmit an uncertain operation.

Přijímání a ukládání výsledků

Ailoot Ultra · Přepis řeči

Celé původní tělo odpovědi, stav a předané hlavičky. Tento obslužný kód nepřidává žádnou univerzální strukturu JSON, textové pole ani obalovou strukturu úlohy.

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

Uchovejte všechny dokončené výsledky

Uchovejte každou úplnou vrácenou odpověď, soubor i část obsahu.

Uchovejte úplnou odpověď a hlavičky, všechny skutečné výstupy, původní vrácené identifikátory a všechna pole s údaji o využití. Obnovte původní operaci bez opětovného odeslání požadavku na vytvoření.

Pokud je nutné ověřit původní odpověď

Uchovejte skutečné X-Client-Request-ID a celou odpověď. Načítejte původní soubory spravované službou a jejich přesné podepsané URL obsahu; vytvoření s nejistým výsledkem nikdy znovu neodesílejte.

Pole odpovědi

Pole	Typ
Pole`text (when present)`	Typ
Pole`usage (when present)`	Typ

Chyby a další kroky

Odpověď	Podmínka	Další krok
Odpověď400 · `invalid_request_error`	PodmínkaTělo JSON nebo explicitně uvedené kanonické ID modelu jsou neplatné.	Další krokUchovejte odpověď a opravte označené pole požadavku.
Odpověď401 · `authentication_error`	PodmínkaKlíč API Ailoot je neplatný.	Další krokPoužijte svůj autorizovaný klíč API Ailoot.
Odpověď403 · `permission_error`	PodmínkaSkupina klíče nemá přístup k této metodě.	Další krokUchovejte vrácené podrobnosti chyby.
Odpověď404 · `not_found_error`	PodmínkaVybraná metoda nemá žádnou trasu s povoleným přístupem.	Další krokUchovejte vrácené podrobnosti chyby.
Odpověď422 · `price_unavailable`	PodmínkaPřijatý tarif nedokáže získat potřebné vstupní množství nebo jeho horní mez.	Další krokUchovejte odpověď; použijte způsob zadání vstupu požadovaný přijatým tarifem.
Odpověď503 ·	PodmínkaPotřebné úložiště, trasa, cena metody nebo rezervace nejsou dostupné.	Další krokUchovejte celou původní odpověď. Nejasná rezervace neopravňuje k opětovnému odeslání.
Odpověď502 · `server_error`	PodmínkaPůvodní výsledek, údaje o využití nebo vyúčtování vyžadují kontrolu.	Další krokUchovejte skutečné ID požadavku a původní odpověď. Načítejte existující záznam spravovaný službou; požadavek na vytvoření znovu neodesílejte.

Aliasy

Aliasy modelu

Ailoot Ultra openai/gpt-4o-transcribe

Aliasy cest metod

Použijte cesty metod uvedené výše.

Související ID modelů

openai/gpt-4o-transcribe

FAQ · OpenAI: GPT-4o Transcribe

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

OpenAI: GPT-4o Transcribe