Whisper large-v3 je vydaný modelový checkpoint rozpoznávání řeči od OpenAI s přibližně 1,55 miliardy parametrů. Jde o vícejazyčný model typu enkodér–dekodér: zvuk vstupuje do enkodéru a dekodér předpovídá text a tokeny související s úkolem. Hlavními úkoly jsou přepis řeči v původním jazyce a překlad řeči do angličtiny. Jde o identitu modelu s otevřenými vahami, oddělenou od identifikátoru modelu hostované služby i od pravidel dané služby pro nahrávání a formáty odpovědí.
Large-v3 zachovává architekturu dřívějších velkých checkpointů Whisper se dvěma uvedenými změnami: jeho spektrogramový vstup používá 128 melových frekvenčních pásem místo 80 a přidává token kantonského jazyka. Modelová karta výrobce popisuje trénování na jednom milionu hodin slabě anotovaného zvuku a čtyřech milionech hodin zvuku s pseudoanotacemi připravenými pomocí Whisper large-v2. Tato směs byla použita pro dvě trénovací epochy. Vydání je konkrétním checkpointem large-v3, nikoli obecným označením všech modelů rodiny Whisper.
Dokumentovaný postup inference ve výchozím nastavení provádí přepis a zachovává jazyk nahrané řeči. Zdrojový jazyk může automaticky rozpoznat nebo přijmout známou volbu jazyka. Při překladu poskytuje vícejazyčný velký model anglický textový výsledek z neanglické řeči. Tento úkol zvolte výslovně: přepis ve stejném jazyce a anglický překlad jsou různé výstupy. U rozhovoru zachovejte znění v původním jazyce; u anglického referenčního dokumentu určete, že požadovaným výsledkem je překlad mluveného obsahu.
Příprava zvuku je součástí vstupní cesty. Načítací funkce OpenAI dekóduje nahrávku na monofonní průběh a převzorkuje ji na 16 kHz. Akustické receptivní pole modelu je 30 sekund. Jde o okno zpracování, nikoli o maximální délku celého rozhovoru nebo přednášky. Inference dlouhých záznamů může postupovat sekvenčně přes posuvná okna nebo rozdělit dlouhou nahrávku na překrývající se části a spojit jejich přepisy. Modelová karta výrobce popisuje sekvenční zpracování, když je prioritou přesnost, a zpracování po částech, když více záleží na rychlosti dokončení jedné dlouhé nahrávky.
Vydaná konfigurace uvádí 448 pozic dekodéru pro jednu dekódovací sekvenci. Delší nahrávky se zpracovávají postupem pro dlouhé záznamy, nikoli tak, že by se toto číslo považovalo za univerzální limit přepisu. Dokumentovaný postup může vedle rozpoznaného textu vracet časové značky segmentů nebo slov. Tyto časové údaje se hodí pro navigaci v nahrávkách a přípravu titulků, zatímco konečný titulkový kontejner nebo formát souboru přepisu je samostatnou volbou výstupního formátování. Má-li být přepis zarovnán s původním materiálem, při přípravě zvuku zachovejte jeho časování.
Zamýšlenou úlohou Whisper je rozpoznávání a překlad řeči. Přepis přednášky, záznam rozhovoru nebo prohledávatelná sbírka mluveného materiálu jsou praktickými výstupy; shrnutí či interpretace mohou následovat jako další krok nad textem. Modelová karta nestanovuje spolehlivou automatickou klasifikaci mluvčích ani diarizaci jako standardní výstup základního checkpointu. Pokud úkol vyžaduje označení mluvčích, je třeba tento požadavek řešit odděleně od tvrzení o přesném přepisu. Užitečné zadání určuje zdrojový jazyk, zda je potřeba přepis nebo anglický překlad, a zda jsou požadovány časové údaje.
Mezi podstatná omezení patří vymyšlený text, který nikdy nezazněl, a opakující se text; souvisí se slabě řízeným trénováním na zašuměných datech a návrhem sequence-to-sequence. Kvalita rozpoznávání se liší podle jazyků, přízvuků a dialektů a je slabší tam, kde existuje méně trénovacího materiálu. Šum, odborná slovní zásoba a překrývající se řeč proto mají být zastoupeny ve vzorku používaném k posouzení vhodnosti. Jména, množství a důležitá tvrzení porovnejte s nahrávkou a prohlédněte úseky bez řeči nebo opakované řádky; plynulý přepis nepovažujte za důkaz, že bylo slyšeno každé slovo.
Úplný výsledek uchovává rozpoznaný text, jeho jazyk a případné požadované časové údaje s odkazem na původní nahrávku. Přepis oddělte od pozdějších úprav: opravený přepis pro publikaci může odstranit výplňové výrazy, zatímco rozpoznaný přepis zachovává to, co model skutečně vrátil. Identitu large-v3 a jeho překladovou schopnost je rovněž třeba oddělovat od rychlejší verze Turbo. Skutečná rychlost zpracování závisí na jazyce, tempu řeči, hardwaru a metodě inference; z názvu checkpointu samotného nevyplývá konkrétní latence hostované služby, maximální velikost nahrávaného souboru ani povolená cesta aplikace.
", "aboutText": "Whisper large-v3 je vydaný modelový checkpoint rozpoznávání řeči od OpenAI s přibližně 1,55 miliardy parametrů. Jde o vícejazyčný model typu enkodér–dekodér: zvuk vstupuje do enkodéru a dekodér předpovídá text a tokeny související s úkolem. Hlavními úkoly jsou přepis řeči v původním jazyce a překlad řeči do angličtiny. Jde o identitu modelu s otevřenými vahami, oddělenou od identifikátoru modelu hostované služby i od pravidel dané služby pro nahrávání a formáty odpovědí.\n\nLarge-v3 zachovává architekturu dřívějších velkých checkpointů Whisper se dvěma uvedenými změnami: jeho spektrogramový vstup používá 128 melových frekvenčních pásem místo 80 a přidává token kantonského jazyka. Modelová karta výrobce popisuje trénování na jednom milionu hodin slabě anotovaného zvuku a čtyřech milionech hodin zvuku s pseudoanotacemi připravenými pomocí Whisper large-v2. Tato směs byla použita pro dvě trénovací epochy. Vydání je konkrétním checkpointem large-v3, nikoli obecným označením všech modelů rodiny Whisper.\n\nDokumentovaný postup inference ve výchozím nastavení provádí přepis a zachovává jazyk nahrané řeči. Zdrojový jazyk může automaticky rozpoznat nebo přijmout známou volbu jazyka. Při překladu poskytuje vícejazyčný velký model anglický textový výsledek z neanglické řeči. Tento úkol zvolte výslovně: přepis ve stejném jazyce a anglický překlad jsou různé výstupy. U rozhovoru zachovejte znění v původním jazyce; u anglického referenčního dokumentu určete, že požadovaným výsledkem je překlad mluveného obsahu.\n\nPříprava zvuku je součástí vstupní cesty. Načítací funkce OpenAI dekóduje nahrávku na monofonní průběh a převzorkuje ji na 16 kHz. Akustické receptivní pole modelu je 30 sekund. Jde o okno zpracování, nikoli o maximální délku celého rozhovoru nebo přednášky. Inference dlouhých záznamů může postupovat sekvenčně přes posuvná okna nebo rozdělit dlouhou nahrávku na překrývající se části a spojit jejich přepisy. Modelová karta výrobce popisuje sekvenční zpracování, když je prioritou přesnost, a zpracování po částech, když více záleží na rychlosti dokončení jedné dlouhé nahrávky.\n\nVydaná konfigurace uvádí 448 pozic dekodéru pro jednu dekódovací sekvenci. Delší nahrávky se zpracovávají postupem pro dlouhé záznamy, nikoli tak, že by se toto číslo považovalo za univerzální limit přepisu. Dokumentovaný postup může vedle rozpoznaného textu vracet časové značky segmentů nebo slov. Tyto časové údaje se hodí pro navigaci v nahrávkách a přípravu titulků, zatímco konečný titulkový kontejner nebo formát souboru přepisu je samostatnou volbou výstupního formátování. Má-li být přepis zarovnán s původním materiálem, při přípravě zvuku zachovejte jeho časování.\n\nZamýšlenou úlohou Whisper je rozpoznávání a překlad řeči. Přepis přednášky, záznam rozhovoru nebo prohledávatelná sbírka mluveného materiálu jsou praktickými výstupy; shrnutí či interpretace mohou následovat jako další krok nad textem. Modelová karta nestanovuje spolehlivou automatickou klasifikaci mluvčích ani diarizaci jako standardní výstup základního checkpointu. Pokud úkol vyžaduje označení mluvčích, je třeba tento požadavek řešit odděleně od tvrzení o přesném přepisu. Užitečné zadání určuje zdrojový jazyk, zda je potřeba přepis nebo anglický překlad, a zda jsou požadovány časové údaje.\n\nMezi podstatná omezení patří vymyšlený text, který nikdy nezazněl, a opakující se text; souvisí se slabě řízeným trénováním na zašuměných datech a návrhem sequence-to-sequence. Kvalita rozpoznávání se liší podle jazyků, přízvuků a dialektů a je slabší tam, kde existuje méně trénovacího materiálu. Šum, odborná slovní zásoba a překrývající se řeč proto mají být zastoupeny ve vzorku používaném k posouzení vhodnosti. Jména, množství a důležitá tvrzení porovnejte s nahrávkou a prohlédněte úseky bez řeči nebo opakované řádky; plynulý přepis nepovažujte za důkaz, že bylo slyšeno každé slovo.\n\nÚplný výsledek uchovává rozpoznaný text, jeho jazyk a případné požadované časové údaje s odkazem na původní nahrávku. Přepis oddělte od pozdějších úprav: opravený přepis pro publikaci může odstranit výplňové výrazy, zatímco rozpoznaný přepis zachovává to, co model skutečně vrátil. Identitu large-v3 a jeho překladovou schopnost je rovněž třeba oddělovat od rychlejší verze Turbo. Skutečná rychlost zpracování závisí na jazyce, tempu řeči, hardwaru a metodě inference; z názvu checkpointu samotného nevyplývá konkrétní latence hostované služby, maximální velikost nahrávaného souboru ani povolená cesta aplikace.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "e6d5f0dbda14f29ec865b3664121e42b99cdd5342245184c198afb03fba790d7", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "cs", "methods": [ { "html": "openai/whisper-large-v3Whisper large-v3 je vícejazyčný modelový checkpoint rozpoznávání řeči od OpenAI s otevřenými vahami pro přepis a překlad řeči do angličtiny. Převádí nahranou řeč na text, s dokumentovanou volbou jazyka, časovými značkami a zpracováním dlouhých záznamů přesahujících jeho 30sekundové akustické okno.
Tento popis zahrnuje schopnosti modelu. Vstupy, výstupy a možnosti dostupné v Ailoot jsou uvedeny níže pro vybranou metodu.
Whisper large-v3 je vydaný modelový checkpoint rozpoznávání řeči od OpenAI s přibližně 1,55 miliardy parametrů. Jde o vícejazyčný model typu enkodér–dekodér: zvuk vstupuje do enkodéru a dekodér předpovídá text a tokeny související s úkolem. Hlavními úkoly jsou přepis řeči v původním jazyce a překlad řeči do angličtiny. Jde o identitu modelu s otevřenými vahami, oddělenou od identifikátoru modelu hostované služby i od pravidel dané služby pro nahrávání a formáty odpovědí.
Large-v3 zachovává architekturu dřívějších velkých checkpointů Whisper se dvěma uvedenými změnami: jeho spektrogramový vstup používá 128 melových frekvenčních pásem místo 80 a přidává token kantonského jazyka. Modelová karta výrobce popisuje trénování na jednom milionu hodin slabě anotovaného zvuku a čtyřech milionech hodin zvuku s pseudoanotacemi připravenými pomocí Whisper large-v2. Tato směs byla použita pro dvě trénovací epochy. Vydání je konkrétním checkpointem large-v3, nikoli obecným označením všech modelů rodiny Whisper.
Dokumentovaný postup inference ve výchozím nastavení provádí přepis a zachovává jazyk nahrané řeči. Zdrojový jazyk může automaticky rozpoznat nebo přijmout známou volbu jazyka. Při překladu poskytuje vícejazyčný velký model anglický textový výsledek z neanglické řeči. Tento úkol zvolte výslovně: přepis ve stejném jazyce a anglický překlad jsou různé výstupy. U rozhovoru zachovejte znění v původním jazyce; u anglického referenčního dokumentu určete, že požadovaným výsledkem je překlad mluveného obsahu.
Příprava zvuku je součástí vstupní cesty. Načítací funkce OpenAI dekóduje nahrávku na monofonní průběh a převzorkuje ji na 16 kHz. Akustické receptivní pole modelu je 30 sekund. Jde o okno zpracování, nikoli o maximální délku celého rozhovoru nebo přednášky. Inference dlouhých záznamů může postupovat sekvenčně přes posuvná okna nebo rozdělit dlouhou nahrávku na překrývající se části a spojit jejich přepisy. Modelová karta výrobce popisuje sekvenční zpracování, když je prioritou přesnost, a zpracování po částech, když více záleží na rychlosti dokončení jedné dlouhé nahrávky.
Vydaná konfigurace uvádí 448 pozic dekodéru pro jednu dekódovací sekvenci. Delší nahrávky se zpracovávají postupem pro dlouhé záznamy, nikoli tak, že by se toto číslo považovalo za univerzální limit přepisu. Dokumentovaný postup může vedle rozpoznaného textu vracet časové značky segmentů nebo slov. Tyto časové údaje se hodí pro navigaci v nahrávkách a přípravu titulků, zatímco konečný titulkový kontejner nebo formát souboru přepisu je samostatnou volbou výstupního formátování. Má-li být přepis zarovnán s původním materiálem, při přípravě zvuku zachovejte jeho časování.
Zamýšlenou úlohou Whisper je rozpoznávání a překlad řeči. Přepis přednášky, záznam rozhovoru nebo prohledávatelná sbírka mluveného materiálu jsou praktickými výstupy; shrnutí či interpretace mohou následovat jako další krok nad textem. Modelová karta nestanovuje spolehlivou automatickou klasifikaci mluvčích ani diarizaci jako standardní výstup základního checkpointu. Pokud úkol vyžaduje označení mluvčích, je třeba tento požadavek řešit odděleně od tvrzení o přesném přepisu. Užitečné zadání určuje zdrojový jazyk, zda je potřeba přepis nebo anglický překlad, a zda jsou požadovány časové údaje.
Mezi podstatná omezení patří vymyšlený text, který nikdy nezazněl, a opakující se text; souvisí se slabě řízeným trénováním na zašuměných datech a návrhem sequence-to-sequence. Kvalita rozpoznávání se liší podle jazyků, přízvuků a dialektů a je slabší tam, kde existuje méně trénovacího materiálu. Šum, odborná slovní zásoba a překrývající se řeč proto mají být zastoupeny ve vzorku používaném k posouzení vhodnosti. Jména, množství a důležitá tvrzení porovnejte s nahrávkou a prohlédněte úseky bez řeči nebo opakované řádky; plynulý přepis nepovažujte za důkaz, že bylo slyšeno každé slovo.
Úplný výsledek uchovává rozpoznaný text, jeho jazyk a případné požadované časové údaje s odkazem na původní nahrávku. Přepis oddělte od pozdějších úprav: opravený přepis pro publikaci může odstranit výplňové výrazy, zatímco rozpoznaný přepis zachovává to, co model skutečně vrátil. Identitu large-v3 a jeho překladovou schopnost je rovněž třeba oddělovat od rychlejší verze Turbo. Skutečná rychlost zpracování závisí na jazyce, tempu řeči, hardwaru a metodě inference; z názvu checkpointu samotného nevyplývá konkrétní latence hostované služby, maximální velikost nahrávaného souboru ani povolená cesta aplikace.
POST /v1/audio/transcriptionsaudiotranscription| Pole | Typ | Požadavek | Hodnoty a limity | Výchozí |
|---|---|---|---|---|
Polemodel | Typstring | PožadavekPovinné | Hodnoty a limity openai/whisper-large-v3 | 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— |
speech_to_text · Povinné: actual matching-format audio file
| 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.
Údaje o tarifech nepřidávají možnosti požadavku. Podporované parametry jsou uvedeny u vybrané metody.
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 $0.000015 za sekundu vstupního zvuku |
Ailoot před požadavkem rezervuje odhadovanou částku. Po výsledku vyúčtuje konečný poplatek podle naměřeného využití. Při streamování se účtování řídí konečným záznamem využití. Jak funguje rezervace a vyúčtování →
Referenční tabulky modelu nemění výběr metody, cenové nabídky ani poplatky. Skutečné poplatky používají sazby vybrané metody Ailoot.
| Konfigurace | Podmínky účtování | Poplatek |
|---|---|---|
| KonfiguraceOpenAI: Whisper Large V3 · Výchozí konfigurace | Podmínky účtováníVýchozí konfigurace | Poplatek Vstup · Sekundy vstupního zvuku 0,000015 US$ za sekundu vstupního zvuku |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_AUDIO_FILE:?Set the path to your actual WAV recording}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\nimport base64\naudio=Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()\nif not (audio[:4]==b'RIFF' and audio[8:12]==b'WAVE'): raise SystemExit('Supply an actual WAV audio file')\nif len(audio)>26214400: raise SystemExit('Use a documented supported large-file flow')\nrequest={'model': 'openai/whisper-large-v3', 'input_audio': {'data': '${BASE64_ACTUAL_WAV_BYTES}', 'format': 'wav'}}\nrequest['input_audio']['data']=base64.b64encode(audio).decode('ascii')\nPath('request.json').write_text(json.dumps(request,ensure_ascii=False),encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o response.bin\n# Keep the complete original response and headers. Read every returned segment, word and usage field.\n# Preserve actual operation/task/asset IDs; continue reads of the original result without resubmitting.\njson
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}Uchovejte každou úplnou vrácenou odpověď, soubor i část obsahu.
Celý původní JSON, veškerý dostupný text, segmenty, slova, mluvčí, časové značky a údaje o využití.
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 | Typ |
|---|---|
Poletext | Typstring |
Poleusage | Typobject |
Polesegments[] | Typobject |
Polewords[] | Typobject |
Ailoot Ultra openai/whisper-large-v3
Použijte cesty metod uvedené výše.