asr-1.0
MiniMax ASR 1.0 omsætter lyd til tekst, understøtter russisk, taleropdeling af replikker og tidsstempler.
Om modellen
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Samtaleoptagelse som tekst
MiniMax ASR 1.0 genkender tale i en lydfil. Producenten beskriver møder, interviews, podcasts, videolydspor, indholdskontrol og samtaleanalyse som anvendelser. Modellen er tilpasset samtalesprog, støj og fagtermer med fokus på færre opdigtede tekststykker. På dette Ailoot-kort er input lyd og resultatet tekst.
Sprog og flere deltagere
Russisk, ukrainsk, engelsk, fransk, tysk, spansk, italiensk, portugisisk og polsk understøttes samt kinesisk, kantonesisk, japansk, koreansk, thai, vietnamesisk, indonesisk, malajisk, filippinsk, arabisk og tyrkisk. Hvis sproget ikke angives, identificerer modellen hovedsproget automatisk; producenten beskriver særskilt kombination af kinesisk og engelsk tale.
I den udvidede resultatvisning kan modellen identificere talere og knytte replikker til tidspunkter. Den returnerer det samlede deltagerantal og segmenter med talerlabel, begyndelse, slutning og tekst. Det hjælper med at fastslå, hvem der sagde en bestemt replik hvornår, uden at blande deltagernes replikker.
Resultatformater
Producenten tilbyder almindelig JSON med tekst og varighed, udvidet verbose_json samt SRT- og WebVTT-undertekster. Tidsstempler er som standard på sætnings- eller segmentniveau. Ordmarkeringer beskrives for engelsk og tegnmarkeringer for kinesisk; de hører til formater med tidsjustering.
Løbende tekstoutput er muligt, men kan ikke kombineres med taleropdeling eller undertekstformater. Tilstanden returnerer nye genkendte tekststykker under behandlingen af en allerede indsendt fil. Det er streaming af resultatet, ikke kontinuerlig lydsendning fra en mikrofon.
Krav til optagelsen
De angivne inputformater er WAV, AIFF, FLAC, ALAC i en M4A-container, MP3, AAC, Opus og Ogg. Filen må højst indeholde 500 sekunders lyd og fylde 50 MB. Overskridelse af varigheden afvises i stedet for at blive beskåret ubemærket. Rå PCM uden container understøttes ikke.
Ved forberedelse anbefaler producenten mono i 16 kHz eller et komprimeret lydformat: høj samplingsfrekvens og stereo er ikke nødvendige for genkendelsen og øger filstørrelsen. Udvidet output og streaming vedrører ASR 1.0; svarformatet for den konkrete forespørgsel vælges med Ailoots muligheder.
Ailoot · Tale til tekst POST /v1/audio/transcriptions asr-1.0
asr-1.0Start
MiniMax ASR 1.0 omsætter lyd til tekst, understøtter russisk, taleropdeling af replikker og tidsstempler.
- Accepterede input
- Lyd
- Resultater
- Tekst
Tilgængelig i Ailoot · input og metoder
Ailoot · Tale til tekst POST /v1/audio/transcriptions
- Inputtyper
audio- Outputtyper
text- Outputformat
- json
| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser asr-1.0 | Standard— |
Feltfile | Typefile | KravPåkrævet | Værdier og grænser Maksimalt antal bytes: 52.428.800 Filformater: wav, mp3, m4a, ogg, webm, flac Indholdstype: multipart/form-data Maksimal varighed (eksklusiv), sekunder: 500 | Standard— |
Feltresponse_format | Typestring | KravValgfrit | Værdier og grænser json | Standard— |
Kombinationer af inputmaterialer
speech_to_text · Påkrævet: actual audio file
Metodeparametre og livscyklus
| Parameter | Kontrakt |
|---|---|
Parametermaterial_types | Kontraktaudio |
Parameterrequired | Kontraktnull |
Parameteroptional_controls | Kontraktnull |
Livscyklus: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · det faktisk returnerede task_id eller posten i mediebiblioteket
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Metodernes strukturer og ID’er er præcise; leverandørens muligheder er adskilt fra adgangstilladelse.
Priser
Ailoot-metodetakster
POST /v1/audio/transcriptions- Input
- 0,38 US$ pr. time lyd
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
Eksempelanmodninger
Ailoot · Tale til tekst
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_AUDIO_FILE:?Set your actual MP3 recording}"
export AILOOT_AUDIO_FILE
python3 - <<'PY_REQUEST'
import os
from pathlib import Path
f=Path(os.environ["AILOOT_AUDIO_FILE"])
if not f.is_file() or f.suffix.lower()!=".mp3":raise SystemExit("Choose your actual MP3 recording")
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \
-H "Authorization: Bearer $AILOOT_API_KEY" \
--form-string model=asr-1.0 -F "file=@$AILOOT_AUDIO_FILE" \
-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()),ensure_ascii=False,indent=2))
PY_RESULT
Hent og gem resultater
Ailoot · Tale til tekst
json
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
Behold alle færdige resultater
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Behold hele JSON-svaret, ikke kun teksten; bevar hvert tilgængeligt segment, hver taler og hvert tidsstempel samt den faktiske opgave- og aktividentitet.
Hvis det oprindelige svar skal kontrolleres
Gem det oprindelige operation_id/X-Client-Request-ID til afstemning uden genindsendelse; der er ingen særskilt rute til polling af lyd.
Svarfelter
| Felt | Type |
|---|---|
Felttext | Typestring |
Feltsegments[] | Typeobject |
Felttask_id | Typestring |
Feltasset_url | Typestring |
Feltusage | Typeobject |
Fejl og næste trin
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Svarserver_error | BetingelseDet returnerede svar angiver, at operationen eller resultatet skal kontrolleres | Næste trinGem det oprindeligt returnerede operations-/opgave-ID, anmodningens headere og svaret; fortsæt med de understøttede læseanmodninger for den oprindelige operation. Send ikke oprettelsesanmodningen igen. |
Aliaser
Modelaliaser
Ailoot asr-1.0
Aliaser for metodestier
Brug metodestierne vist ovenfor.
Relaterede kalder-ID’er
FAQ · asr-1.0
- Hvilke input og resultater er tilgængelige?
POST /v1/audio/transcriptions·asr-1.0:audio→text- Hvilke felter bruger anmodningen?
POST /v1/audio/transcriptions·asr-1.0:model,file,response_format