Nova-3 er Deepgrams generelle talegenkendelsesmodel til at omdanne lyd til tekst. Producenten anbefaler den til møder, undertekster til arrangementer, optagelser med flere talere og krævende forhold som støj eller fjernt placerede mikrofoner, med enten transskription af optagelser eller streaming. Dens nyttige resultat er genkendt tale med tidsangivelser og sikkerhedsoplysninger, der fortsat er knyttet til kildelyden.
Det dokumenterede standardsprog er engelsk. En enkeltsproget forespørgsel vælger det talte sprog eller en understøttet sprogvariant. Den aktuelle tabel for den generelle model omfatter regionale engelske varianter, spansk, fransk, tysk, russisk, portugisisk, japansk, italiensk, nederlandsk, arabisk, kinesiske skriftvarianter og mange andre sprog, herunder kasakhisk. Vælg blandt producentens understøttede koder frem for at antage, at ethvert navn på en sprogvariant accepteres.
Den flersprogede indstilling er et separat forløb til sprogskift. Den aktuelle Nova-3-tabel angiver ti sprog til dette: engelsk, spansk, fransk, tysk, hindi, russisk, portugisisk, japansk, italiensk og nederlandsk. Dette sæt er ikke identisk med den større enkeltsprogede liste. Til en optagelse, der skifter mellem understøttede sprog, forberedes den flersprogede tilstand frem for at tvinge hele samtalen ind i en uvedkommende enkeltsproget indstilling. Bevar det sagte, før en oversat eller opsummeret version klargøres.
Deepgrams filforløb accepterer uploadede lydbytes eller en reference til en lydfil. Gem den returnerede transskription, når forespørgslen er færdig; producenten gemmer ikke transskriptioner til senere hentning. Almindelige dokumenterede inputformater og kodninger omfatter MP3, MP4, MP2, AAC, WAV, FLAC, PCM, M4A, Ogg, Opus og WebM. Bevar oplysninger om det faktiske format og kanalerne sammen med optagelsen. Giv optagelsen en stabil identifikator, og hold resultatet knyttet til den korrekte kilde og dens kanaloplysninger. Til et møde gennemgås deltagernavne og fagudtryk, mens der lyttes til originallyden. Til en forelæsning eller et arrangement bevares lydens rækkefølge, så en senere undertekst eller et søgeresultat kan finde den relevante passage.
Producentens vejledning til optaget lyd angiver en maksimal filstørrelse på 2 GB og anbefaler at udtrække lydstrømmen fra en stor videofil. Den dokumenterer også en behandlingstimeout på ti minutter for Nova-forespørgsler. Denne timeout vedrører, hvor længe forespørgslen behandles, ikke en maksimal optagelsesvarighed på ti minutter. Et nyttigt resultat omfatter slutningen af den tilsigtede optagelse; en delvist bevaret transskription må ikke behandles som den fulde tekst.
Det dokumenterede JSON-svar omfatter transskriptionsalternativer og genkendte ord med hvert ords start- og sluttid i sekunder fra lydens begyndelse samt en sikkerhedsværdi. Til en transskription med flere talere tildeler producentens valgfrie taleradskillelse en talerbetegnelse til hvert ord. Taleradskillelse i optaget lyd returnerer også sikkerhed for taleridentifikationen; taleradskillelse ved streaming returnerer talerbetegnelsen. Kontroller betegnelserne i forhold til stemmerne i optagelsen. Den samlede transskriptionssikkerhed rapporteres også på en skala fra 0 til 1. Når smart formatering anmodes om, kan resultatet omfatte tegnsætning og store bogstaver som ord med tegnsætning samt læsbare afsnitsoplysninger.
Brug felterne efter deres betydning. En ordtid lokaliserer genkendt tale, mens sikkerheden er modellens angivelse af pålidelighed, ikke et bevis på, at et vanskeligt navn eller en mængde blev hørt korrekt. Til undertekstforberedelse bevares tidsangivelserne sammen med den gennemgåede ordlyd, og afgrænsningen kontrolleres mod lyden. Til en læsbar redaktionel version holdes ændringer tydeligt adskilt fra den genkendte transskription frem for lydløst at erstatte usikre ord med en sandsynlig historie.
Novas streamingforløb returnerer tekst, efterhånden som lyden ankommer, med foreløbige og endelige resultater. Indikatoren is_final skelner tekst, der kan ændres, fra et afsluttet segment. Indikatoren speech_final vedrører detektering af afslutningen på et talesegment. Hold disse signaler adskilt fra blot at modtage en ikke-tom transskription, og bevar de afsluttede segmenter i lydens rækkefølge, når den færdige optegnelse klargøres.
Nova-3 er generel automatisk talegenkendelse frem for den separate Flux-samtalemodel med indbygget detektering af taleture i modellen. Nova markerer transskriptionens endelighed og afslutninger på tale; Flux leverer sine egne hændelser for samtaleturens tilstand. Vælg transskriptionsforløbet efter, om lyden allerede er optaget eller ankommer direkte, og brug det faktiske endelige output som det resultat, der bevares.
Nova-3s dokumenterede Keyterm Prompting understøtter enkeltsproget og flersproget transskription og tilpasser genkendelsen mod vigtige termer uden at genoptræne modellen. Angiv relevante navne, produkttermer, akronymer eller flerordsudtryk, som faktisk kan blive sagt. Vejledningen begrænser det samlede nøgletermsinput til 500 tokens og anbefaler at fokusere på det vigtigste ordforråd frem for ukritisk at tilføje almindelige ord.
Producentens syntaks bruger almindelige termer med en separat keyterm-post for hver term. Et flerordsudtryk forbliver ét udtryk. Ældre nøgleordsvægte eller forstærkningsangivelser samt sammenkædning af separate termer med kommaer, semikoloner eller linjeskift er ikke tilsvarende: grænsefladen kan acceptere dem som én bogstavelig værdi uden at give den tilsigtede forstærkning. Brug den korrekte brug af store og små bogstaver i navne, og kontroller derefter transskriptionen, da lydkontekst og smart formatering stadig kan ændre den endelige skriftlige form.
Den generelle Nova-3-profil er adskilt fra de særskilt navngivne Medical- og Pharma-varianter. Ordforrådsstyring gør den ikke til en anden udgave, og de specialiserede modellers sprogdækning eller adfærd må ikke antages at gælde for den generelle model. Yderligere funktioner til transskriptionsbehandling er valg i producentens taleforløb, ikke bevis på, at genkendelsen har produceret et resumé, en oversættelse eller et andet resultat, der aldrig blev anmodet om.
Et nyttigt Nova-3-resultat kan være en søgbar mødetransskription, ordlyd klargjort til undertekster med tidsangivelser for ord eller en optegnelse af en flersproget samtale. Bevar lydidentifikatoren, det valgte sprogforløb, den endelige tekst og eventuelle nyttige sikkerheds- eller tidsfelter. Kontroller uklare navne, tal, overlappende stemmer og sprogskift mod originaloptagelsen, og hold den faktisk genkendte tale tilgængelig for det næste indholdsbehandlingstrin.
", "aboutText": "Nova-3 er Deepgrams generelle talegenkendelsesmodel til at omdanne lyd til tekst. Producenten anbefaler den til møder, undertekster til arrangementer, optagelser med flere talere og krævende forhold som støj eller fjernt placerede mikrofoner, med enten transskription af optagelser eller streaming. Dens nyttige resultat er genkendt tale med tidsangivelser og sikkerhedsoplysninger, der fortsat er knyttet til kildelyden.\n\n### Vælg sprogforløbet\n\nDet dokumenterede standardsprog er engelsk. En enkeltsproget forespørgsel vælger det talte sprog eller en understøttet sprogvariant. Den aktuelle tabel for den generelle model omfatter regionale engelske varianter, spansk, fransk, tysk, russisk, portugisisk, japansk, italiensk, nederlandsk, arabisk, kinesiske skriftvarianter og mange andre sprog, herunder kasakhisk. Vælg blandt producentens understøttede koder frem for at antage, at ethvert navn på en sprogvariant accepteres.\n\nDen flersprogede indstilling er et separat forløb til sprogskift. Den aktuelle Nova-3-tabel angiver ti sprog til dette: engelsk, spansk, fransk, tysk, hindi, russisk, portugisisk, japansk, italiensk og nederlandsk. Dette sæt er ikke identisk med den større enkeltsprogede liste. Til en optagelse, der skifter mellem understøttede sprog, forberedes den flersprogede tilstand frem for at tvinge hele samtalen ind i en uvedkommende enkeltsproget indstilling. Bevar det sagte, før en oversat eller opsummeret version klargøres.\n\n### Optaget lyd og forberedelse af transskriptionen\n\nDeepgrams filforløb accepterer uploadede lydbytes eller en reference til en lydfil. Gem den returnerede transskription, når forespørgslen er færdig; producenten gemmer ikke transskriptioner til senere hentning. Almindelige dokumenterede inputformater og kodninger omfatter MP3, MP4, MP2, AAC, WAV, FLAC, PCM, M4A, Ogg, Opus og WebM. Bevar oplysninger om det faktiske format og kanalerne sammen med optagelsen. Giv optagelsen en stabil identifikator, og hold resultatet knyttet til den korrekte kilde og dens kanaloplysninger. Til et møde gennemgås deltagernavne og fagudtryk, mens der lyttes til originallyden. Til en forelæsning eller et arrangement bevares lydens rækkefølge, så en senere undertekst eller et søgeresultat kan finde den relevante passage.\n\nProducentens vejledning til optaget lyd angiver en maksimal filstørrelse på 2 GB og anbefaler at udtrække lydstrømmen fra en stor videofil. Den dokumenterer også en behandlingstimeout på ti minutter for Nova-forespørgsler. Denne timeout vedrører, hvor længe forespørgslen behandles, ikke en maksimal optagelsesvarighed på ti minutter. Et nyttigt resultat omfatter slutningen af den tilsigtede optagelse; en delvist bevaret transskription må ikke behandles som den fulde tekst.\n\n### Læs ord, tider og sikkerhed\n\nDet dokumenterede JSON-svar omfatter transskriptionsalternativer og genkendte ord med hvert ords start- og sluttid i sekunder fra lydens begyndelse samt en sikkerhedsværdi. Til en transskription med flere talere tildeler producentens valgfrie taleradskillelse en talerbetegnelse til hvert ord. Taleradskillelse i optaget lyd returnerer også sikkerhed for taleridentifikationen; taleradskillelse ved streaming returnerer talerbetegnelsen. Kontroller betegnelserne i forhold til stemmerne i optagelsen. Den samlede transskriptionssikkerhed rapporteres også på en skala fra 0 til 1. Når smart formatering anmodes om, kan resultatet omfatte tegnsætning og store bogstaver som ord med tegnsætning samt læsbare afsnitsoplysninger.\n\nBrug felterne efter deres betydning. En ordtid lokaliserer genkendt tale, mens sikkerheden er modellens angivelse af pålidelighed, ikke et bevis på, at et vanskeligt navn eller en mængde blev hørt korrekt. Til undertekstforberedelse bevares tidsangivelserne sammen med den gennemgåede ordlyd, og afgrænsningen kontrolleres mod lyden. Til en læsbar redaktionel version holdes ændringer tydeligt adskilt fra den genkendte transskription frem for lydløst at erstatte usikre ord med en sandsynlig historie.\n\n### Streaminggenkendelse og afsluttede segmenter\n\nNovas streamingforløb returnerer tekst, efterhånden som lyden ankommer, med foreløbige og endelige resultater. Indikatoren is_final skelner tekst, der kan ændres, fra et afsluttet segment. Indikatoren speech_final vedrører detektering af afslutningen på et talesegment. Hold disse signaler adskilt fra blot at modtage en ikke-tom transskription, og bevar de afsluttede segmenter i lydens rækkefølge, når den færdige optegnelse klargøres.\n\nNova-3 er generel automatisk talegenkendelse frem for den separate Flux-samtalemodel med indbygget detektering af taleture i modellen. Nova markerer transskriptionens endelighed og afslutninger på tale; Flux leverer sine egne hændelser for samtaleturens tilstand. Vælg transskriptionsforløbet efter, om lyden allerede er optaget eller ankommer direkte, og brug det faktiske endelige output som det resultat, der bevares.\n\n### Nøgletermer til vigtigt ordforråd\n\nNova-3s dokumenterede Keyterm Prompting understøtter enkeltsproget og flersproget transskription og tilpasser genkendelsen mod vigtige termer uden at genoptræne modellen. Angiv relevante navne, produkttermer, akronymer eller flerordsudtryk, som faktisk kan blive sagt. Vejledningen begrænser det samlede nøgletermsinput til 500 tokens og anbefaler at fokusere på det vigtigste ordforråd frem for ukritisk at tilføje almindelige ord.\n\nProducentens syntaks bruger almindelige termer med en separat keyterm-post for hver term. Et flerordsudtryk forbliver ét udtryk. Ældre nøgleordsvægte eller forstærkningsangivelser samt sammenkædning af separate termer med kommaer, semikoloner eller linjeskift er ikke tilsvarende: grænsefladen kan acceptere dem som én bogstavelig værdi uden at give den tilsigtede forstærkning. Brug den korrekte brug af store og små bogstaver i navne, og kontroller derefter transskriptionen, da lydkontekst og smart formatering stadig kan ændre den endelige skriftlige form.\n\n### Modelfamiliens grænser og nyttige resultater\n\nDen generelle Nova-3-profil er adskilt fra de særskilt navngivne Medical- og Pharma-varianter. Ordforrådsstyring gør den ikke til en anden udgave, og de specialiserede modellers sprogdækning eller adfærd må ikke antages at gælde for den generelle model. Yderligere funktioner til transskriptionsbehandling er valg i producentens taleforløb, ikke bevis på, at genkendelsen har produceret et resumé, en oversættelse eller et andet resultat, der aldrig blev anmodet om.\n\nEt nyttigt Nova-3-resultat kan være en søgbar mødetransskription, ordlyd klargjort til undertekster med tidsangivelser for ord eller en optegnelse af en flersproget samtale. Bevar lydidentifikatoren, det valgte sprogforløb, den endelige tekst og eventuelle nyttige sikkerheds- eller tidsfelter. Kontroller uklare navne, tal, overlappende stemmer og sprogskift mod originaloptagelsen, og hold den faktisk genkendte tale tilgængelig for det næste indholdsbehandlingstrin.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "739305e89946ac1d12480b189fdde8b06aafad04ac7e2cfd62981c864a5011b6", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "da", "methods": [ { "html": "deepgram/nova-3Nova-3 er Deepgrams generelle tale-til-tekst-model til optaget og streamet lyd. Den understøtter enkeltsproget genkendelse, en afgrænset flersproget tilstand med sprogskift og nøgleordsstyring og returnerer transskriptioner med tidsangivelser for ord og oplysninger om sikkerhed.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Nova-3 er Deepgrams generelle talegenkendelsesmodel til at omdanne lyd til tekst. Producenten anbefaler den til møder, undertekster til arrangementer, optagelser med flere talere og krævende forhold som støj eller fjernt placerede mikrofoner, med enten transskription af optagelser eller streaming. Dens nyttige resultat er genkendt tale med tidsangivelser og sikkerhedsoplysninger, der fortsat er knyttet til kildelyden.
Det dokumenterede standardsprog er engelsk. En enkeltsproget forespørgsel vælger det talte sprog eller en understøttet sprogvariant. Den aktuelle tabel for den generelle model omfatter regionale engelske varianter, spansk, fransk, tysk, russisk, portugisisk, japansk, italiensk, nederlandsk, arabisk, kinesiske skriftvarianter og mange andre sprog, herunder kasakhisk. Vælg blandt producentens understøttede koder frem for at antage, at ethvert navn på en sprogvariant accepteres.
Den flersprogede indstilling er et separat forløb til sprogskift. Den aktuelle Nova-3-tabel angiver ti sprog til dette: engelsk, spansk, fransk, tysk, hindi, russisk, portugisisk, japansk, italiensk og nederlandsk. Dette sæt er ikke identisk med den større enkeltsprogede liste. Til en optagelse, der skifter mellem understøttede sprog, forberedes den flersprogede tilstand frem for at tvinge hele samtalen ind i en uvedkommende enkeltsproget indstilling. Bevar det sagte, før en oversat eller opsummeret version klargøres.
Deepgrams filforløb accepterer uploadede lydbytes eller en reference til en lydfil. Gem den returnerede transskription, når forespørgslen er færdig; producenten gemmer ikke transskriptioner til senere hentning. Almindelige dokumenterede inputformater og kodninger omfatter MP3, MP4, MP2, AAC, WAV, FLAC, PCM, M4A, Ogg, Opus og WebM. Bevar oplysninger om det faktiske format og kanalerne sammen med optagelsen. Giv optagelsen en stabil identifikator, og hold resultatet knyttet til den korrekte kilde og dens kanaloplysninger. Til et møde gennemgås deltagernavne og fagudtryk, mens der lyttes til originallyden. Til en forelæsning eller et arrangement bevares lydens rækkefølge, så en senere undertekst eller et søgeresultat kan finde den relevante passage.
Producentens vejledning til optaget lyd angiver en maksimal filstørrelse på 2 GB og anbefaler at udtrække lydstrømmen fra en stor videofil. Den dokumenterer også en behandlingstimeout på ti minutter for Nova-forespørgsler. Denne timeout vedrører, hvor længe forespørgslen behandles, ikke en maksimal optagelsesvarighed på ti minutter. Et nyttigt resultat omfatter slutningen af den tilsigtede optagelse; en delvist bevaret transskription må ikke behandles som den fulde tekst.
Det dokumenterede JSON-svar omfatter transskriptionsalternativer og genkendte ord med hvert ords start- og sluttid i sekunder fra lydens begyndelse samt en sikkerhedsværdi. Til en transskription med flere talere tildeler producentens valgfrie taleradskillelse en talerbetegnelse til hvert ord. Taleradskillelse i optaget lyd returnerer også sikkerhed for taleridentifikationen; taleradskillelse ved streaming returnerer talerbetegnelsen. Kontroller betegnelserne i forhold til stemmerne i optagelsen. Den samlede transskriptionssikkerhed rapporteres også på en skala fra 0 til 1. Når smart formatering anmodes om, kan resultatet omfatte tegnsætning og store bogstaver som ord med tegnsætning samt læsbare afsnitsoplysninger.
Brug felterne efter deres betydning. En ordtid lokaliserer genkendt tale, mens sikkerheden er modellens angivelse af pålidelighed, ikke et bevis på, at et vanskeligt navn eller en mængde blev hørt korrekt. Til undertekstforberedelse bevares tidsangivelserne sammen med den gennemgåede ordlyd, og afgrænsningen kontrolleres mod lyden. Til en læsbar redaktionel version holdes ændringer tydeligt adskilt fra den genkendte transskription frem for lydløst at erstatte usikre ord med en sandsynlig historie.
Novas streamingforløb returnerer tekst, efterhånden som lyden ankommer, med foreløbige og endelige resultater. Indikatoren is_final skelner tekst, der kan ændres, fra et afsluttet segment. Indikatoren speech_final vedrører detektering af afslutningen på et talesegment. Hold disse signaler adskilt fra blot at modtage en ikke-tom transskription, og bevar de afsluttede segmenter i lydens rækkefølge, når den færdige optegnelse klargøres.
Nova-3 er generel automatisk talegenkendelse frem for den separate Flux-samtalemodel med indbygget detektering af taleture i modellen. Nova markerer transskriptionens endelighed og afslutninger på tale; Flux leverer sine egne hændelser for samtaleturens tilstand. Vælg transskriptionsforløbet efter, om lyden allerede er optaget eller ankommer direkte, og brug det faktiske endelige output som det resultat, der bevares.
Nova-3s dokumenterede Keyterm Prompting understøtter enkeltsproget og flersproget transskription og tilpasser genkendelsen mod vigtige termer uden at genoptræne modellen. Angiv relevante navne, produkttermer, akronymer eller flerordsudtryk, som faktisk kan blive sagt. Vejledningen begrænser det samlede nøgletermsinput til 500 tokens og anbefaler at fokusere på det vigtigste ordforråd frem for ukritisk at tilføje almindelige ord.
Producentens syntaks bruger almindelige termer med en separat keyterm-post for hver term. Et flerordsudtryk forbliver ét udtryk. Ældre nøgleordsvægte eller forstærkningsangivelser samt sammenkædning af separate termer med kommaer, semikoloner eller linjeskift er ikke tilsvarende: grænsefladen kan acceptere dem som én bogstavelig værdi uden at give den tilsigtede forstærkning. Brug den korrekte brug af store og små bogstaver i navne, og kontroller derefter transskriptionen, da lydkontekst og smart formatering stadig kan ændre den endelige skriftlige form.
Den generelle Nova-3-profil er adskilt fra de særskilt navngivne Medical- og Pharma-varianter. Ordforrådsstyring gør den ikke til en anden udgave, og de specialiserede modellers sprogdækning eller adfærd må ikke antages at gælde for den generelle model. Yderligere funktioner til transskriptionsbehandling er valg i producentens taleforløb, ikke bevis på, at genkendelsen har produceret et resumé, en oversættelse eller et andet resultat, der aldrig blev anmodet om.
Et nyttigt Nova-3-resultat kan være en søgbar mødetransskription, ordlyd klargjort til undertekster med tidsangivelser for ord eller en optegnelse af en flersproget samtale. Bevar lydidentifikatoren, det valgte sprogforløb, den endelige tekst og eventuelle nyttige sikkerheds- eller tidsfelter. Kontroller uklare navne, tal, overlappende stemmer og sprogskift mod originaloptagelsen, og hold den faktisk genkendte tale tilgængelig for det næste indholdsbehandlingstrin.
POST /v1/audio/transcriptionsaudiotranscription| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser deepgram/nova-3 | Standard— |
Feltinput_audio | Typeobject | KravPåkrævet | Værdier og grænser | Standard— |
Feltlanguage | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Felttemperature | Typenumber | KravValgfrit | Værdier og grænser Minimum: 0 Maksimum: 1 | Standard— |
Feltresponse_format | Typestring | KravValgfrit | Værdier og grænser json, verbose_json | Standardjson |
Felttimestamp_granularities | Typearray | KravValgfrit | Værdier og grænser | Standard— |
Feltprovider | Typeobject | KravValgfrit | Værdier og grænser | Standard— |
speech_to_text · Påkrævet: actual matching-format audio file
| Parameter | Kontrakt |
|---|---|
Parametercontent_types | Kontraktapplication/json, multipart/form-data |
Parameterrequired | Kontraktmodel, input_audio |
Parametermaterial_types | Kontraktaudio |
ParameterJSON_audio | Kontraktfaktiske rå lydbytes i base64 med tilsvarende format |
Parametermultipart_required | Kontraktmodel, file |
Parametermultipart_cap_bytes | Kontrakt26214400 |
Parameteroptional_controls | Kontraktlanguage, temperature, response_format, timestamp_granularities, provider |
Parameterdefault_response_format | Kontraktjson |
Parameteroptional_features | KontraktDetaljeret output, diarize/keyterms og URL eller større indlejret lyd kræver den præcise models eller udbyders funktionalitet og tarif. |
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}
Brug den præcise model og de dokumenterede inputfelter.
Behold hele svaret, hvert faktisk output og de oprindeligt returnerede ID’er.
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Afregningsenhed | Beløb |
|---|---|---|---|
| KonfigurationGrundpriser for tokens | TakstplanGrundtakst | Afregningsenhed— | Beløb Input · Inputtokens — / 1K tokens Output · Outputtokens — / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationUltra | Takstplan— | Afregningsenhedpr. sekund lydinput | Beløb Input · sekund inputlyd $0.0001433333333334 pr. sekund lydinput |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
Referenceplaner på modelniveau ændrer ikke metodevalg, prisoverslag eller opkrævninger. Ved den aktive afregning anvendes taksterne for den valgte Ailoot-metode.
| Konfiguration | Afregningsbetingelser | Beløb |
|---|---|---|
| KonfigurationDeepgram: Nova-3 · Standardkonfiguration | AfregningsbetingelserStandardkonfiguration | Beløb Input · Sekunder inputlyd ≈0,000143 US$ pr. sekund lydinput |
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': 'deepgram/nova-3', '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}Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Hele det oprindelige JSON-svar, al tilgængelig tekst og alle tilgængelige segmenter, ord, talere, tidsstempler samt forbruget.
Behold det oprindelige operation_id/X-Client-Request-ID og det oprindelige svar. Læs faktiske opgave- og aktivposter, du ejer, uden at indsende igen; der konstrueres ingen særskilt URL til statusforespørgsler for lyd.
| Felt | Type |
|---|---|
Felttext | Typestring |
Feltusage | Typeobject |
Feltsegments[] | Typeobject |
Feltwords[] | Typeobject |
Ailoot Ultra deepgram/nova-3
Brug metodestierne vist ovenfor.