GPT-4o Transcribe er OpenAIs tale-til-tekst-model baseret på GPT-4o. Inputtet er lyd med valgfri tekstvejledning, og outputtet er genkendt tekst. Modellen er adskilt fra GPT-4o Mini Transcribe-udgaven og fra GPT-4o Transcribe Diarize, den specialiserede model til talermærkning. Brug denne profil til at udarbejde en troværdig skriftlig gengivelse af talt materiale, og hold kildeoptagelsen tilgængelig til gennemgang og senere redaktionelt arbejde.
OpenAIs transskriptionsvejledning dokumenterer uploads på op til 25 MB. Den aktuelle endepunktsreference accepterer FLAC, MP3, MP4, MPEG, MPGA, M4A, OGG, WAV og WebM og anbefaler filmetadata, der identificerer formatet, herunder et filnavn med filendelse og en passende indholdstype. For en større optagelse følger komprimering eller ordnede dele på højst 25 MB leverandørens vejledning til længere input. Undgå at opdele midt i en sætning, og bevar hver dels placering i den fulde optagelse.
Ved et interview skal du knytte hver inputfil til optagelsen og den passage, filen dækker. Ved en teknisk præsentation skal du forberede relevante produktnavne, akronymer og fagtermer som kontekst og derefter kontrollere stavningen mod det, taleren faktisk sagde. Ved en optaget forklaring med talværdier skal du gennemgå transskriptionen sammen med kilden, før den bliver til en skriftlig procedure. Det første ønskede resultat er genkendt tale i tekstform; en sammenfattet rapport eller et oversat dokument kan udarbejdes separat ud fra teksten.
Leverandørens vejledning omfatter udtrykkeligt GPT-4o Transcribe i sin understøttelse af prompter. En prompt kan levere korrekte stavemåder, kontekst fra et tidligere segment og præferencer for tegnsætning, store og små bogstaver, fyldord eller et skriftsystem. Ifølge referencen skal den matche optagelsens sprog. En kort, relevant beskrivelse af emnet og ordforrådet giver transskriptionen nyttig kontekst uden at gøre ord, som ikke blev sagt, til påkrævet output.
Denne profil understøtter et hint om ét sprog i feltet language, dokumenteret i ISO 639-1-format. Angivelse af det faktiske inputsprog kan hjælpe genkendelsen. De nyere felter keywords og languages fra GPT Transcribe tilhører den særskilt navngivne model og må ikke forudsættes at gælde for GPT-4o Transcribe. Hold sprogindstillingen knyttet til den tale, du transskriberer, og bevar den originale ordlyd før en senere oversættelse eller stilistisk omskrivning.
Den aktuelle endepunktsreference dokumenterer JSON som det understøttede svarformat for GPT-4o Transcribe. Resultatet indeholder genkendt tekst, og valgfrie logaritmiske sandsynligheder for tokens kan anmodes om med dette JSON-format. Sandsynlighedsdataene beskriver modellens valg af tokens. De kan pege på passager, der bør undersøges, men det er en sammenligning med lyden, der fastslår, om transskriptionen gengiver et vanskeligt navn, tal eller udtryk.
Standardprofilens JSON-resultat leverer ikke direkte understøttede undertekstformater, detaljerede tidsstempler på ordniveau eller talertildelinger. OpenAI dokumenterer andre valg af model og format, når disse output er nødvendige; GPT-4o Transcribe Diarize er den særskilte udgave til talermærkning. Til en undertekstopgave skal du bevare en kontrolleret transskription til et egnet trin med tidsplacering. Ved en samtale må du ikke opfinde talernavne, blot fordi et afsnit i transskriptionen tilsyneladende skifter emne eller stemme.
Ifølge OpenAIs tale-til-tekst-vejledning understøtter eksisterende GPT-4o Transcribe-integrationer filstreaming. Applikationen leverer først optagelsen og modtager derefter transskriberet tekst, mens optagelsen behandles, og gemmer det færdige resultat. Dette streamer transskriptionen af en afsluttet optagelse frem for at modtage mikrofonlyd, efterhånden som den kommer. Det præcise modelkort opfører også endepunktsfamilierne transskription og Realtime; den modelspecifikke sessionsadfærd skal fortsat knyttes til denne profil frem for at blive lånt fra en nyere model til kontinuerlig streaming.
Den aktuelle specifikation for GPT-4o Transcribe angiver et kontekstvindue på 16.000 tokens, et maksimalt output på 2.000 tokens og en vidensgrænse den 1. juni 2024. Disse tokengrænser er ikke en fast lydvarighed og erstatter ikke reglerne for forberedelse af filtransskription. Ved en længere optagelse skal du bevare kildens rækkefølge og den relevante foregående kontekst og derefter kontrollere, at den færdige tekst når til slutningen af hvert tilsigtet segment.
En nyttig færdig transskription kan blive til søgbart interviewmateriale, en kilde til teknisk dokumentation eller ordlyden til en senere undertekstarbejdsgang. Gennemgå usikkert ordforråd, mængder, tegnsætning, accenter og overlappende tale mod optagelsen. Hold genkendt tekst adskilt fra senere rettelser eller opsummeringer, og bevar forbindelsen til kilden gennem identifikatorer i den omgivende arbejdsgang. Modellen leverer en tekstgengivelse; omhyggelig forberedelse af input og gennemgang af kilden afgør, om gengivelsen egner sig til næste anvendelse.
", "aboutText": "GPT-4o Transcribe er OpenAIs tale-til-tekst-model baseret på GPT-4o. Inputtet er lyd med valgfri tekstvejledning, og outputtet er genkendt tekst. Modellen er adskilt fra GPT-4o Mini Transcribe-udgaven og fra GPT-4o Transcribe Diarize, den specialiserede model til talermærkning. Brug denne profil til at udarbejde en troværdig skriftlig gengivelse af talt materiale, og hold kildeoptagelsen tilgængelig til gennemgang og senere redaktionelt arbejde.\n\n### Filinput og forberedelse af langt materiale\n\nOpenAIs transskriptionsvejledning dokumenterer uploads på op til 25 MB. Den aktuelle endepunktsreference accepterer FLAC, MP3, MP4, MPEG, MPGA, M4A, OGG, WAV og WebM og anbefaler filmetadata, der identificerer formatet, herunder et filnavn med filendelse og en passende indholdstype. For en større optagelse følger komprimering eller ordnede dele på højst 25 MB leverandørens vejledning til længere input. Undgå at opdele midt i en sætning, og bevar hver dels placering i den fulde optagelse.\n\nVed et interview skal du knytte hver inputfil til optagelsen og den passage, filen dækker. Ved en teknisk præsentation skal du forberede relevante produktnavne, akronymer og fagtermer som kontekst og derefter kontrollere stavningen mod det, taleren faktisk sagde. Ved en optaget forklaring med talværdier skal du gennemgå transskriptionen sammen med kilden, før den bliver til en skriftlig procedure. Det første ønskede resultat er genkendt tale i tekstform; en sammenfattet rapport eller et oversat dokument kan udarbejdes separat ud fra teksten.\n\n### Optagelsesspecifikke prompter og valg af sprog\n\nLeverandørens vejledning omfatter udtrykkeligt GPT-4o Transcribe i sin understøttelse af prompter. En prompt kan levere korrekte stavemåder, kontekst fra et tidligere segment og præferencer for tegnsætning, store og små bogstaver, fyldord eller et skriftsystem. Ifølge referencen skal den matche optagelsens sprog. En kort, relevant beskrivelse af emnet og ordforrådet giver transskriptionen nyttig kontekst uden at gøre ord, som ikke blev sagt, til påkrævet output.\n\nDenne profil understøtter et hint om ét sprog i feltet language, dokumenteret i ISO 639-1-format. Angivelse af det faktiske inputsprog kan hjælpe genkendelsen. De nyere felter keywords og languages fra GPT Transcribe tilhører den særskilt navngivne model og må ikke forudsættes at gælde for GPT-4o Transcribe. Hold sprogindstillingen knyttet til den tale, du transskriberer, og bevar den originale ordlyd før en senere oversættelse eller stilistisk omskrivning.\n\n### Resultatformat, sandsynligheder og specialiserede output\n\nDen aktuelle endepunktsreference dokumenterer JSON som det understøttede svarformat for GPT-4o Transcribe. Resultatet indeholder genkendt tekst, og valgfrie logaritmiske sandsynligheder for tokens kan anmodes om med dette JSON-format. Sandsynlighedsdataene beskriver modellens valg af tokens. De kan pege på passager, der bør undersøges, men det er en sammenligning med lyden, der fastslår, om transskriptionen gengiver et vanskeligt navn, tal eller udtryk.\n\nStandardprofilens JSON-resultat leverer ikke direkte understøttede undertekstformater, detaljerede tidsstempler på ordniveau eller talertildelinger. OpenAI dokumenterer andre valg af model og format, når disse output er nødvendige; GPT-4o Transcribe Diarize er den særskilte udgave til talermærkning. Til en undertekstopgave skal du bevare en kontrolleret transskription til et egnet trin med tidsplacering. Ved en samtale må du ikke opfinde talernavne, blot fordi et afsnit i transskriptionen tilsyneladende skifter emne eller stemme.\n\n### Streamede resultater fra en afsluttet fil\n\nIfølge OpenAIs tale-til-tekst-vejledning understøtter eksisterende GPT-4o Transcribe-integrationer filstreaming. Applikationen leverer først optagelsen og modtager derefter transskriberet tekst, mens optagelsen behandles, og gemmer det færdige resultat. Dette streamer transskriptionen af en afsluttet optagelse frem for at modtage mikrofonlyd, efterhånden som den kommer. Det præcise modelkort opfører også endepunktsfamilierne transskription og Realtime; den modelspecifikke sessionsadfærd skal fortsat knyttes til denne profil frem for at blive lånt fra en nyere model til kontinuerlig streaming.\n\n### Modelgrænser og kontrol af det endelige resultat\n\nDen aktuelle specifikation for GPT-4o Transcribe angiver et kontekstvindue på 16.000 tokens, et maksimalt output på 2.000 tokens og en vidensgrænse den 1. juni 2024. Disse tokengrænser er ikke en fast lydvarighed og erstatter ikke reglerne for forberedelse af filtransskription. Ved en længere optagelse skal du bevare kildens rækkefølge og den relevante foregående kontekst og derefter kontrollere, at den færdige tekst når til slutningen af hvert tilsigtet segment.\n\nEn nyttig færdig transskription kan blive til søgbart interviewmateriale, en kilde til teknisk dokumentation eller ordlyden til en senere undertekstarbejdsgang. Gennemgå usikkert ordforråd, mængder, tegnsætning, accenter og overlappende tale mod optagelsen. Hold genkendt tekst adskilt fra senere rettelser eller opsummeringer, og bevar forbindelsen til kilden gennem identifikatorer i den omgivende arbejdsgang. Modellen leverer en tekstgengivelse; omhyggelig forberedelse af input og gennemgang af kilden afgør, om gengivelsen egner sig til næste anvendelse.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "df262218ddaab55b6c064e924587aa1a5577bcf02a49f7c20522c76bf48e8ee2", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "da", "methods": [ { "html": "openai/gpt-4o-transcribeGPT-4o Transcribe omdanner lyd til tekst ved hjælp af OpenAIs talegenkendelsesfunktioner i GPT-4o. Modellen understøtter kontekstuelle prompter, et hint om inputsproget, JSON-transskriptioner, streamet filoutput og valgfrie logaritmiske sandsynligheder for tokens til gennemgang af usikker ordlyd.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
GPT-4o Transcribe er OpenAIs tale-til-tekst-model baseret på GPT-4o. Inputtet er lyd med valgfri tekstvejledning, og outputtet er genkendt tekst. Modellen er adskilt fra GPT-4o Mini Transcribe-udgaven og fra GPT-4o Transcribe Diarize, den specialiserede model til talermærkning. Brug denne profil til at udarbejde en troværdig skriftlig gengivelse af talt materiale, og hold kildeoptagelsen tilgængelig til gennemgang og senere redaktionelt arbejde.
OpenAIs transskriptionsvejledning dokumenterer uploads på op til 25 MB. Den aktuelle endepunktsreference accepterer FLAC, MP3, MP4, MPEG, MPGA, M4A, OGG, WAV og WebM og anbefaler filmetadata, der identificerer formatet, herunder et filnavn med filendelse og en passende indholdstype. For en større optagelse følger komprimering eller ordnede dele på højst 25 MB leverandørens vejledning til længere input. Undgå at opdele midt i en sætning, og bevar hver dels placering i den fulde optagelse.
Ved et interview skal du knytte hver inputfil til optagelsen og den passage, filen dækker. Ved en teknisk præsentation skal du forberede relevante produktnavne, akronymer og fagtermer som kontekst og derefter kontrollere stavningen mod det, taleren faktisk sagde. Ved en optaget forklaring med talværdier skal du gennemgå transskriptionen sammen med kilden, før den bliver til en skriftlig procedure. Det første ønskede resultat er genkendt tale i tekstform; en sammenfattet rapport eller et oversat dokument kan udarbejdes separat ud fra teksten.
Leverandørens vejledning omfatter udtrykkeligt GPT-4o Transcribe i sin understøttelse af prompter. En prompt kan levere korrekte stavemåder, kontekst fra et tidligere segment og præferencer for tegnsætning, store og små bogstaver, fyldord eller et skriftsystem. Ifølge referencen skal den matche optagelsens sprog. En kort, relevant beskrivelse af emnet og ordforrådet giver transskriptionen nyttig kontekst uden at gøre ord, som ikke blev sagt, til påkrævet output.
Denne profil understøtter et hint om ét sprog i feltet language, dokumenteret i ISO 639-1-format. Angivelse af det faktiske inputsprog kan hjælpe genkendelsen. De nyere felter keywords og languages fra GPT Transcribe tilhører den særskilt navngivne model og må ikke forudsættes at gælde for GPT-4o Transcribe. Hold sprogindstillingen knyttet til den tale, du transskriberer, og bevar den originale ordlyd før en senere oversættelse eller stilistisk omskrivning.
Den aktuelle endepunktsreference dokumenterer JSON som det understøttede svarformat for GPT-4o Transcribe. Resultatet indeholder genkendt tekst, og valgfrie logaritmiske sandsynligheder for tokens kan anmodes om med dette JSON-format. Sandsynlighedsdataene beskriver modellens valg af tokens. De kan pege på passager, der bør undersøges, men det er en sammenligning med lyden, der fastslår, om transskriptionen gengiver et vanskeligt navn, tal eller udtryk.
Standardprofilens JSON-resultat leverer ikke direkte understøttede undertekstformater, detaljerede tidsstempler på ordniveau eller talertildelinger. OpenAI dokumenterer andre valg af model og format, når disse output er nødvendige; GPT-4o Transcribe Diarize er den særskilte udgave til talermærkning. Til en undertekstopgave skal du bevare en kontrolleret transskription til et egnet trin med tidsplacering. Ved en samtale må du ikke opfinde talernavne, blot fordi et afsnit i transskriptionen tilsyneladende skifter emne eller stemme.
Ifølge OpenAIs tale-til-tekst-vejledning understøtter eksisterende GPT-4o Transcribe-integrationer filstreaming. Applikationen leverer først optagelsen og modtager derefter transskriberet tekst, mens optagelsen behandles, og gemmer det færdige resultat. Dette streamer transskriptionen af en afsluttet optagelse frem for at modtage mikrofonlyd, efterhånden som den kommer. Det præcise modelkort opfører også endepunktsfamilierne transskription og Realtime; den modelspecifikke sessionsadfærd skal fortsat knyttes til denne profil frem for at blive lånt fra en nyere model til kontinuerlig streaming.
Den aktuelle specifikation for GPT-4o Transcribe angiver et kontekstvindue på 16.000 tokens, et maksimalt output på 2.000 tokens og en vidensgrænse den 1. juni 2024. Disse tokengrænser er ikke en fast lydvarighed og erstatter ikke reglerne for forberedelse af filtransskription. Ved en længere optagelse skal du bevare kildens rækkefølge og den relevante foregående kontekst og derefter kontrollere, at den færdige tekst når til slutningen af hvert tilsigtet segment.
En nyttig færdig transskription kan blive til søgbart interviewmateriale, en kilde til teknisk dokumentation eller ordlyden til en senere undertekstarbejdsgang. Gennemgå usikkert ordforråd, mængder, tegnsætning, accenter og overlappende tale mod optagelsen. Hold genkendt tekst adskilt fra senere rettelser eller opsummeringer, og bevar forbindelsen til kilden gennem identifikatorer i den omgivende arbejdsgang. Modellen leverer en tekstgengivelse; omhyggelig forberedelse af input og gennemgang af kilden afgør, om gengivelsen egner sig til næste anvendelse.
POST /v1/audio/transcriptionsaudiotext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser openai/gpt-4o-transcribe | Standard— |
Feltinput_audio | Typeobject | KravPåkrævet | Værdier og grænser | Standard— |
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, input_audio |
Parametermaterial_types | Kontraktaudio |
Parametermaterial_conditions | KontraktEksemplet læser din faktiske, ikke-tomme PCM WAV-fil, koder samtlige bytes i filen som base64 og sender input_audio.format som wav. |
Livscyklus: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · præcist task_id fra en eksisterende mediepost, du ejer
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
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 |
| Konfigurationinputtoken | Takstplan— | Afregningsenhed/ 1K tokens | Beløb Input $0.005 / 1K tokens |
| Konfigurationoutputtoken | Takstplan— | Afregningsenhed/ 1K tokens | Beløb Output $0.02 / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_AUDIO_FILE:?Set the path to your actual PCM WAV recording}"\nexport AILOOT_AUDIO_FILE\npython3 - <<'PY_REQUEST'\nimport base64, io, json, os, wave\nfrom pathlib import Path\naudio = Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()\nif not (audio[:4] == b'RIFF' and audio[8:12] == b'WAVE'):\n raise SystemExit('Supply your actual PCM WAV audio file')\nwith wave.open(io.BytesIO(audio), 'rb') as recording:\n if recording.getcomptype() != 'NONE' or recording.getnframes() <= 0:\n raise SystemExit('Supply a nonempty PCM WAV recording')\nrequest = {'model': 'openai/gpt-4o-transcribe', 'input_audio': {'data': base64.b64encode(audio).decode('ascii'), 'format': 'wav'}}\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# Retain the complete original response, headers and actual X-Client-Request-ID.\n# Read existing owned records for recovery; do not resubmit an uncertain operation.\nHele det oprindelige svarindhold, status og videresendte headere. Denne handler tilføjer hverken en universel JSON-struktur, et tekstfelt eller en opgaveindpakning.
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.
Gem hele svaret og alle headere, alle faktisk returnerede output, de oprindeligt returnerede identifikatorer og alle felter med forbrugsdata. Gendan den oprindelige operation uden at sende oprettelsesanmodningen igen.
Behold det faktiske X-Client-Request-ID og hele svaret. Læs de oprindelige aktiver, du ejer, og deres præcise signerede indholds-URL’er; indsend aldrig en oprettelse med usikkert udfald igen.
| Felt | Type |
|---|---|
Felttext (when present) | Type |
Feltusage (when present) | Type |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseJSON-indholdet eller det eksplicitte kanoniske model-ID er ugyldigt. | Næste trinBehold svaret, og ret det angivne forespørgselsfelt. |
Svar401 · authentication_error | BetingelseAiloot API-nøglen er ugyldig. | Næste trinBrug din autoriserede Ailoot API-nøgle. |
Svar403 · permission_error | BetingelseNøglens gruppe giver ikke adgang til denne metode. | Næste trinBehold de returnerede fejloplysninger. |
Svar404 · not_found_error | BetingelseDen valgte metode har ingen rute med adgangstilladelse. | Næste trinBehold de returnerede fejloplysninger. |
Svar422 · price_unavailable | BetingelseDen accepterede tarif kan ikke hente den påkrævede inputmængde eller grænse. | Næste trinBehold svaret; brug den inputrepræsentation, som den accepterede tarif kræver. |
Svar503 · | BetingelsePåkrævet lager, rute, metodepris eller reservation er utilgængelig. | Næste trinBehold hele det oprindelige svar. En usikker reservation giver ikke tilladelse til at indsende igen. |
Svar502 · server_error | BetingelseDet oprindelige resultat, forbrug eller den oprindelige afregning skal kontrolleres. | Næste trinBehold det faktiske forespørgsels-ID og det oprindelige svar. Læs den eksisterende post, du ejer; indsend ikke oprettelsen igen. |
Ailoot Ultra openai/gpt-4o-transcribe
Brug metodestierne vist ovenfor.