Whisper large-v3-turbo, også kaldet Turbo, er OpenAI’s optimerede transskriptionsmodel, der er afledt af Whisper large-v3. Dekoderen er reduceret fra 32 lag til fire, mens encoderen fortsat har 32 lag. Den udgivne model har cirka 809 millioner parametre. Producentens formål er hurtigere talegenkendelse med et beskedent tab af nøjagtighed, ikke en anden tilstand til lydgenerering. Optaget tale er input, og genkendt tekst er resultatet.
Udgivelsesmeddelelsen skelner mellem forberedelsen af Turbo og en separat destilleret Whisper-model: Turbo blev finjusteret i yderligere to epoker på flersprogede transskriptionsdata uden oversættelsesdata. Denne forskel har betydning for anvendelsen. OpenAI’s repository angiver, at Turbo ikke er trænet til at oversætte ikke-engelsk tale til engelsk og kan returnere originalsproget, selv når der anmodes om en oversættelsesopgave. Brug denne udgave til en transskription på samme sprog; et oversættelsesbehov kræver en anden egnet model eller et separat trin efter transskriptionen.
Registrering af kildesprog og et eksplicit sprogvalg er fortsat nyttige muligheder ved transskription. Hvis optagelsens sprog allerede er kendt, skal det angives i opgavebeskrivelsen; ellers kan den dokumenterede arbejdsgang registrere det. Bevar navne, mængdeangivelser og de faktisk talte ord, før der anmodes om redaktionel oprydning. Et mødereferat, en interviewtransskription eller en forelæsningstekst kan derefter gennemsøges, annoteres eller opsummeres i en senere behandling. Turbos genkendelsesopgave må ikke forveksles med talesyntese, stemmeimitation eller en semantisk vurdering af personerne i optagelsen.
OpenAI’s lydindlæser afkoder inputfiler til monosamples ved 16 kHz, og modellen bruger et akustisk vindue på 30 sekunder med 128 Mel-frekvensbånd. Længere optagelser kræver inferens til lang lyd. Sekventiel behandling gennemløber vinduerne i rækkefølge; en opdelt tilgang transskriberer overlappende stykker og sammenføjer dem ved grænserne. Modelkortet beskriver den sidstnævnte tilgang som nyttig ved behandling af én lang fil, når kort gennemløbstid har højeste prioritet, mens sekventiel behandling er alternativet med fokus på nøjagtighed. Hverken vinduet eller modelnavnet fastlægger en bestemt maksimal filstørrelse for upload til en hostet tjeneste.
Den præcise Turbo-konfiguration angiver 448 dekoderpositioner for én afkodningssekvens. Den dokumenterede inferensarbejdsgang kan levere tidsangivelser for segmenter eller ord sammen med transskriptionen; tidsangivelser understøtter navigation og senere undertekstformatering. Det tilføjer ikke automatisk et undertekstfilformat eller pålidelige talermærkater. Angiv, om der er brug for en ren transskription eller segmenter med tidsangivelser, og behold originaloptagelsen til kontrol af omstridte passager. Behandling af lang lyd og eventuel endelig formatering er adskilt fra modelcheckpointets identitet.
Turbo reducerer afkodningsarbejdet, men den faktiske behandlingstid afhænger af hardware, optagelsens længde, sprog, taletempo og valg af inferensmetode. Producenten bemærker større kvalitetsfald for visse sprog, herunder thai og kantonesisk, frem for ensartet adfærd på tværs af alle sprog. Sammenlign et repræsentativt uddrag på det ønskede sprog, før den hastighedsorienterede afvejning vurderes som egnet til alt materialet. Ved behandling af et arkiv bør kontroluddraget indeholde vanskeligt ordforråd, pauser og passager med støj eller overlappende tale, ikke kun en tydelig indledningssætning.
Det offentliggjorte kort beskriver Whispers væsentlige begrænsninger ved genkendelse: den forudsagte tekst kan indeholde ord, som ikke blev sagt, og gentagen tekst kan forekomme. Resultaterne varierer mellem sprog, accenter og dialekter, især hvor dækningen i træningsdataene er begrænset. Kortet dokumenterer ikke talersegmentering eller talerklassifikation som robuste standardfunktioner i basismodellen. En praktisk kontrol fokuserer på kildetrofasthed: vigtige navne og tal, udeladt tale, uventet tekst under stilhed og gentagelser. En læsbar transskription er fortsat et resultat, der skal sammenholdes med optagelsen, ikke en garanti for præcis genkendelse.
Det nyttige færdige resultat er en transskription på kildesproget med eventuelle ønskede tidsangivelser og en tydelig henvisning til optagelsen. Hold den genkendte version adskilt fra en redigeret publiceringsversion, så ændringer kan spores. Bevar navnet large-v3-turbo ved sammenligning af udgaver: det er ikke den fulde large-v3-model og bør ikke stiltiende overtage large-v3’s opgave med oversættelse til engelsk. Denne identitet som model med åbne vægte indebærer heller ikke uploadgrænserne, svarformaterne eller løfterne om livestreaming fra den hostede whisper-1-tjeneste. Vælg Turbo, når den dokumenterede transskriptionsafvejning passer til det faktiske materiale og den ønskede gennemløbstid.
", "aboutText": "Whisper large-v3-turbo, også kaldet Turbo, er OpenAI’s optimerede transskriptionsmodel, der er afledt af Whisper large-v3. Dekoderen er reduceret fra 32 lag til fire, mens encoderen fortsat har 32 lag. Den udgivne model har cirka 809 millioner parametre. Producentens formål er hurtigere talegenkendelse med et beskedent tab af nøjagtighed, ikke en anden tilstand til lydgenerering. Optaget tale er input, og genkendt tekst er resultatet.\n\nUdgivelsesmeddelelsen skelner mellem forberedelsen af Turbo og en separat destilleret Whisper-model: Turbo blev finjusteret i yderligere to epoker på flersprogede transskriptionsdata uden oversættelsesdata. Denne forskel har betydning for anvendelsen. OpenAI’s repository angiver, at Turbo ikke er trænet til at oversætte ikke-engelsk tale til engelsk og kan returnere originalsproget, selv når der anmodes om en oversættelsesopgave. Brug denne udgave til en transskription på samme sprog; et oversættelsesbehov kræver en anden egnet model eller et separat trin efter transskriptionen.\n\nRegistrering af kildesprog og et eksplicit sprogvalg er fortsat nyttige muligheder ved transskription. Hvis optagelsens sprog allerede er kendt, skal det angives i opgavebeskrivelsen; ellers kan den dokumenterede arbejdsgang registrere det. Bevar navne, mængdeangivelser og de faktisk talte ord, før der anmodes om redaktionel oprydning. Et mødereferat, en interviewtransskription eller en forelæsningstekst kan derefter gennemsøges, annoteres eller opsummeres i en senere behandling. Turbos genkendelsesopgave må ikke forveksles med talesyntese, stemmeimitation eller en semantisk vurdering af personerne i optagelsen.\n\nOpenAI’s lydindlæser afkoder inputfiler til monosamples ved 16 kHz, og modellen bruger et akustisk vindue på 30 sekunder med 128 Mel-frekvensbånd. Længere optagelser kræver inferens til lang lyd. Sekventiel behandling gennemløber vinduerne i rækkefølge; en opdelt tilgang transskriberer overlappende stykker og sammenføjer dem ved grænserne. Modelkortet beskriver den sidstnævnte tilgang som nyttig ved behandling af én lang fil, når kort gennemløbstid har højeste prioritet, mens sekventiel behandling er alternativet med fokus på nøjagtighed. Hverken vinduet eller modelnavnet fastlægger en bestemt maksimal filstørrelse for upload til en hostet tjeneste.\n\nDen præcise Turbo-konfiguration angiver 448 dekoderpositioner for én afkodningssekvens. Den dokumenterede inferensarbejdsgang kan levere tidsangivelser for segmenter eller ord sammen med transskriptionen; tidsangivelser understøtter navigation og senere undertekstformatering. Det tilføjer ikke automatisk et undertekstfilformat eller pålidelige talermærkater. Angiv, om der er brug for en ren transskription eller segmenter med tidsangivelser, og behold originaloptagelsen til kontrol af omstridte passager. Behandling af lang lyd og eventuel endelig formatering er adskilt fra modelcheckpointets identitet.\n\nTurbo reducerer afkodningsarbejdet, men den faktiske behandlingstid afhænger af hardware, optagelsens længde, sprog, taletempo og valg af inferensmetode. Producenten bemærker større kvalitetsfald for visse sprog, herunder thai og kantonesisk, frem for ensartet adfærd på tværs af alle sprog. Sammenlign et repræsentativt uddrag på det ønskede sprog, før den hastighedsorienterede afvejning vurderes som egnet til alt materialet. Ved behandling af et arkiv bør kontroluddraget indeholde vanskeligt ordforråd, pauser og passager med støj eller overlappende tale, ikke kun en tydelig indledningssætning.\n\nDet offentliggjorte kort beskriver Whispers væsentlige begrænsninger ved genkendelse: den forudsagte tekst kan indeholde ord, som ikke blev sagt, og gentagen tekst kan forekomme. Resultaterne varierer mellem sprog, accenter og dialekter, især hvor dækningen i træningsdataene er begrænset. Kortet dokumenterer ikke talersegmentering eller talerklassifikation som robuste standardfunktioner i basismodellen. En praktisk kontrol fokuserer på kildetrofasthed: vigtige navne og tal, udeladt tale, uventet tekst under stilhed og gentagelser. En læsbar transskription er fortsat et resultat, der skal sammenholdes med optagelsen, ikke en garanti for præcis genkendelse.\n\nDet nyttige færdige resultat er en transskription på kildesproget med eventuelle ønskede tidsangivelser og en tydelig henvisning til optagelsen. Hold den genkendte version adskilt fra en redigeret publiceringsversion, så ændringer kan spores. Bevar navnet large-v3-turbo ved sammenligning af udgaver: det er ikke den fulde large-v3-model og bør ikke stiltiende overtage large-v3’s opgave med oversættelse til engelsk. Denne identitet som model med åbne vægte indebærer heller ikke uploadgrænserne, svarformaterne eller løfterne om livestreaming fra den hostede whisper-1-tjeneste. Vælg Turbo, når den dokumenterede transskriptionsafvejning passer til det faktiske materiale og den ønskede gennemløbstid.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "c02c89e203af5b29da9bb9e8adc10f74650f6fa7ac7d679708b92fc1cdf5de9b", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "da", "methods": [ { "html": "openai/whisper-large-v3-turboWhisper large-v3-turbo er OpenAI’s hurtigere transskriptionsudgave med åbne vægte, afledt af large-v3, med fire dekoderlag og 809 millioner parametre. Den er rettet mod flersproget tale-til-tekst; ifølge producentens officielle dokumentation indgår oversættelse af tale til engelsk ikke i den opgave, Turbo er trænet til.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Whisper large-v3-turbo, også kaldet Turbo, er OpenAI’s optimerede transskriptionsmodel, der er afledt af Whisper large-v3. Dekoderen er reduceret fra 32 lag til fire, mens encoderen fortsat har 32 lag. Den udgivne model har cirka 809 millioner parametre. Producentens formål er hurtigere talegenkendelse med et beskedent tab af nøjagtighed, ikke en anden tilstand til lydgenerering. Optaget tale er input, og genkendt tekst er resultatet.
Udgivelsesmeddelelsen skelner mellem forberedelsen af Turbo og en separat destilleret Whisper-model: Turbo blev finjusteret i yderligere to epoker på flersprogede transskriptionsdata uden oversættelsesdata. Denne forskel har betydning for anvendelsen. OpenAI’s repository angiver, at Turbo ikke er trænet til at oversætte ikke-engelsk tale til engelsk og kan returnere originalsproget, selv når der anmodes om en oversættelsesopgave. Brug denne udgave til en transskription på samme sprog; et oversættelsesbehov kræver en anden egnet model eller et separat trin efter transskriptionen.
Registrering af kildesprog og et eksplicit sprogvalg er fortsat nyttige muligheder ved transskription. Hvis optagelsens sprog allerede er kendt, skal det angives i opgavebeskrivelsen; ellers kan den dokumenterede arbejdsgang registrere det. Bevar navne, mængdeangivelser og de faktisk talte ord, før der anmodes om redaktionel oprydning. Et mødereferat, en interviewtransskription eller en forelæsningstekst kan derefter gennemsøges, annoteres eller opsummeres i en senere behandling. Turbos genkendelsesopgave må ikke forveksles med talesyntese, stemmeimitation eller en semantisk vurdering af personerne i optagelsen.
OpenAI’s lydindlæser afkoder inputfiler til monosamples ved 16 kHz, og modellen bruger et akustisk vindue på 30 sekunder med 128 Mel-frekvensbånd. Længere optagelser kræver inferens til lang lyd. Sekventiel behandling gennemløber vinduerne i rækkefølge; en opdelt tilgang transskriberer overlappende stykker og sammenføjer dem ved grænserne. Modelkortet beskriver den sidstnævnte tilgang som nyttig ved behandling af én lang fil, når kort gennemløbstid har højeste prioritet, mens sekventiel behandling er alternativet med fokus på nøjagtighed. Hverken vinduet eller modelnavnet fastlægger en bestemt maksimal filstørrelse for upload til en hostet tjeneste.
Den præcise Turbo-konfiguration angiver 448 dekoderpositioner for én afkodningssekvens. Den dokumenterede inferensarbejdsgang kan levere tidsangivelser for segmenter eller ord sammen med transskriptionen; tidsangivelser understøtter navigation og senere undertekstformatering. Det tilføjer ikke automatisk et undertekstfilformat eller pålidelige talermærkater. Angiv, om der er brug for en ren transskription eller segmenter med tidsangivelser, og behold originaloptagelsen til kontrol af omstridte passager. Behandling af lang lyd og eventuel endelig formatering er adskilt fra modelcheckpointets identitet.
Turbo reducerer afkodningsarbejdet, men den faktiske behandlingstid afhænger af hardware, optagelsens længde, sprog, taletempo og valg af inferensmetode. Producenten bemærker større kvalitetsfald for visse sprog, herunder thai og kantonesisk, frem for ensartet adfærd på tværs af alle sprog. Sammenlign et repræsentativt uddrag på det ønskede sprog, før den hastighedsorienterede afvejning vurderes som egnet til alt materialet. Ved behandling af et arkiv bør kontroluddraget indeholde vanskeligt ordforråd, pauser og passager med støj eller overlappende tale, ikke kun en tydelig indledningssætning.
Det offentliggjorte kort beskriver Whispers væsentlige begrænsninger ved genkendelse: den forudsagte tekst kan indeholde ord, som ikke blev sagt, og gentagen tekst kan forekomme. Resultaterne varierer mellem sprog, accenter og dialekter, især hvor dækningen i træningsdataene er begrænset. Kortet dokumenterer ikke talersegmentering eller talerklassifikation som robuste standardfunktioner i basismodellen. En praktisk kontrol fokuserer på kildetrofasthed: vigtige navne og tal, udeladt tale, uventet tekst under stilhed og gentagelser. En læsbar transskription er fortsat et resultat, der skal sammenholdes med optagelsen, ikke en garanti for præcis genkendelse.
Det nyttige færdige resultat er en transskription på kildesproget med eventuelle ønskede tidsangivelser og en tydelig henvisning til optagelsen. Hold den genkendte version adskilt fra en redigeret publiceringsversion, så ændringer kan spores. Bevar navnet large-v3-turbo ved sammenligning af udgaver: det er ikke den fulde large-v3-model og bør ikke stiltiende overtage large-v3’s opgave med oversættelse til engelsk. Denne identitet som model med åbne vægte indebærer heller ikke uploadgrænserne, svarformaterne eller løfterne om livestreaming fra den hostede whisper-1-tjeneste. Vælg Turbo, når den dokumenterede transskriptionsafvejning passer til det faktiske materiale og den ønskede gennemløbstid.
POST /v1/audio/transcriptionsaudiotext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser openai/whisper-large-v3-turbo | 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 |
| Konfigurationsekund inputlyd | Takstplan— | Afregningsenhedpr. sekund lydinput | Beløb Input · sekund inputlyd $0.00000666 pr. sekund lydinput |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${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/whisper-large-v3-turbo', '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/whisper-large-v3-turbo
Brug metodestierne vist ovenfor.