Whisper large-v3 er et udgivet talegenkendelsescheckpoint fra OpenAI med cirka 1,55 milliarder parametre. Det er en flersproget encoder-decoder-model: lyd går ind i encoderen, og decoderen forudsiger tekst og opgaverelaterede tokens. Hovedopgaverne er transskription af tale på originalsproget og oversættelse af tale til engelsk. Det er en modelidentitet med åbne vægte, adskilt fra en hostet tjenestes modelidentifikator eller tjenestens regler for upload og svarformater.
Large-v3 bevarer arkitekturen fra tidligere store Whisper-checkpoints med to angivne ændringer: spektrograminputtet bruger 128 Mel-frekvensbånd i stedet for 80, og der tilføjes et kantonesisk sprogtoken. Producentens modelkort beskriver træning på én million timers svagt mærket lyd og fire millioner timers pseudomærket lyd forberedt med Whisper large-v2. Denne blanding blev brugt til to træningsepoker. Udgivelsen er et bestemt large-v3-checkpoint frem for et generisk navn på alle modeller i Whisper-familien.
Det dokumenterede inferensforløb udfører transskription som standard og bevarer det sprog, der tales i optagelsen. Det kan registrere originalsproget automatisk eller modtage et kendt sprogvalg. Til oversættelse giver den flersprogede large-model et engelsk tekstresultat fra ikke-engelsk tale. Vælg opgaven udtrykkeligt: en transskription på originalsproget og en engelsk oversættelse er forskellige resultater. Til et interview bevares ordlyden på originalsproget; til et engelsk referencedokument angives det, at det ønskede resultat er en oversættelse af det talte indhold.
Lydforberedelse er en del af inputforløbet. OpenAIs indlæser dekoder en optagelse til en monobølgeform og omsampler den til 16 kHz. Modellens akustiske receptive felt er 30 sekunder. Det er et behandlingsvindue, ikke en maksimal længde for et helt interview eller en forelæsning. Inferens for lange optagelser kan gå sekventielt gennem glidende vinduer eller opdele en lang optagelse i overlappende dele og samle deres transskriptioner. Producentens modelkort beskriver sekventiel behandling, når nøjagtighed prioriteres, og behandling i dele, når hurtig behandling af én lang optagelse er vigtigere.
Den udgivne konfiguration angiver 448 decoderpositioner for en individuel afkodningssekvens. Længere optagelser håndteres af forløbet til lange optagelser frem for at behandle dette tal som en universel transskriptionsgrænse. Det dokumenterede forløb kan returnere tidsstempler på segment- eller ordniveau sammen med genkendt tekst. Disse tidsoplysninger er nyttige til navigation i optagelser og forberedelse af undertekster, mens en endelig undertekstcontainer eller et transskriptionsfilformat er et separat valg af outputformatering. Bevar optagelsens tidsforløb under lydforberedelsen, hvis transskriptionen skal tilpasses originalmaterialet.
Whispers tilsigtede rolle er at genkende og oversætte tale. En forelæsningstransskription, en interviewoptegnelse eller en søgbar samling af talt materiale er et praktisk output; opsummering eller fortolkning kan følge som et andet trin over teksten. Modelkortet fastslår ikke robust automatisk talerklassifikation eller taleradskillelse som standardoutput fra grundcheckpointet. Hvis en opgave kræver talerbetegnelser, skal det krav håndteres separat fra en påstand om en nøjagtig transskription. En nyttig opgavebeskrivelse angiver originalsproget, om transskription eller engelsk oversættelse behøves, og om tidsoplysninger kræves.
Væsentlige begrænsninger omfatter opfundet tekst, der aldrig blev sagt, og gentaget tekst, forbundet med svagt superviseret træning på støjfyldte data og sekvens-til-sekvens-designet. Genkendelseskvaliteten varierer mellem sprog, accenter og dialekter med svagere resultater, hvor der findes mindre træningsmateriale. Støj, fagudtryk og overlappende tale bør derfor indgå i den prøve, der bruges til at vurdere egnethed. Sammenlign navne, mængder og vigtige udsagn med optagelsen, og undersøg passager uden tale eller gentagne linjer frem for at behandle en flydende transskription som bevis på, at hvert ord blev hørt.
Et fuldstændigt resultat bevarer den genkendte tekst, dens sprog og eventuelle anmodede tidsoplysninger med en reference til originaloptagelsen. Hold transskription adskilt fra senere redigering: en rettet udgivelsestransskription kan fjerne fyldord, mens den genkendte transskription bevarer det, modellen faktisk returnerede. Identiteten og oversættelsesfunktionen i large-v3 bør også holdes adskilt fra den hurtigere Turbo-udgave. Den faktiske behandlingshastighed afhænger af sprog, talehastighed, hardware og inferensmetode; ingen bestemt hostet latenstid, maksimal uploadstørrelse eller aktiveret applikationsrute følger alene af checkpointnavnet.
", "aboutText": "Whisper large-v3 er et udgivet talegenkendelsescheckpoint fra OpenAI med cirka 1,55 milliarder parametre. Det er en flersproget encoder-decoder-model: lyd går ind i encoderen, og decoderen forudsiger tekst og opgaverelaterede tokens. Hovedopgaverne er transskription af tale på originalsproget og oversættelse af tale til engelsk. Det er en modelidentitet med åbne vægte, adskilt fra en hostet tjenestes modelidentifikator eller tjenestens regler for upload og svarformater.\n\nLarge-v3 bevarer arkitekturen fra tidligere store Whisper-checkpoints med to angivne ændringer: spektrograminputtet bruger 128 Mel-frekvensbånd i stedet for 80, og der tilføjes et kantonesisk sprogtoken. Producentens modelkort beskriver træning på én million timers svagt mærket lyd og fire millioner timers pseudomærket lyd forberedt med Whisper large-v2. Denne blanding blev brugt til to træningsepoker. Udgivelsen er et bestemt large-v3-checkpoint frem for et generisk navn på alle modeller i Whisper-familien.\n\nDet dokumenterede inferensforløb udfører transskription som standard og bevarer det sprog, der tales i optagelsen. Det kan registrere originalsproget automatisk eller modtage et kendt sprogvalg. Til oversættelse giver den flersprogede large-model et engelsk tekstresultat fra ikke-engelsk tale. Vælg opgaven udtrykkeligt: en transskription på originalsproget og en engelsk oversættelse er forskellige resultater. Til et interview bevares ordlyden på originalsproget; til et engelsk referencedokument angives det, at det ønskede resultat er en oversættelse af det talte indhold.\n\nLydforberedelse er en del af inputforløbet. OpenAIs indlæser dekoder en optagelse til en monobølgeform og omsampler den til 16 kHz. Modellens akustiske receptive felt er 30 sekunder. Det er et behandlingsvindue, ikke en maksimal længde for et helt interview eller en forelæsning. Inferens for lange optagelser kan gå sekventielt gennem glidende vinduer eller opdele en lang optagelse i overlappende dele og samle deres transskriptioner. Producentens modelkort beskriver sekventiel behandling, når nøjagtighed prioriteres, og behandling i dele, når hurtig behandling af én lang optagelse er vigtigere.\n\nDen udgivne konfiguration angiver 448 decoderpositioner for en individuel afkodningssekvens. Længere optagelser håndteres af forløbet til lange optagelser frem for at behandle dette tal som en universel transskriptionsgrænse. Det dokumenterede forløb kan returnere tidsstempler på segment- eller ordniveau sammen med genkendt tekst. Disse tidsoplysninger er nyttige til navigation i optagelser og forberedelse af undertekster, mens en endelig undertekstcontainer eller et transskriptionsfilformat er et separat valg af outputformatering. Bevar optagelsens tidsforløb under lydforberedelsen, hvis transskriptionen skal tilpasses originalmaterialet.\n\nWhispers tilsigtede rolle er at genkende og oversætte tale. En forelæsningstransskription, en interviewoptegnelse eller en søgbar samling af talt materiale er et praktisk output; opsummering eller fortolkning kan følge som et andet trin over teksten. Modelkortet fastslår ikke robust automatisk talerklassifikation eller taleradskillelse som standardoutput fra grundcheckpointet. Hvis en opgave kræver talerbetegnelser, skal det krav håndteres separat fra en påstand om en nøjagtig transskription. En nyttig opgavebeskrivelse angiver originalsproget, om transskription eller engelsk oversættelse behøves, og om tidsoplysninger kræves.\n\nVæsentlige begrænsninger omfatter opfundet tekst, der aldrig blev sagt, og gentaget tekst, forbundet med svagt superviseret træning på støjfyldte data og sekvens-til-sekvens-designet. Genkendelseskvaliteten varierer mellem sprog, accenter og dialekter med svagere resultater, hvor der findes mindre træningsmateriale. Støj, fagudtryk og overlappende tale bør derfor indgå i den prøve, der bruges til at vurdere egnethed. Sammenlign navne, mængder og vigtige udsagn med optagelsen, og undersøg passager uden tale eller gentagne linjer frem for at behandle en flydende transskription som bevis på, at hvert ord blev hørt.\n\nEt fuldstændigt resultat bevarer den genkendte tekst, dens sprog og eventuelle anmodede tidsoplysninger med en reference til originaloptagelsen. Hold transskription adskilt fra senere redigering: en rettet udgivelsestransskription kan fjerne fyldord, mens den genkendte transskription bevarer det, modellen faktisk returnerede. Identiteten og oversættelsesfunktionen i large-v3 bør også holdes adskilt fra den hurtigere Turbo-udgave. Den faktiske behandlingshastighed afhænger af sprog, talehastighed, hardware og inferensmetode; ingen bestemt hostet latenstid, maksimal uploadstørrelse eller aktiveret applikationsrute følger alene af checkpointnavnet.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "3b6f6845c5981772d610f8cca57d2b66a257aae3dc1b64a381c9e6d9e12217ae", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "da", "methods": [ { "html": "openai/whisper-large-v3Whisper large-v3 er OpenAIs flersprogede talegenkendelsescheckpoint med åbne vægte til transskription og oversættelse af tale til engelsk. Det omdanner optaget tale til tekst med dokumenteret sprogvalg, tidsstempler og behandling af lange optagelser ud over dets akustiske vindue på 30 sekunder.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Whisper large-v3 er et udgivet talegenkendelsescheckpoint fra OpenAI med cirka 1,55 milliarder parametre. Det er en flersproget encoder-decoder-model: lyd går ind i encoderen, og decoderen forudsiger tekst og opgaverelaterede tokens. Hovedopgaverne er transskription af tale på originalsproget og oversættelse af tale til engelsk. Det er en modelidentitet med åbne vægte, adskilt fra en hostet tjenestes modelidentifikator eller tjenestens regler for upload og svarformater.
Large-v3 bevarer arkitekturen fra tidligere store Whisper-checkpoints med to angivne ændringer: spektrograminputtet bruger 128 Mel-frekvensbånd i stedet for 80, og der tilføjes et kantonesisk sprogtoken. Producentens modelkort beskriver træning på én million timers svagt mærket lyd og fire millioner timers pseudomærket lyd forberedt med Whisper large-v2. Denne blanding blev brugt til to træningsepoker. Udgivelsen er et bestemt large-v3-checkpoint frem for et generisk navn på alle modeller i Whisper-familien.
Det dokumenterede inferensforløb udfører transskription som standard og bevarer det sprog, der tales i optagelsen. Det kan registrere originalsproget automatisk eller modtage et kendt sprogvalg. Til oversættelse giver den flersprogede large-model et engelsk tekstresultat fra ikke-engelsk tale. Vælg opgaven udtrykkeligt: en transskription på originalsproget og en engelsk oversættelse er forskellige resultater. Til et interview bevares ordlyden på originalsproget; til et engelsk referencedokument angives det, at det ønskede resultat er en oversættelse af det talte indhold.
Lydforberedelse er en del af inputforløbet. OpenAIs indlæser dekoder en optagelse til en monobølgeform og omsampler den til 16 kHz. Modellens akustiske receptive felt er 30 sekunder. Det er et behandlingsvindue, ikke en maksimal længde for et helt interview eller en forelæsning. Inferens for lange optagelser kan gå sekventielt gennem glidende vinduer eller opdele en lang optagelse i overlappende dele og samle deres transskriptioner. Producentens modelkort beskriver sekventiel behandling, når nøjagtighed prioriteres, og behandling i dele, når hurtig behandling af én lang optagelse er vigtigere.
Den udgivne konfiguration angiver 448 decoderpositioner for en individuel afkodningssekvens. Længere optagelser håndteres af forløbet til lange optagelser frem for at behandle dette tal som en universel transskriptionsgrænse. Det dokumenterede forløb kan returnere tidsstempler på segment- eller ordniveau sammen med genkendt tekst. Disse tidsoplysninger er nyttige til navigation i optagelser og forberedelse af undertekster, mens en endelig undertekstcontainer eller et transskriptionsfilformat er et separat valg af outputformatering. Bevar optagelsens tidsforløb under lydforberedelsen, hvis transskriptionen skal tilpasses originalmaterialet.
Whispers tilsigtede rolle er at genkende og oversætte tale. En forelæsningstransskription, en interviewoptegnelse eller en søgbar samling af talt materiale er et praktisk output; opsummering eller fortolkning kan følge som et andet trin over teksten. Modelkortet fastslår ikke robust automatisk talerklassifikation eller taleradskillelse som standardoutput fra grundcheckpointet. Hvis en opgave kræver talerbetegnelser, skal det krav håndteres separat fra en påstand om en nøjagtig transskription. En nyttig opgavebeskrivelse angiver originalsproget, om transskription eller engelsk oversættelse behøves, og om tidsoplysninger kræves.
Væsentlige begrænsninger omfatter opfundet tekst, der aldrig blev sagt, og gentaget tekst, forbundet med svagt superviseret træning på støjfyldte data og sekvens-til-sekvens-designet. Genkendelseskvaliteten varierer mellem sprog, accenter og dialekter med svagere resultater, hvor der findes mindre træningsmateriale. Støj, fagudtryk og overlappende tale bør derfor indgå i den prøve, der bruges til at vurdere egnethed. Sammenlign navne, mængder og vigtige udsagn med optagelsen, og undersøg passager uden tale eller gentagne linjer frem for at behandle en flydende transskription som bevis på, at hvert ord blev hørt.
Et fuldstændigt resultat bevarer den genkendte tekst, dens sprog og eventuelle anmodede tidsoplysninger med en reference til originaloptagelsen. Hold transskription adskilt fra senere redigering: en rettet udgivelsestransskription kan fjerne fyldord, mens den genkendte transskription bevarer det, modellen faktisk returnerede. Identiteten og oversættelsesfunktionen i large-v3 bør også holdes adskilt fra den hurtigere Turbo-udgave. Den faktiske behandlingshastighed afhænger af sprog, talehastighed, hardware og inferensmetode; ingen bestemt hostet latenstid, maksimal uploadstørrelse eller aktiveret applikationsrute følger alene af checkpointnavnet.
POST /v1/audio/transcriptionsaudiotranscription| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser openai/whisper-large-v3 | 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 $0.000015 pr. sekund lydinput |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
Referenceplaner på modelniveau ændrer ikke metodevalg, prisoverslag eller opkrævninger. Ved den aktive afregning anvendes taksterne for den valgte Ailoot-metode.
| Konfiguration | Afregningsbetingelser | Beløb |
|---|---|---|
| KonfigurationOpenAI: Whisper Large V3 · Standardkonfiguration | AfregningsbetingelserStandardkonfiguration | Beløb Input · Sekunder inputlyd 0,000015 US$ 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': '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}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 openai/whisper-large-v3
Brug metodestierne vist ovenfor.