asr-1.0
MiniMax ASR 1.0 wandelt Audio in Text um und unterstützt Russisch, die Zuordnung von Äußerungen zu sprechenden Personen und Zeitstempel.
Über das Modell
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Eine Gesprächsaufnahme in Text umwandeln
MiniMax ASR 1.0 erkennt Sprache in einer Audiodatei. Der Hersteller beschreibt den Einsatz für Besprechungen, Interviews, Podcasts, Videotonspuren, Inhaltskontrolle und Gesprächsanalysen. Das Modell ist auf gesprochene Alltagssprache, Hintergrundgeräusche und Fachvokabular abgestimmt, mit Schwerpunkt auf weniger erfundenen Passagen. In dieser Ailoot-Karte ist die Eingabe Audio und das Ergebnis Text.
Sprache und mehrere Beteiligte
Unterstützt werden Russisch und Ukrainisch, Englisch, Französisch, Deutsch, Spanisch, Italienisch, Portugiesisch und Polnisch sowie Chinesisch, Kantonesisch, Japanisch, Koreanisch, Thai, Vietnamesisch, Indonesisch, Malaiisch, Filipino, Arabisch und Türkisch. Wird keine Sprache vorgegeben, bestimmt das Modell die Hauptsprache automatisch. Der Hersteller beschreibt die Kombination chinesischer und englischer Sprache gesondert.
Bei einer erweiterten Ergebnisdarstellung kann das Modell sprechende Personen unterscheiden und Äußerungen zeitlich zuordnen. Zurückgegeben werden die Gesamtzahl der Beteiligten und Segmente mit Sprecherkennzeichnung, Beginn, Ende und Text. Damit lässt sich nachvollziehen, wer wann eine bestimmte Äußerung gesprochen hat, ohne Beiträge verschiedener Personen zu vermischen.
Ergebnisdarstellung
Der Hersteller sieht gewöhnliches JSON mit Text und Dauer, erweitertes verbose_json sowie Untertitel in SRT und WebVTT vor. Zeitstempel werden standardmäßig auf Satz- oder Segmentebene verwendet. Zeitstempel einzelner Wörter sind für Englisch beschrieben, einzelner Zeichen für Chinesisch; solche Markierungen gehören zu Formaten mit zeitlicher Ausrichtung.
Schrittweise Textausgabe ist möglich, lässt sich jedoch nicht mit Sprecherzuordnung und Untertitelformaten kombinieren. In diesem Modus werden während der Verarbeitung einer bereits übermittelten Datei neue erkannte Textabschnitte zurückgegeben. Das ist ein Ergebnisstream, keine kontinuierliche Audioübertragung von einem Mikrofon.
Anforderungen an die Aufnahme
Als Eingabeformate sind WAV, AIFF, FLAC, ALAC im M4A-Container, MP3, AAC, Opus und Ogg angegeben. Eine Datei darf höchstens 500 Sekunden Audio enthalten und höchstens 50 MB groß sein. Eine zu lange Aufnahme wird abgelehnt, nicht unbemerkt gekürzt. Rohes PCM ohne Container wird nicht unterstützt.
Zur Vorbereitung einer Aufnahme empfiehlt der Hersteller Mono mit 16 kHz oder ein komprimiertes Audioformat. Eine hohe Abtastrate und Stereo sind für die Erkennung nicht erforderlich und vergrößern die Datei. Die Möglichkeiten erweiterter Ausgabe und Streaming-Verarbeitung gelten für ASR 1.0; das verfügbare Antwortformat einer konkreten Anfrage wird über die Mittel von Ailoot festgelegt.
Ailoot · Sprache zu Text POST /v1/audio/transcriptions asr-1.0
asr-1.0Einstieg
MiniMax ASR 1.0 wandelt Audio in Text um und unterstützt Russisch, die Zuordnung von Äußerungen zu sprechenden Personen und Zeitstempel.
- Zulässige Eingaben
- Audio
- Ergebnisse
- Text
In Ailoot verfügbar · Eingaben und Methoden
Ailoot · Sprache zu Text POST /v1/audio/transcriptions
- Eingabe
audio- Ausgabe
text- Ausgabeformat
- json
| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits asr-1.0 | Standard— |
Feldfile | Typfile | AnforderungErforderlich | Werte und Limits Maximale Anzahl Bytes: 52 428 800 Dateiformate: wav, mp3, m4a, ogg, webm, flac Inhaltstyp: multipart/form-data Maximale Dauer (exklusiv), Sekunden: 500 | Standard— |
Feldresponse_format | Typstring | AnforderungOptional | Werte und Limits json | Standard— |
Kombinationen von Eingabematerialien
speech_to_text · Erforderlich: actual audio file
Methodenparameter und Lebenszyklus
| Parameter | Vertrag |
|---|---|
Parametermaterial_types | Vertragaudio |
Parameterrequired | Vertragnull |
Parameteroptional_controls | Vertragnull |
Lebenszyklus: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · die tatsächlich zurückgegebene task_id oder ein Eintrag in der Medienbibliothek
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Methodenstrukturen und IDs sind exakt; die Fähigkeiten des Anbieters sind von der Zulassung einer Anfrage zu unterscheiden.
Tarife
Ailoot-Methodentarife
POST /v1/audio/transcriptions- Eingabe
- $ 0,38 pro Stunde Audio
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
Beispielanfragen
Ailoot · Sprache zu Text
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
Ergebnisse abrufen und speichern
Ailoot · Sprache zu Text
json
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
Alle fertiggestellten Ergebnisse aufbewahren
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Bewahren Sie das vollständige JSON auf, nicht nur den Text; erhalten Sie jedes verfügbare Segment/jeden Sprecher/Zeitstempel und die tatsächliche Aufgaben-/Asset-Kennung.
Wenn die ursprüngliche Antwort geprüft werden muss
Die ursprüngliche operation_id/X-Client-Request-ID für den Abgleich ohne erneute Einreichung aufbewahren; es gibt keine eigene Route zur Abfrage des Audiostatus.
Antwortfelder
| Feld | Typ |
|---|---|
Feldtext | Typstring |
Feldsegments[] | Typobject |
Feldtask_id | Typstring |
Feldasset_url | Typstring |
Feldusage | Typobject |
Fehler und nächste Schritte
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Antwortserver_error | BedingungDie zurückgegebene Antwort gibt an, dass der Vorgang oder das Ergebnis eine Prüfung erfordert | Nächster SchrittDie ursprünglich zurückgegebene Vorgangs-/Aufgaben-ID, die Anfrageheader und die Antwort aufbewahren; mit unterstützten Leseaufrufen für diesen ursprünglichen Vorgang fortfahren. Die Erstellungsanfrage nicht erneut senden. |
Aliasnamen
Modellaliasnamen
Ailoot asr-1.0
Aliasnamen für Methodenpfade
Verwenden Sie die oben angezeigten Methodenpfade.
Zugehörige Aufrufer-IDs
FAQ · asr-1.0
- Welche Eingaben und Ergebnisse sind verfügbar?
POST /v1/audio/transcriptions·asr-1.0:audio→text- Welche Felder verwendet die Anfrage?
POST /v1/audio/transcriptions·asr-1.0:model,file,response_format