Source: https://ailoot.ai/models/de-at/openai-whisper-large-v3/ Canonical: https://ailoot.ai/models/de-at/openai-whisper-large-v3/ Language: de-at # OpenAI: Whisper Large V3 [Markdown](https://ailoot.ai/models/de-at/openai-whisper-large-v3/index.md) · [JSON](https://ailoot.ai/models/de-at/openai-whisper-large-v3/facts.json) ## [OpenAI: Whisper Large V3](https://ailoot.ai/models/de-at/openai-whisper-large-v3/) Whisper large-v3 ist OpenAIs mehrsprachiger Spracherkennungs-Checkpoint mit offenen Gewichten für Transkription und Sprachübersetzung ins Englische. Er wandelt aufgezeichnete Sprache in Text um, mit dokumentierter Sprachwahl, Zeitstempeln und Langformatverarbeitung über sein akustisches 30-Sekunden-Fenster hinaus. - [**Ailoot Ultra · Spracherkennung** `POST /v1/audio/transcriptions` `openai/whisper-large-v3`](https://ailoot.ai/models/de-at/openai-whisper-large-v3/#method-0) 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. Whisper large-v3 ist ein veröffentlichter OpenAI-Spracherkennungs-Checkpoint mit ungefähr 1,55 Milliarden Parametern. Dieser Checkpoint ist ein mehrsprachiges Encoder-Decoder-Modell: Audio gelangt in den Encoder, und der Decoder sagt Text und aufgabenbezogene Tokens voraus. Die Hauptaufgaben sind Sprachtranskription in der Quellsprache und Übersetzung gesprochener Sprache ins Englische. Dies ist die Identität eines Modells mit offenen Gewichten, getrennt von der Modellkennung eines gehosteten Dienstes sowie dessen Upload- und Antwortformatregeln. Large-v3 behält die Architektur früherer großer Whisper-Checkpoints mit zwei angegebenen Änderungen bei: Seine Spektrogrammeingabe verwendet 128 Mel-Frequenzbänder statt 80, und es ergänzt ein kantonesisches Sprachtoken. Die Modellkarte des Anbieters beschreibt Training mit einer Million Stunden schwach gekennzeichnetem Audio und vier Millionen Stunden mit Whisper large-v2 erzeugtem pseudogekennzeichnetem Audio. Diese Mischung wurde für zwei Trainingsepochen verwendet. Die Veröffentlichung ist ein konkreter large-v3-Checkpoint und kein allgemeiner Name für jedes Modell der Whisper-Familie. Der dokumentierte Inferenzworkflow führt standardmäßig Transkription durch und bewahrt die in der Aufnahme gesprochene Sprache. Er kann die Quellsprache automatisch erkennen oder eine bekannte Sprachwahl entgegennehmen. Für Übersetzung liefert das mehrsprachige große Modell ein englisches Textergebnis aus nichtenglischer Sprache. Wählen Sie diese Aufgabe ausdrücklich: Ein Transkript in derselben Sprache und eine englische Übersetzung sind unterschiedliche Artefakte. Bewahren Sie bei einem Interview den originalsprachlichen Wortlaut; geben Sie bei einem englischen Referenzdokument an, dass das gewünschte Ergebnis eine Übersetzung des gesprochenen Inhalts ist. Audiovorbereitung gehört zum Eingabepfad. OpenAIs Loader dekodiert eine Aufnahme in eine Mono-Wellenform und tastet sie auf 16 kHz um. Das akustische Rezeptivfeld des Modells beträgt 30 Sekunden. Dies ist ein Verarbeitungsfenster, keine maximale Gesamtlänge eines Interviews oder Vortrags. Langformatinferenz kann sequenziell durch gleitende Fenster fortschreiten oder eine lange Aufnahme in überlappende Abschnitte aufteilen und deren Transkripte zusammenführen. Die Modellkarte beschreibt sequenzielle Verarbeitung bei Vorrang der Genauigkeit und abschnittsweise Verarbeitung, wenn die Bearbeitungszeit einer einzelnen langen Aufnahme wichtiger ist. Die veröffentlichte Konfiguration nennt 448 Decoderpositionen für eine einzelne Dekodierungssequenz. Längere Aufnahmen werden durch den Langformatprozess verarbeitet, statt diese Zahl als universelle Transkriptgrenze zu behandeln. Der dokumentierte Workflow kann neben erkanntem Text Zeitstempel auf Segment- oder Wortebene zurückgeben. Diese Zeitangaben helfen bei der Navigation in Aufnahmen und der Untertitelvorbereitung, während ein endgültiger Untertitelcontainer oder ein Transkriptdateiformat eine separate Formatierungsentscheidung ist. Bewahren Sie bei der Audiovorbereitung die zeitlichen Bezüge der Aufnahme, wenn das Transkript am Originalmaterial ausgerichtet werden soll. Whispers vorgesehene Rolle ist das Erkennen und Übersetzen von Sprache. Ein Vortragstranskript, ein Interviewprotokoll oder eine durchsuchbare Sammlung gesprochenen Materials sind praktische Ausgaben; Zusammenfassung oder Interpretation können als weiterer Schritt über den Text folgen. Die Modellkarte belegt keine robuste automatische Sprecherklassifikation oder Sprechertrennung als Standardausgabe des Basis-Checkpoints. Wenn eine Aufgabe Sprecherbezeichnungen benötigt, muss diese Anforderung getrennt von der Behauptung eines genauen Transkripts behandelt werden. Ein nützliches Briefing benennt die Quellsprache, den Bedarf an Transkription oder englischer Übersetzung und die benötigten Zeitinformationen. Wesentliche Einschränkungen umfassen erfundenen, nie gesprochenen Text und wiederholten Text, verbunden mit schwach überwachtem Training auf verrauschten Daten und dem Sequenz-zu-Sequenz-Design. Die Erkennungsqualität variiert zwischen Sprachen, Akzenten und Dialekten und ist bei geringerem Trainingsmaterial schwächer. Geräusche, Fachvokabular und überlappende Sprache sollten daher in der Probe zur Eignungsbeurteilung vertreten sein. Vergleichen Sie Namen, Mengen und wichtige Aussagen mit der Aufnahme und prüfen Sie Passagen ohne Sprachäußerungen oder wiederholte Zeilen, statt ein flüssiges Transkript als Beweis für jedes richtig gehörte Wort zu behandeln. Ein vollständiges Ergebnis bewahrt erkannten Text, seine Sprache und angeforderte Zeitinformationen mit einem Verweis auf die Originalaufnahme. Halten Sie Transkription von späterer Bearbeitung getrennt: Ein korrigiertes Veröffentlichungstranskript kann Füllwörter entfernen, während das erkannte Transkript die tatsächliche Modellantwort bewahrt. Identität und Übersetzungsfähigkeit von large-v3 sollten außerdem von der schnelleren Turbo-Ausgabe getrennt bleiben. Die tatsächliche Verarbeitungsgeschwindigkeit hängt von Sprache, Sprechtempo, Hardware und Inferenzmethode ab; aus dem Checkpoint-Namen allein folgen weder eine bestimmte gehostete Latenz noch eine maximale Upload-Größe oder eine aktivierte Anwendungsroute. **Ailoot Ultra · Spracherkennung** `POST /v1/audio/transcriptions` `openai/whisper-large-v3` [`openai/whisper-large-v3`](https://ailoot.ai/models/de-at/#m=openai%2Fwhisper-large-v3&route=Ultra&caller=openai%2Fwhisper-large-v3&fmt=transcriptions) OpenAI /`openai/whisper-large-v3` ### Einstieg Whisper large-v3 ist OpenAIs mehrsprachiger Spracherkennungs-Checkpoint mit offenen Gewichten für Transkription und Sprachübersetzung ins Englische. Er wandelt aufgezeichnete Sprache in Text um, mit dokumentierter Sprachwahl, Zeitstempeln und Langformatverarbeitung über sein akustisches 30-Sekunden-Fenster hinaus. Zulässige Eingaben Audio Ergebnisse transcription ### In Ailoot verfügbar · Eingaben und Methoden **Ailoot Ultra · Spracherkennung** `POST /v1/audio/transcriptions` Eingabe `audio` Ausgabe `transcription` Ausgabeformat json | Feld | Typ | Anforderung | Werte und Limits | Standard | | --- | --- | --- | --- | --- | | Feld`model` | Typ`string` | AnforderungErforderlich | Werte und Limits openai/whisper-large-v3 | Standard— | | Feld`input_audio` | Typ`object` | AnforderungErforderlich | Werte und Limits | Standard— | | Feld`language` | Typ`string` | AnforderungOptional | Werte und Limits | Standard— | | Feld`temperature` | Typ`number` | AnforderungOptional | Werte und Limits Minimum: 0 Maximum: 1 | Standard— | | Feld`response_format` | Typ`string` | AnforderungOptional | Werte und Limits json, verbose\_json | Standardjson | | Feld`timestamp_granularities` | Typ`array` | AnforderungOptional | Werte und Limits | Standard— | | Feld`provider` | Typ`object` | AnforderungOptional | Werte und Limits | Standard— | Kombinationen von Eingabematerialien **speech\_to\_text** · Erforderlich: actual matching-format audio file Methodenparameter und Lebenszyklus | Parameter | Vertrag | | --- | --- | | Parameter`content_types` | Vertragapplication/json, multipart/form-data | | Parameter`required` | Vertragmodel, input\_audio | | Parameter`material_types` | Vertragaudio | | Parameter`JSON_audio` | Vertragtatsächliche rohe Audiobytes in base64 samt passendem Format | | Parameter`multipart_required` | Vertragmodel, file | | Parameter`multipart_cap_bytes` | Vertrag26214400 | | Parameter`optional_controls` | Vertraglanguage, temperature, response\_format, timestamp\_granularities, provider | | Parameter`default_response_format` | Vertragjson | | Parameter`optional_features` | VertragAusführliche Ausgaben, diarize/keyterms sowie URL-Audio oder größere inline übermittelte Audiodaten erfordern die genaue Modell-/Anbieterfunktion und den entsprechenden Tarif. | 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}` Verwenden Sie das exakte Modell und die dokumentierten Eingabefelder. Bewahren Sie die vollständige Antwort, jede tatsächliche Ausgabe und die ursprünglich zurückgegebenen IDs auf. ### Tarife Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode. Schnellmodus Nicht angegeben Wenn der Schnellmodus ausgewählt ist Flex-Modus Nicht angegeben Wenn der Modus flex ausgewählt ist Maximaler Denkaufwand Nicht angegeben Wenn beim maximalen Denkaufwand die Standardanpassung (default) verwendet wird #### Ailoot-Tarife #### Preise nach Konfiguration Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif. | Konfiguration | Tarifstaffel | Abrechnungseinheit | Gebühr | | --- | --- | --- | --- | | KonfigurationBasistarife für Tokens | TarifstaffelGrundtarif | Abrechnungseinheit— | Gebühr Eingabe · Eingabetoken **—** / 1K Tokens Ausgabe · Ausgabetoken **—** / 1K Tokens Eingabe · Cache lesen **—** / 1K Tokens Eingabe · In Cache schreiben **—** / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde **—** / 1K Tokens | | KonfigurationUltra | Tarifstaffel— | Abrechnungseinheitpro Sekunde Eingabeaudio | Gebühr Eingabe · Audioeingabesekunde **$0.000015** pro Sekunde Eingabeaudio | Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. [So funktionieren Reservierung und Abrechnung →](https://ailoot.ai/docs/de-at/billing/reserve/) #### Details zum Referenztarif Referenztarifstaffeln auf Modellebene ändern weder Methodenauswahl noch Kostenvoranschläge oder Gebühren. Für die aktive Abrechnung gelten die Tarife der ausgewählten Ailoot-Methode. OpenAI: Whisper Large V3 #### Preise nach Konfiguration | Konfiguration | Abrechnungsbedingungen | Gebühr | | --- | --- | --- | | KonfigurationOpenAI: Whisper Large V3 · Standardkonfiguration | AbrechnungsbedingungenStandardkonfiguration | Gebühr Eingabe · Audioeingabesekunden **$ 0,000015** pro Sekunde Eingabeaudio | ### Beispielanfragen #### Ailoot Ultra · Spracherkennung curl · exakter nativer Request-Body und vollständiges Ergebnis ```bash set -eu : "${AILOOT_API_KEY:?Set your Ailoot API key}" : "${AILOOT_AUDIO_FILE:?Set the path to your actual WAV recording}" python3 - <<'PY_REQUEST' import json,os from pathlib import Path import base64 audio=Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes() if not (audio[:4]==b'RIFF' and audio[8:12]==b'WAVE'): raise SystemExit('Supply an actual WAV audio file') if len(audio)>26214400: raise SystemExit('Use a documented supported large-file flow') request={'model': 'openai/whisper-large-v3', 'input_audio': {'data': '${BASE64_ACTUAL_WAV_BYTES}', 'format': 'wav'}} request['input_audio']['data']=base64.b64encode(audio).decode('ascii') Path('request.json').write_text(json.dumps(request,ensure_ascii=False),encoding='utf-8') PY_REQUEST curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \ -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \ --data-binary @request.json -D response-headers.txt -o response.bin # Keep the complete original response and headers. Read every returned segment, word and usage field. # Preserve actual operation/task/asset IDs; continue reads of the original result without resubmitting. ``` ### Ergebnisse abrufen und speichern #### Ailoot Ultra · Spracherkennung json - `GET /v1/media/tasks/{task_id}` - `GET /v1/media/assets/{asset_id}/content` - `GET /v1/media/assets` - `GET /v1/media/assets/{asset_id}` ##### Alle fertiggestellten Ergebnisse aufbewahren Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf. Vollständiges ursprüngliches JSON, sämtliche verfügbaren Texte/Segmente/Wörter/Sprecher/Zeitstempel sowie Verbrauchsdaten. ##### Wenn die ursprüngliche Antwort geprüft werden muss Bewahren Sie die ursprüngliche operation\_id/X-Client-Request-ID und die ursprüngliche Antwort auf. Lesen Sie tatsächliche, Ihnen zugeordnete Aufgaben-/Asset-Datensätze ohne erneute Übermittlung; es wird keine eigene Audio-Abfrage-URL konstruiert. Antwortfelder | Feld | Typ | | --- | --- | | Feld`text` | Typstring | | Feld`usage` | Typobject | | Feld`segments[]` | Typobject | | Feld`words[]` | Typobject | ### Aliasnamen #### Modellaliasnamen **Ailoot Ultra** [`openai/whisper-large-v3`](https://ailoot.ai/models/de-at/#m=openai%2Fwhisper-large-v3&route=Ultra&caller=openai%2Fwhisper-large-v3&fmt=transcriptions) #### Aliasnamen für Methodenpfade Verwenden Sie die oben angezeigten Methodenpfade. #### Zugehörige Aufrufer-IDs [`openai/whisper-large-v3`](https://ailoot.ai/models/de-at/#m=openai%2Fwhisper-large-v3&route=Ultra&caller=openai%2Fwhisper-large-v3&fmt=transcriptions) FAQ · OpenAI: Whisper Large V3 Welche Eingaben und Ergebnisse sind verfügbar? `POST /v1/audio/transcriptions` · `openai/whisper-large-v3`: `audio` → `transcription` Welche Felder verwendet die Anfrage? `POST /v1/audio/transcriptions` · `openai/whisper-large-v3`: `model`, `input_audio`, `language`, `temperature`, `response_format`, `timestamp_granularities`, `provider` Welche Grenzen gelten? `POST /v1/audio/transcriptions` · `openai/whisper-large-v3`: `temperature.minimum`: `0`; `temperature.maximum`: `1` Verbinden Sie Ailoot mit Claude Code, OpenCode, Hermes oder Ihrer eigenen Anwendung. ## Das Unternehmen und sein Projektportfolio Das Unternehmen und sein Projektportfolio: Millionen von Kunden; monatliche Umsätze in Milliardenhöhe. ## Tokens mit Rabatt kaufen. Aborabatt für regelmäßige Arbeit. Aktionscodes bieten bis 50% beim Tokenkauf. Abo Wählen Sie einen Tarif mit Rabatt für Ihre regelmäßigen Anfragen. Aktionscode bis 50% Geben Sie den Code beim Kauf ein. Der Preis wird nach den gültigen Aktionsbedingungen berechnet. Ausgaben in der Historie Modell, Tokens und Betrag werden für jede Anfrage gespeichert. [Abo wählen](https://ailoot.ai/docs/de-at/billing/subscriptions/) · [Modellpreise ansehen](https://ailoot.ai/models/de-at/) ## Verbinden Sie die API mit dem Produkt, das Sie verkaufen. SaaS, Anwendungen und Bots nach dem offiziellen Angebot und Lizenzvertrag von Ailoot. Fordern Sie für den Weiterverkauf eine Reseller-Lizenz an. Kommerzielle Anwendung Integrieren Sie Text-, Bild-, Video- und Audioerzeugung in kostenpflichtige Funktionen Ihres Dienstes. Reseller-Lizenz Senden Sie Projektbeschreibung und Zugangsmodell. Fordern Sie schriftliche Nutzungs- und Weiterverkaufsbedingungen an. Dokumente auf der Website Offizielles Angebot, Lizenzvertrag und Datenschutzerklärung sind vor der Verbindung zugänglich. [Reseller-Lizenz anfordern](mailto:support@ailoot.ai) · [Offizielles Angebot und Lizenzvertrag](https://ailoot.ai/legal/offer?lang=de-at) ## Ailoot · Das Unternehmen und sein Projektportfolio Ailoot baut auf bewährte Betriebserfahrung, einen großen Kundenstamm, stabilen Service und kontinuierliche KPI-Kontrolle. Das Unternehmen und sein Projektportfolio: Millionen von Kunden; monatliche Umsätze in Milliardenhöhe. Ailoot nutzt diese Betriebserfahrung für den API-Zugang zu KI-Funktionen in Kundenprodukten, Agenten, Anwendungen und Automatisierungen.