asr-1.0
MiniMax ASR 1.0 wandelt Audio in Text um und unterstützt Russisch, die Zuordnung von Äusserungen zu Sprechern und Zeitmarken.
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 als Text
MiniMax ASR 1.0 erkennt Sprache in einer Audiodatei. Der Hersteller beschreibt den Einsatz für Besprechungen, Interviews, Podcasts, Videotonspuren, Inhaltskontrolle und Gesprächsauswertung. Das Modell ist auf Gesprächssprache, Geräusche und Fachwortschatz abgestimmt, mit Schwerpunkt auf der Verringerung erfundener Abschnitte. 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. Wenn keine Sprache festgelegt ist, erkennt das Modell die Hauptsprache automatisch; der Hersteller beschreibt separat die Kombination chinesischer und englischer Sprache.
Bei einer erweiterten Ergebnisdarstellung kann das Modell Sprecher unterscheiden und Äusserungen zeitlich zuordnen. Dabei werden die Gesamtzahl der Beteiligten und Segmente mit Sprecherkennzeichnung, Beginn, Ende und Text zurückgegeben. Das hilft auszuwerten, wer eine konkrete Äusserung wann gesprochen hat, ohne die Äusserungen verschiedener Beteiligter zu vermischen.
Ergebnisdarstellung
Der Hersteller sieht gewöhnliches JSON mit Text und Dauer, erweitertes verbose_json sowie Untertitel in SRT und WebVTT vor. Zeitmarken werden standardmässig auf Satz- oder Segmentebene verwendet. Marken einzelner Wörter sind für Englisch, einzelner Zeichen für Chinesisch beschrieben; solche Marken gehören zu Formaten mit zeitlicher Ausrichtung.
Eine schrittweise Textausgabe ist möglich, lässt sich aber nicht mit Sprechertrennung und Untertitelformaten kombinieren. Dieser Modus gibt neue Abschnitte des erkannten Texts während der Verarbeitung einer bereits übermittelten Datei zurück. Es handelt sich um einen Ergebnisstrom und nicht um die kontinuierliche Übermittlung von Mikrofon-Audio.
Anforderungen an die Aufnahme
Die angegebenen Eingabeformate sind WAV, AIFF, FLAC, ALAC im M4A-Container, MP3, AAC, Opus und Ogg. Die Datei darf höchstens 500 Sekunden Audio enthalten und höchstens 50 MB gross sein. Eine Überschreitung der Dauer wird abgelehnt, statt unbemerkt abgeschnitten zu werden. Rohes PCM ohne Container wird nicht unterstützt.
Zur Aufnahmevorbereitung 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. Erweiterte Ausgabe und Streaming gehören zu den Fähigkeiten von ASR 1.0; das verfügbare Antwortformat einer konkreten Anfrage wird durch 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 Sprechern und Zeitmarken.
- 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 JSON vollständig auf, nicht nur den Text; erhalten Sie sämtliche verfügbaren Segmente/Sprecher/Zeitstempel und die tatsächlichen Aufgaben- und Assetkennungen.
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