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.
", "aboutText": "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.\n\nLarge-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.\n\nDer 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.\n\nAudiovorbereitung 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.\n\nDie 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.\n\nWhispers 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.\n\nWesentliche 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.\n\nEin 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.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "bc65c43d60e6ab46ba5df5324e081f2bf22542889cfb6af428286bc2a2df79d4", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de-ch", "methods": [ { "html": "openai/whisper-large-v3Whisper 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.
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.
POST /v1/audio/transcriptionsaudiotranscription| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits openai/whisper-large-v3 | Standard— |
Feldinput_audio | Typobject | AnforderungErforderlich | Werte und Limits | Standard— |
Feldlanguage | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Minimum: 0 Maximum: 1 | Standard— |
Feldresponse_format | Typstring | AnforderungOptional | Werte und Limits json, verbose_json | Standardjson |
Feldtimestamp_granularities | Typarray | AnforderungOptional | Werte und Limits | Standard— |
Feldprovider | Typobject | AnforderungOptional | Werte und Limits | Standard— |
speech_to_text · Erforderlich: actual matching-format audio file
| Parameter | Vertrag |
|---|---|
Parametercontent_types | Vertragapplication/json, multipart/form-data |
Parameterrequired | Vertragmodel, input_audio |
Parametermaterial_types | Vertragaudio |
ParameterJSON_audio | VertragTatsächliche rohe Audiobytes als base64 mit passendem Format |
Parametermultipart_required | Vertragmodel, file |
Parametermultipart_cap_bytes | Vertrag26214400 |
Parameteroptional_controls | Vertraglanguage, temperature, response_format, timestamp_granularities, provider |
Parameterdefault_response_format | Vertragjson |
Parameteroptional_features | VertragEine ausführliche Ausgabe, diarize/keyterms sowie Audio per URL oder grössere eingebettete Audiodaten erfordern die entsprechenden Fähigkeiten und den passenden Tarif des konkreten Modells und Anbieters. |
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.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Abrechnungseinheit | Gebühr |
|---|---|---|---|
| KonfigurationToken-Basistarife | TarifstaffelGrundtarif | Abrechnungseinheit— | Gebühr Eingabe · Eingabetoken — / 1K Tokens Ausgabe · Ausgabetoken — / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationUltra | Tarifstaffel— | Abrechnungseinheitpro Sekunde Eingabeaudio | Gebühr Eingabe · Audioeingabe-Sekunde $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 →
Referenztarifstaffeln auf Modellebene ändern weder Methodenauswahl noch Kostenvoranschläge oder Gebühren. Für die aktive Abrechnung gelten die Tarife der ausgewählten Ailoot-Methode.
| Konfiguration | Abrechnungsbedingungen | Gebühr |
|---|---|---|
| KonfigurationOpenAI: Whisper Large V3 · Standardkonfiguration | AbrechnungsbedingungenStandardkonfiguration | Gebühr Eingabe · Audioeingabe-Sekunden $ 0.000015 pro Sekunde Eingabeaudio |
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}Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Vollständiges ursprüngliches JSON, alle verfügbaren Texte/Segmente/Wörter/Sprecher/Zeitstempel und Verbrauchsdaten.
Bewahren Sie die ursprüngliche operation_id/X-Client-Request-ID und die ursprüngliche Antwort auf. Lesen Sie tatsächliche, Ihnen zugeordnete Aufgaben- und Asseteinträge ohne erneutes Einreichen; es wird keine spezielle Audioabfrage-URL konstruiert.
| Feld | Typ |
|---|---|
Feldtext | Typstring |
Feldusage | Typobject |
Feldsegments[] | Typobject |
Feldwords[] | Typobject |
Ailoot Ultra openai/whisper-large-v3
Verwenden Sie die oben angezeigten Methodenpfade.