Nova-3 ist Deepgrams allgemeines Spracherkennungsmodell zur Umwandlung von Audio in Text. Der Anbieter empfiehlt es für Meetings, Veranstaltungsuntertitel, Aufnahmen mit mehreren Sprechern und schwierige Bedingungen wie Geräusche oder entfernte Mikrofone, mit vorab aufgezeichneter oder gestreamter Transkription. Sein nützliches Ergebnis ist erkannte Sprache mit Zeit- und Konfidenzinformationen, die mit dem Quellaudio verknüpft bleibt.
Die dokumentierte Standardsprache ist Englisch. Eine einsprachige Anfrage wählt die gesprochene Sprache oder unterstützte Locale. Die aktuelle Tabelle des allgemeinen Modells umfasst regionale Englischvarianten, Spanisch, Französisch, Deutsch, Russisch, Portugiesisch, Japanisch, Italienisch, Niederländisch, Arabisch, chinesische Schriften und viele weitere Sprachen, darunter Kasachisch. Wählen Sie aus den unterstützten Codes des Anbieters, statt anzunehmen, dass jeder Locale-Name akzeptiert wird.
Die mehrsprachige Einstellung ist ein separater Workflow für Sprachwechsel. Die aktuelle Nova-3-Tabelle nennt dafür zehn Sprachen: Englisch, Spanisch, Französisch, Deutsch, Hindi, Russisch, Portugiesisch, Japanisch, Italienisch und Niederländisch. Diese Menge ist nicht mit der größeren einsprachigen Liste identisch. Bereiten Sie bei einer Aufnahme mit Wechseln zwischen unterstützten Sprachen den mehrsprachigen Modus vor, statt das gesamte Gespräch in eine unpassende einsprachige Einstellung zu zwingen. Bewahren Sie das Gesprochene, bevor Sie eine übersetzte oder zusammengefasste Version vorbereiten.
Deepgrams Dateiworkflow akzeptiert hochgeladene Audiobytes oder einen Verweis auf eine Audiodatei. Speichern Sie das zurückgegebene Transkript bei Abschluss der Anfrage; der Anbieter speichert Transkripte nicht zum späteren Abruf. Gängige dokumentierte Eingabeformate und Kodierungen umfassen MP3, MP4, MP2, AAC, WAV, FLAC, PCM, M4A, Ogg, Opus und WebM. Bewahren Sie tatsächliches Format und Kanalinformationen bei der Aufnahme. Geben Sie der Aufnahme eine stabile Kennung und halten Sie das Ergebnis mit der richtigen Quelle und deren Kanalinformationen verknüpft. Prüfen Sie bei einem Meeting Teilnehmernamen und Fachbegriffe beim Anhören des Originaltons. Bewahren Sie bei einem Vortrag oder einer Veranstaltung die Audioabfolge, damit spätere Untertitel oder Suchergebnisse die relevante Passage auffinden können.
Der Leitfaden des Anbieters für vorab aufgezeichnetes Audio nennt eine maximale Dateigröße von 2 GB und empfiehlt, den Audiostream aus einer großen Videodatei zu extrahieren. Er dokumentiert außerdem ein Verarbeitungstimeout von zehn Minuten für Nova-Anfragen. Dieses Timeout betrifft die Verarbeitungsdauer der Anfrage, keine maximale Aufnahmedauer von zehn Minuten. Ein nützliches Ergebnis enthält das Ende der beabsichtigten Aufnahme; ein nur teilweise erhaltenes Transkript sollte nicht als vollständiger Text behandelt werden.
Die dokumentierte JSON-Antwort enthält Transkriptalternativen und erkannte Wörter mit Start- und Endzeit jedes Wortes in Sekunden ab Audiobeginn sowie einem Konfidenzwert. Für ein Transkript mit mehreren Sprechern weist die optionale Sprechertrennung des Anbieters jedem Wort eine Sprecherbezeichnung zu. Bei vorab aufgezeichnetem Audio gibt die Sprechertrennung außerdem Sprecherkonfidenz zurück; bei Streaming die Sprecherbezeichnung. Prüfen Sie diese Bezeichnungen anhand der Stimmen in der Aufnahme. Die Gesamtkonfidenz des Transkripts wird ebenfalls auf einer Skala von 0–1 ausgegeben. Wenn Smart Formatting angefordert wird, kann das Ergebnis Wörter mit Zeichensetzung und Großschreibung sowie lesbare Absatzinformationen enthalten.
Verwenden Sie diese Felder entsprechend ihrer Bedeutung. Eine Wortzeit lokalisiert erkannte Sprache, während Konfidenz die Zuverlässigkeitseinschätzung des Modells ist und kein Beweis, dass ein schwieriger Name oder eine Mengenangabe richtig gehört wurde. Bewahren Sie für die Untertitelvorbereitung die Zeitangaben zusammen mit geprüftem Wortlaut und vergleichen Sie die Grenzen mit dem Ton. Halten Sie in einer lesbaren redaktionellen Version Änderungen vom erkannten Transkript unterscheidbar, statt unsichere Wörter stillschweigend durch eine plausible Geschichte zu ersetzen.
Novas Streaming-Workflow gibt beim Eintreffen des Audios Text mit vorläufigen und endgültigen Ergebnissen zurück. Der Indikator is_final unterscheidet noch änderbaren Text von einem endgültigen Segment. Der Indikator speech_final bezieht sich auf die Erkennung des Endpunkts eines gesprochenen Segments. Halten Sie diese Signale vom bloßen Empfang eines nicht leeren Transkripts getrennt und bewahren Sie die endgültigen Segmente in ihrer Audioreihenfolge, wenn Sie den vollständigen Datensatz vorbereiten.
Nova-3 ist allgemeine ASR und nicht das separate Gesprächsmodell Flux mit modellnativer Erkennung von Gesprächsbeiträgen. Nova markiert Transkriptendgültigkeit und Sprachendpunkte; Flux liefert eigene Zustandsereignisse für Gesprächsbeiträge. Wählen Sie den Transkriptionsworkflow danach, ob das Audio bereits aufgezeichnet ist oder live eintrifft, und verwenden Sie die tatsächliche endgültige Ausgabe als zu bewahrendes Artefakt.
Das dokumentierte Keyterm Prompting von Nova-3 unterstützt einsprachige und mehrsprachige Transkription und richtet die Erkennung ohne erneutes Modelltraining auf wichtige Begriffe aus. Stellen Sie relevante Namen, Produktbegriffe, Akronyme oder Mehrwortphrasen bereit, die tatsächlich gesprochen werden könnten. Der Leitfaden begrenzt die gesamte Keyterm-Eingabe auf 500 Tokens und empfiehlt, sich auf das wichtigste Vokabular zu konzentrieren, statt wahllos häufige Wörter hinzuzufügen.
Die Syntax des Anbieters verwendet einfache Begriffe mit einem separaten keyterm-Eintrag pro Begriff. Eine Mehrwortphrase bleibt eine Phrase. Ältere Keyword-Gewichte oder Verstärker sowie das Verbinden separater Begriffe mit Kommas, Semikolons oder Zeilenumbrüchen sind nicht gleichwertig: Die Schnittstelle kann sie als einen einzigen wörtlichen Wert akzeptieren, ohne die beabsichtigte Verstärkung zu liefern. Verwenden Sie für Namen die richtige Groß- und Kleinschreibung und prüfen Sie anschließend das Transkript, weil Audiokontext und Smart Formatting die abschließende Schreibform dennoch verändern können.
Das allgemeine Nova-3-Profil unterscheidet sich von den separat benannten Optionen Medical und Pharma. Vokabular-Prompting macht daraus keine andere Ausgabe, und Sprachabdeckung oder Verhalten spezialisierter Modelle sollten nicht für das allgemeine Modell angenommen werden. Zusätzliche Transkriptverarbeitungsfunktionen sind Auswahlmöglichkeiten im Sprachworkflow des Anbieters und kein Beleg, dass die Erkennung eine nie angeforderte Zusammenfassung, Übersetzung oder ein anderes Artefakt erzeugt hat.
Ein nützliches Nova-3-Ergebnis kann ein durchsuchbares Meetingtranskript, untertitelfertiger Wortlaut mit Wortzeiten oder ein Datensatz eines mehrsprachigen Gesprächs sein. Bewahren Sie Audiokennung, gewählten Sprachworkflow, endgültigen Text und hilfreiche Konfidenz- oder Zeitfelder. Prüfen Sie unklare Namen, Zahlen, überlappende Stimmen und Sprachwechsel anhand der Originalaufnahme und halten Sie die tatsächlich erkannte Sprache für den nächsten Inhaltsverarbeitungsschritt verfügbar.
", "aboutText": "Nova-3 ist Deepgrams allgemeines Spracherkennungsmodell zur Umwandlung von Audio in Text. Der Anbieter empfiehlt es für Meetings, Veranstaltungsuntertitel, Aufnahmen mit mehreren Sprechern und schwierige Bedingungen wie Geräusche oder entfernte Mikrofone, mit vorab aufgezeichneter oder gestreamter Transkription. Sein nützliches Ergebnis ist erkannte Sprache mit Zeit- und Konfidenzinformationen, die mit dem Quellaudio verknüpft bleibt.\n\n### Den Sprachworkflow wählen\n\nDie dokumentierte Standardsprache ist Englisch. Eine einsprachige Anfrage wählt die gesprochene Sprache oder unterstützte Locale. Die aktuelle Tabelle des allgemeinen Modells umfasst regionale Englischvarianten, Spanisch, Französisch, Deutsch, Russisch, Portugiesisch, Japanisch, Italienisch, Niederländisch, Arabisch, chinesische Schriften und viele weitere Sprachen, darunter Kasachisch. Wählen Sie aus den unterstützten Codes des Anbieters, statt anzunehmen, dass jeder Locale-Name akzeptiert wird.\n\nDie mehrsprachige Einstellung ist ein separater Workflow für Sprachwechsel. Die aktuelle Nova-3-Tabelle nennt dafür zehn Sprachen: Englisch, Spanisch, Französisch, Deutsch, Hindi, Russisch, Portugiesisch, Japanisch, Italienisch und Niederländisch. Diese Menge ist nicht mit der größeren einsprachigen Liste identisch. Bereiten Sie bei einer Aufnahme mit Wechseln zwischen unterstützten Sprachen den mehrsprachigen Modus vor, statt das gesamte Gespräch in eine unpassende einsprachige Einstellung zu zwingen. Bewahren Sie das Gesprochene, bevor Sie eine übersetzte oder zusammengefasste Version vorbereiten.\n\n### Aufgezeichnetes Audio und Transkriptvorbereitung\n\nDeepgrams Dateiworkflow akzeptiert hochgeladene Audiobytes oder einen Verweis auf eine Audiodatei. Speichern Sie das zurückgegebene Transkript bei Abschluss der Anfrage; der Anbieter speichert Transkripte nicht zum späteren Abruf. Gängige dokumentierte Eingabeformate und Kodierungen umfassen MP3, MP4, MP2, AAC, WAV, FLAC, PCM, M4A, Ogg, Opus und WebM. Bewahren Sie tatsächliches Format und Kanalinformationen bei der Aufnahme. Geben Sie der Aufnahme eine stabile Kennung und halten Sie das Ergebnis mit der richtigen Quelle und deren Kanalinformationen verknüpft. Prüfen Sie bei einem Meeting Teilnehmernamen und Fachbegriffe beim Anhören des Originaltons. Bewahren Sie bei einem Vortrag oder einer Veranstaltung die Audioabfolge, damit spätere Untertitel oder Suchergebnisse die relevante Passage auffinden können.\n\nDer Leitfaden des Anbieters für vorab aufgezeichnetes Audio nennt eine maximale Dateigröße von 2 GB und empfiehlt, den Audiostream aus einer großen Videodatei zu extrahieren. Er dokumentiert außerdem ein Verarbeitungstimeout von zehn Minuten für Nova-Anfragen. Dieses Timeout betrifft die Verarbeitungsdauer der Anfrage, keine maximale Aufnahmedauer von zehn Minuten. Ein nützliches Ergebnis enthält das Ende der beabsichtigten Aufnahme; ein nur teilweise erhaltenes Transkript sollte nicht als vollständiger Text behandelt werden.\n\n### Wörter, Zeiten und Konfidenz lesen\n\nDie dokumentierte JSON-Antwort enthält Transkriptalternativen und erkannte Wörter mit Start- und Endzeit jedes Wortes in Sekunden ab Audiobeginn sowie einem Konfidenzwert. Für ein Transkript mit mehreren Sprechern weist die optionale Sprechertrennung des Anbieters jedem Wort eine Sprecherbezeichnung zu. Bei vorab aufgezeichnetem Audio gibt die Sprechertrennung außerdem Sprecherkonfidenz zurück; bei Streaming die Sprecherbezeichnung. Prüfen Sie diese Bezeichnungen anhand der Stimmen in der Aufnahme. Die Gesamtkonfidenz des Transkripts wird ebenfalls auf einer Skala von 0–1 ausgegeben. Wenn Smart Formatting angefordert wird, kann das Ergebnis Wörter mit Zeichensetzung und Großschreibung sowie lesbare Absatzinformationen enthalten.\n\nVerwenden Sie diese Felder entsprechend ihrer Bedeutung. Eine Wortzeit lokalisiert erkannte Sprache, während Konfidenz die Zuverlässigkeitseinschätzung des Modells ist und kein Beweis, dass ein schwieriger Name oder eine Mengenangabe richtig gehört wurde. Bewahren Sie für die Untertitelvorbereitung die Zeitangaben zusammen mit geprüftem Wortlaut und vergleichen Sie die Grenzen mit dem Ton. Halten Sie in einer lesbaren redaktionellen Version Änderungen vom erkannten Transkript unterscheidbar, statt unsichere Wörter stillschweigend durch eine plausible Geschichte zu ersetzen.\n\n### Streaming-Erkennung und endgültige Segmente\n\nNovas Streaming-Workflow gibt beim Eintreffen des Audios Text mit vorläufigen und endgültigen Ergebnissen zurück. Der Indikator is_final unterscheidet noch änderbaren Text von einem endgültigen Segment. Der Indikator speech_final bezieht sich auf die Erkennung des Endpunkts eines gesprochenen Segments. Halten Sie diese Signale vom bloßen Empfang eines nicht leeren Transkripts getrennt und bewahren Sie die endgültigen Segmente in ihrer Audioreihenfolge, wenn Sie den vollständigen Datensatz vorbereiten.\n\nNova-3 ist allgemeine ASR und nicht das separate Gesprächsmodell Flux mit modellnativer Erkennung von Gesprächsbeiträgen. Nova markiert Transkriptendgültigkeit und Sprachendpunkte; Flux liefert eigene Zustandsereignisse für Gesprächsbeiträge. Wählen Sie den Transkriptionsworkflow danach, ob das Audio bereits aufgezeichnet ist oder live eintrifft, und verwenden Sie die tatsächliche endgültige Ausgabe als zu bewahrendes Artefakt.\n\n### Keyterms für wichtiges Vokabular\n\nDas dokumentierte Keyterm Prompting von Nova-3 unterstützt einsprachige und mehrsprachige Transkription und richtet die Erkennung ohne erneutes Modelltraining auf wichtige Begriffe aus. Stellen Sie relevante Namen, Produktbegriffe, Akronyme oder Mehrwortphrasen bereit, die tatsächlich gesprochen werden könnten. Der Leitfaden begrenzt die gesamte Keyterm-Eingabe auf 500 Tokens und empfiehlt, sich auf das wichtigste Vokabular zu konzentrieren, statt wahllos häufige Wörter hinzuzufügen.\n\nDie Syntax des Anbieters verwendet einfache Begriffe mit einem separaten keyterm-Eintrag pro Begriff. Eine Mehrwortphrase bleibt eine Phrase. Ältere Keyword-Gewichte oder Verstärker sowie das Verbinden separater Begriffe mit Kommas, Semikolons oder Zeilenumbrüchen sind nicht gleichwertig: Die Schnittstelle kann sie als einen einzigen wörtlichen Wert akzeptieren, ohne die beabsichtigte Verstärkung zu liefern. Verwenden Sie für Namen die richtige Groß- und Kleinschreibung und prüfen Sie anschließend das Transkript, weil Audiokontext und Smart Formatting die abschließende Schreibform dennoch verändern können.\n\n### Modellfamiliengrenzen und nützliche Ergebnisse\n\nDas allgemeine Nova-3-Profil unterscheidet sich von den separat benannten Optionen Medical und Pharma. Vokabular-Prompting macht daraus keine andere Ausgabe, und Sprachabdeckung oder Verhalten spezialisierter Modelle sollten nicht für das allgemeine Modell angenommen werden. Zusätzliche Transkriptverarbeitungsfunktionen sind Auswahlmöglichkeiten im Sprachworkflow des Anbieters und kein Beleg, dass die Erkennung eine nie angeforderte Zusammenfassung, Übersetzung oder ein anderes Artefakt erzeugt hat.\n\nEin nützliches Nova-3-Ergebnis kann ein durchsuchbares Meetingtranskript, untertitelfertiger Wortlaut mit Wortzeiten oder ein Datensatz eines mehrsprachigen Gesprächs sein. Bewahren Sie Audiokennung, gewählten Sprachworkflow, endgültigen Text und hilfreiche Konfidenz- oder Zeitfelder. Prüfen Sie unklare Namen, Zahlen, überlappende Stimmen und Sprachwechsel anhand der Originalaufnahme und halten Sie die tatsächlich erkannte Sprache für den nächsten Inhaltsverarbeitungsschritt verfügbar.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "5763dd2a8dd85ff05ee46509c461508bd351eeb855c2ca9a5869322f95c5b992", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de", "methods": [ { "html": "deepgram/nova-3Nova-3 ist Deepgrams allgemeines Speech-to-Text-Modell für aufgezeichnetes und gestreamtes Audio. Es unterstützt einsprachige Erkennung, einen definierten mehrsprachigen Modus für Sprachwechsel und Keyterm Prompting und gibt Transkripte mit Wortzeiten und Konfidenzinformationen zurück.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Nova-3 ist Deepgrams allgemeines Spracherkennungsmodell zur Umwandlung von Audio in Text. Der Anbieter empfiehlt es für Meetings, Veranstaltungsuntertitel, Aufnahmen mit mehreren Sprechern und schwierige Bedingungen wie Geräusche oder entfernte Mikrofone, mit vorab aufgezeichneter oder gestreamter Transkription. Sein nützliches Ergebnis ist erkannte Sprache mit Zeit- und Konfidenzinformationen, die mit dem Quellaudio verknüpft bleibt.
Die dokumentierte Standardsprache ist Englisch. Eine einsprachige Anfrage wählt die gesprochene Sprache oder unterstützte Locale. Die aktuelle Tabelle des allgemeinen Modells umfasst regionale Englischvarianten, Spanisch, Französisch, Deutsch, Russisch, Portugiesisch, Japanisch, Italienisch, Niederländisch, Arabisch, chinesische Schriften und viele weitere Sprachen, darunter Kasachisch. Wählen Sie aus den unterstützten Codes des Anbieters, statt anzunehmen, dass jeder Locale-Name akzeptiert wird.
Die mehrsprachige Einstellung ist ein separater Workflow für Sprachwechsel. Die aktuelle Nova-3-Tabelle nennt dafür zehn Sprachen: Englisch, Spanisch, Französisch, Deutsch, Hindi, Russisch, Portugiesisch, Japanisch, Italienisch und Niederländisch. Diese Menge ist nicht mit der größeren einsprachigen Liste identisch. Bereiten Sie bei einer Aufnahme mit Wechseln zwischen unterstützten Sprachen den mehrsprachigen Modus vor, statt das gesamte Gespräch in eine unpassende einsprachige Einstellung zu zwingen. Bewahren Sie das Gesprochene, bevor Sie eine übersetzte oder zusammengefasste Version vorbereiten.
Deepgrams Dateiworkflow akzeptiert hochgeladene Audiobytes oder einen Verweis auf eine Audiodatei. Speichern Sie das zurückgegebene Transkript bei Abschluss der Anfrage; der Anbieter speichert Transkripte nicht zum späteren Abruf. Gängige dokumentierte Eingabeformate und Kodierungen umfassen MP3, MP4, MP2, AAC, WAV, FLAC, PCM, M4A, Ogg, Opus und WebM. Bewahren Sie tatsächliches Format und Kanalinformationen bei der Aufnahme. Geben Sie der Aufnahme eine stabile Kennung und halten Sie das Ergebnis mit der richtigen Quelle und deren Kanalinformationen verknüpft. Prüfen Sie bei einem Meeting Teilnehmernamen und Fachbegriffe beim Anhören des Originaltons. Bewahren Sie bei einem Vortrag oder einer Veranstaltung die Audioabfolge, damit spätere Untertitel oder Suchergebnisse die relevante Passage auffinden können.
Der Leitfaden des Anbieters für vorab aufgezeichnetes Audio nennt eine maximale Dateigröße von 2 GB und empfiehlt, den Audiostream aus einer großen Videodatei zu extrahieren. Er dokumentiert außerdem ein Verarbeitungstimeout von zehn Minuten für Nova-Anfragen. Dieses Timeout betrifft die Verarbeitungsdauer der Anfrage, keine maximale Aufnahmedauer von zehn Minuten. Ein nützliches Ergebnis enthält das Ende der beabsichtigten Aufnahme; ein nur teilweise erhaltenes Transkript sollte nicht als vollständiger Text behandelt werden.
Die dokumentierte JSON-Antwort enthält Transkriptalternativen und erkannte Wörter mit Start- und Endzeit jedes Wortes in Sekunden ab Audiobeginn sowie einem Konfidenzwert. Für ein Transkript mit mehreren Sprechern weist die optionale Sprechertrennung des Anbieters jedem Wort eine Sprecherbezeichnung zu. Bei vorab aufgezeichnetem Audio gibt die Sprechertrennung außerdem Sprecherkonfidenz zurück; bei Streaming die Sprecherbezeichnung. Prüfen Sie diese Bezeichnungen anhand der Stimmen in der Aufnahme. Die Gesamtkonfidenz des Transkripts wird ebenfalls auf einer Skala von 0–1 ausgegeben. Wenn Smart Formatting angefordert wird, kann das Ergebnis Wörter mit Zeichensetzung und Großschreibung sowie lesbare Absatzinformationen enthalten.
Verwenden Sie diese Felder entsprechend ihrer Bedeutung. Eine Wortzeit lokalisiert erkannte Sprache, während Konfidenz die Zuverlässigkeitseinschätzung des Modells ist und kein Beweis, dass ein schwieriger Name oder eine Mengenangabe richtig gehört wurde. Bewahren Sie für die Untertitelvorbereitung die Zeitangaben zusammen mit geprüftem Wortlaut und vergleichen Sie die Grenzen mit dem Ton. Halten Sie in einer lesbaren redaktionellen Version Änderungen vom erkannten Transkript unterscheidbar, statt unsichere Wörter stillschweigend durch eine plausible Geschichte zu ersetzen.
Novas Streaming-Workflow gibt beim Eintreffen des Audios Text mit vorläufigen und endgültigen Ergebnissen zurück. Der Indikator is_final unterscheidet noch änderbaren Text von einem endgültigen Segment. Der Indikator speech_final bezieht sich auf die Erkennung des Endpunkts eines gesprochenen Segments. Halten Sie diese Signale vom bloßen Empfang eines nicht leeren Transkripts getrennt und bewahren Sie die endgültigen Segmente in ihrer Audioreihenfolge, wenn Sie den vollständigen Datensatz vorbereiten.
Nova-3 ist allgemeine ASR und nicht das separate Gesprächsmodell Flux mit modellnativer Erkennung von Gesprächsbeiträgen. Nova markiert Transkriptendgültigkeit und Sprachendpunkte; Flux liefert eigene Zustandsereignisse für Gesprächsbeiträge. Wählen Sie den Transkriptionsworkflow danach, ob das Audio bereits aufgezeichnet ist oder live eintrifft, und verwenden Sie die tatsächliche endgültige Ausgabe als zu bewahrendes Artefakt.
Das dokumentierte Keyterm Prompting von Nova-3 unterstützt einsprachige und mehrsprachige Transkription und richtet die Erkennung ohne erneutes Modelltraining auf wichtige Begriffe aus. Stellen Sie relevante Namen, Produktbegriffe, Akronyme oder Mehrwortphrasen bereit, die tatsächlich gesprochen werden könnten. Der Leitfaden begrenzt die gesamte Keyterm-Eingabe auf 500 Tokens und empfiehlt, sich auf das wichtigste Vokabular zu konzentrieren, statt wahllos häufige Wörter hinzuzufügen.
Die Syntax des Anbieters verwendet einfache Begriffe mit einem separaten keyterm-Eintrag pro Begriff. Eine Mehrwortphrase bleibt eine Phrase. Ältere Keyword-Gewichte oder Verstärker sowie das Verbinden separater Begriffe mit Kommas, Semikolons oder Zeilenumbrüchen sind nicht gleichwertig: Die Schnittstelle kann sie als einen einzigen wörtlichen Wert akzeptieren, ohne die beabsichtigte Verstärkung zu liefern. Verwenden Sie für Namen die richtige Groß- und Kleinschreibung und prüfen Sie anschließend das Transkript, weil Audiokontext und Smart Formatting die abschließende Schreibform dennoch verändern können.
Das allgemeine Nova-3-Profil unterscheidet sich von den separat benannten Optionen Medical und Pharma. Vokabular-Prompting macht daraus keine andere Ausgabe, und Sprachabdeckung oder Verhalten spezialisierter Modelle sollten nicht für das allgemeine Modell angenommen werden. Zusätzliche Transkriptverarbeitungsfunktionen sind Auswahlmöglichkeiten im Sprachworkflow des Anbieters und kein Beleg, dass die Erkennung eine nie angeforderte Zusammenfassung, Übersetzung oder ein anderes Artefakt erzeugt hat.
Ein nützliches Nova-3-Ergebnis kann ein durchsuchbares Meetingtranskript, untertitelfertiger Wortlaut mit Wortzeiten oder ein Datensatz eines mehrsprachigen Gesprächs sein. Bewahren Sie Audiokennung, gewählten Sprachworkflow, endgültigen Text und hilfreiche Konfidenz- oder Zeitfelder. Prüfen Sie unklare Namen, Zahlen, überlappende Stimmen und Sprachwechsel anhand der Originalaufnahme und halten Sie die tatsächlich erkannte Sprache für den nächsten Inhaltsverarbeitungsschritt verfügbar.
POST /v1/audio/transcriptionsaudiotranscription| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits deepgram/nova-3 | 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 samt 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 | VertragAusführliche Ausgaben, diarize/keyterms sowie URL-Eingaben oder größere eingebettete Audiodaten erfordern die entsprechende Fähigkeit des konkreten Modells bzw. Anbieters und den passenden 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 genaue 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 |
|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Abrechnungseinheit— | Gebühr Eingabe · Eingabetoken — / 1K Token Ausgabe · Ausgabetoken — / 1K Token Eingabe · Cache-Lesen — / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationUltra | Tarifstaffel— | Abrechnungseinheitpro Sekunde Eingabeaudio | Gebühr Eingabe · Audioeingabesekunde $0.0001433333333334 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 |
|---|---|---|
| KonfigurationDeepgram: Nova-3 · Standardkonfiguration | AbrechnungsbedingungenStandardkonfiguration | Gebühr Eingabe · Audioeingabesekunden ≈0,000143 $ 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': 'deepgram/nova-3', '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, sämtliche 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 Asset-Datensätze aus, ohne erneut zu übermitteln; es wird keine spezielle Audio-URL zur Statusabfrage konstruiert.
| Feld | Typ |
|---|---|
Feldtext | Typstring |
Feldusage | Typobject |
Feldsegments[] | Typobject |
Feldwords[] | Typobject |
Ailoot Ultra deepgram/nova-3
Verwenden Sie die oben angezeigten Methodenpfade.