GPT-4o Transcribe Diarize ist OpenAIs Modell zur automatischen Spracherkennung mit integrierter Sprechertrennung. Es ordnet transkribierte Audiosegmente verschiedenen Sprechern eines Gesprächs zu. Das nützliche Ergebnis ist ein nach Sprecher und Zeit gegliedertes Transkript statt eines einzigen fortlaufenden Textblocks. Es ist für aufgezeichnete Sprache gedacht, die Sprecherkennzeichnungen benötigt, etwa eine Besprechung, ein Interview oder eine Diskussion mit mehreren Personen.
Stellen Sie die zu transkribierende Aufnahme bereit. Der dokumentierte Dateiablauf akzeptiert MP3, MP4, MPEG, MPGA, M4A, WAV und WebM mit einer Dateigrößengrenze von 25 MB. Halten Sie die Originalaufnahme verfügbar, damit sich ein Sprecherwechsel, Name oder eine unklare Formulierung anhand des tatsächlichen Audios prüfen lässt.
Erhalten Sie bei einer Besprechung den Gesprächsverlauf, statt kurze Pausen herauszuschneiden, die beim Unterscheiden von Sprecherwechseln helfen. Lassen Sie bei einem Interview Frage und Antwort zusammen, wenn deren Beziehung für die Aufgabe wichtig ist. Die Audiovorbereitung sollte die Sprache hörbar machen, ohne Informationen zu entfernen, die für das Ergebnis mit Sprecherkennzeichnungen wichtig sind.
Dies ist ein Ablauf zur Dateitranskription. Eine abgeschlossene Aufnahme zu verarbeiten und einen noch eintreffenden Audiostream zu erkennen sind unterschiedliche Aufgaben. Die Sprecherkennzeichnung des Modells wird in Realtime-Transkriptionssitzungen nicht unterstützt.
Das Ergebnisformat diarized_json gibt Segmente mit Sprecherkennzeichnungen sowie Start- und Endzeiten zurück. Jedes Segment enthält außerdem seinen transkribierten Text. Halten Sie diese Felder zusammen, damit sich die Wörter mit dem relevanten Teil der Aufnahme verbinden lassen.
Bewahren Sie für ein brauchbares Besprechungstranskript die Segmentreihenfolge und zeigen Sie die Wörter jedes Sprechers mit ihren Zeitangaben an. Eine spätere Aufgabe kann daraus ein Protokoll oder Aufgabenpunkte erstellen. Die Sprechertrennung selbst entscheidet jedoch weder, was in der Besprechung vereinbart wurde, noch erzeugt sie eine geprüfte Zusammenfassung.
Sprecherkennzeichnungen beschreiben, wie das Modell die gesprochenen Beiträge gruppiert. Prüfen Sie Übergänge, an denen Personen einander unterbrechen, nur kurz sprechen oder gleichzeitig sprechen. Ein gut strukturiertes Ergebnis erleichtert Navigation und Prüfung; eine bestimmte Zuordnung kann dennoch das Anhören des Originalaudios erfordern.
Der dokumentierte Ablauf kann bis zu vier benannte Sprecherreferenzen entgegennehmen. Jede Referenz ist ein kurzer Audioclip von 2–10 Sekunden in einem vom Hauptupload unterstützten Format. Namen und Referenzen werden zusammen bereitgestellt, damit Segmente bekannten Sprechern zugeordnet werden können.
Bereiten Sie eine Referenz vor, in der der beabsichtigte Sprecher klar zu hören ist, und verwenden Sie den Namen einheitlich entsprechend den gewünschten Kennzeichnungen im Transkript. Bei einem Interview kann eine Referenz für den Moderator helfen, das Ergebnis nach Sprechern zu gliedern, ohne jedem Teilnehmer nur eine anonyme Kennzeichnung zu geben. Die Referenz dient als Eingabe für die Zuordnung; sie ist weder ein allgemeines Verfahren zum Stimmenklonen noch ein Identitätsnachweis einer Person.
Verwechseln Sie die Benennung eines Sprechers nicht mit einer Änderung der gesprochenen Wörter. Die nützliche Ausgabe muss weiterhin den Inhalt der Aufnahme und die tatsächliche Reihenfolge der Beiträge erhalten.
Für Audio von mehr als 30 Sekunden verlangt der Hersteller eine Aufteilungsstrategie: entweder automatische Aufteilung oder eine Konfiguration zur Erkennung von Sprachaktivität. Diese Anforderung ist keine maximale Aufnahmedauer. Sie beschreibt, wie längere Eingaben zur Verarbeitung aufgeteilt werden.
Die Modellkarte nennt ein Kontextfenster von 16.000 Token und maximal 2.000 Ausgabetoken. Diese Modellgrenzen sind von der Uploadgrenze von 25 MB und dem Schwellenwert für die Aufteilung getrennt. Daraus darf keine erfundene Minutenzahl abgeleitet werden, die für jede Aufnahme gelten soll.
Erhalten Sie Zeitangaben und Segmentidentität, wenn Sie ein längeres Transkript zusammensetzen oder prüfen. Wurde eine Aufnahme vor der Übermittlung geteilt, bewahren Sie die Beziehung jedes Teils zum Originalaudio, damit ein lokaler Zeitstempel nicht mit seiner Position im vollständigen Gespräch verwechselt wird.
Der Ablauf zur Dateitranskription kann während der Verarbeitung Text streamen. Beim Streaming mit Sprecherkennzeichnungen erzeugen abgeschlossene Segmente Segmentereignisse. Textdeltas enthalten eine Segmentkennung, aber keine vorläufigen Sprecherzuordnungen. Ein Sprecher wird zugeordnet, sobald das Segment abgeschlossen ist.
Diese Unterscheidung ist für die Darstellung wichtig. Zeigen Sie vorläufigen Text und einen abgeschlossenen Sprecherbeitrag als unterschiedliche Zustände an, statt eine unsichere Sprecherkennzeichnung anzufügen, bevor das Modell das Segment abgeschlossen hat. Bewahren Sie das fertige Ergebnis auf, wenn das Transkript später bearbeitet oder analysiert werden soll.
Dieses Profil ist das Modell zur Sprechertrennung, getrennt von gewöhnlicher GPT-4o-Transkription, Mini-Transkription, Sprachsynthese und Modellen für Livegespräche. Es unterstützt keine Transkriptionsprompts. Behandeln Sie eine Terminologieprüfung oder -korrektur als separaten Schritt, der anhand des Originalaudios geprüft wird. Seine Herstellerschnittstelle transkribiert aufgezeichnetes Audio in Text. Es erzeugt keine Audioantwort und übersetzt eine Aufnahme nicht über den separaten Ablauf zur Audioübersetzung.
Nutzen Sie es für Transkripte, die sowohl Inhalt als auch eine Sprecherstruktur benötigen. Prüfen Sie Namen, Fachbegriffe, Zahlen, Sprecherwechsel und Zuordnungen anhand der Aufnahme. Bewahren Sie Audio, gewähltes Ergebnisformat, Referenzen und fertiges Transkript auf, damit eine Korrektur eine konkrete Formulierung oder Sprecherzuordnung betreffen kann.
", "aboutText": "GPT-4o Transcribe Diarize ist OpenAIs Modell zur automatischen Spracherkennung mit integrierter Sprechertrennung. Es ordnet transkribierte Audiosegmente verschiedenen Sprechern eines Gesprächs zu. Das nützliche Ergebnis ist ein nach Sprecher und Zeit gegliedertes Transkript statt eines einzigen fortlaufenden Textblocks. Es ist für aufgezeichnete Sprache gedacht, die Sprecherkennzeichnungen benötigt, etwa eine Besprechung, ein Interview oder eine Diskussion mit mehreren Personen.\n\n### Die abgeschlossene Aufnahme vorbereiten\n\nStellen Sie die zu transkribierende Aufnahme bereit. Der dokumentierte Dateiablauf akzeptiert MP3, MP4, MPEG, MPGA, M4A, WAV und WebM mit einer Dateigrößengrenze von 25 MB. Halten Sie die Originalaufnahme verfügbar, damit sich ein Sprecherwechsel, Name oder eine unklare Formulierung anhand des tatsächlichen Audios prüfen lässt.\n\nErhalten Sie bei einer Besprechung den Gesprächsverlauf, statt kurze Pausen herauszuschneiden, die beim Unterscheiden von Sprecherwechseln helfen. Lassen Sie bei einem Interview Frage und Antwort zusammen, wenn deren Beziehung für die Aufgabe wichtig ist. Die Audiovorbereitung sollte die Sprache hörbar machen, ohne Informationen zu entfernen, die für das Ergebnis mit Sprecherkennzeichnungen wichtig sind.\n\nDies ist ein Ablauf zur Dateitranskription. Eine abgeschlossene Aufnahme zu verarbeiten und einen noch eintreffenden Audiostream zu erkennen sind unterschiedliche Aufgaben. Die Sprecherkennzeichnung des Modells wird in Realtime-Transkriptionssitzungen nicht unterstützt.\n\n### Ein Transkript mit Sprecherkennzeichnungen anfordern\n\nDas Ergebnisformat `diarized_json` gibt Segmente mit Sprecherkennzeichnungen sowie Start- und Endzeiten zurück. Jedes Segment enthält außerdem seinen transkribierten Text. Halten Sie diese Felder zusammen, damit sich die Wörter mit dem relevanten Teil der Aufnahme verbinden lassen.\n\nBewahren Sie für ein brauchbares Besprechungstranskript die Segmentreihenfolge und zeigen Sie die Wörter jedes Sprechers mit ihren Zeitangaben an. Eine spätere Aufgabe kann daraus ein Protokoll oder Aufgabenpunkte erstellen. Die Sprechertrennung selbst entscheidet jedoch weder, was in der Besprechung vereinbart wurde, noch erzeugt sie eine geprüfte Zusammenfassung.\n\nSprecherkennzeichnungen beschreiben, wie das Modell die gesprochenen Beiträge gruppiert. Prüfen Sie Übergänge, an denen Personen einander unterbrechen, nur kurz sprechen oder gleichzeitig sprechen. Ein gut strukturiertes Ergebnis erleichtert Navigation und Prüfung; eine bestimmte Zuordnung kann dennoch das Anhören des Originalaudios erfordern.\n\n### Referenzen bekannter Sprecher\n\nDer dokumentierte Ablauf kann bis zu vier benannte Sprecherreferenzen entgegennehmen. Jede Referenz ist ein kurzer Audioclip von 2–10 Sekunden in einem vom Hauptupload unterstützten Format. Namen und Referenzen werden zusammen bereitgestellt, damit Segmente bekannten Sprechern zugeordnet werden können.\n\nBereiten Sie eine Referenz vor, in der der beabsichtigte Sprecher klar zu hören ist, und verwenden Sie den Namen einheitlich entsprechend den gewünschten Kennzeichnungen im Transkript. Bei einem Interview kann eine Referenz für den Moderator helfen, das Ergebnis nach Sprechern zu gliedern, ohne jedem Teilnehmer nur eine anonyme Kennzeichnung zu geben. Die Referenz dient als Eingabe für die Zuordnung; sie ist weder ein allgemeines Verfahren zum Stimmenklonen noch ein Identitätsnachweis einer Person.\n\nVerwechseln Sie die Benennung eines Sprechers nicht mit einer Änderung der gesprochenen Wörter. Die nützliche Ausgabe muss weiterhin den Inhalt der Aufnahme und die tatsächliche Reihenfolge der Beiträge erhalten.\n\n### Aufteilung und Modellgrenzen\n\nFür Audio von mehr als 30 Sekunden verlangt der Hersteller eine Aufteilungsstrategie: entweder automatische Aufteilung oder eine Konfiguration zur Erkennung von Sprachaktivität. Diese Anforderung ist keine maximale Aufnahmedauer. Sie beschreibt, wie längere Eingaben zur Verarbeitung aufgeteilt werden.\n\nDie Modellkarte nennt ein Kontextfenster von 16.000 Token und maximal 2.000 Ausgabetoken. Diese Modellgrenzen sind von der Uploadgrenze von 25 MB und dem Schwellenwert für die Aufteilung getrennt. Daraus darf keine erfundene Minutenzahl abgeleitet werden, die für jede Aufnahme gelten soll.\n\nErhalten Sie Zeitangaben und Segmentidentität, wenn Sie ein längeres Transkript zusammensetzen oder prüfen. Wurde eine Aufnahme vor der Übermittlung geteilt, bewahren Sie die Beziehung jedes Teils zum Originalaudio, damit ein lokaler Zeitstempel nicht mit seiner Position im vollständigen Gespräch verwechselt wird.\n\n### Abgeschlossene Segmente streamen\n\nDer Ablauf zur Dateitranskription kann während der Verarbeitung Text streamen. Beim Streaming mit Sprecherkennzeichnungen erzeugen abgeschlossene Segmente Segmentereignisse. Textdeltas enthalten eine Segmentkennung, aber keine vorläufigen Sprecherzuordnungen. Ein Sprecher wird zugeordnet, sobald das Segment abgeschlossen ist.\n\nDiese Unterscheidung ist für die Darstellung wichtig. Zeigen Sie vorläufigen Text und einen abgeschlossenen Sprecherbeitrag als unterschiedliche Zustände an, statt eine unsichere Sprecherkennzeichnung anzufügen, bevor das Modell das Segment abgeschlossen hat. Bewahren Sie das fertige Ergebnis auf, wenn das Transkript später bearbeitet oder analysiert werden soll.\n\n### Modell- und Ausgabegrenzen\n\nDieses Profil ist das Modell zur Sprechertrennung, getrennt von gewöhnlicher GPT-4o-Transkription, Mini-Transkription, Sprachsynthese und Modellen für Livegespräche. Es unterstützt keine Transkriptionsprompts. Behandeln Sie eine Terminologieprüfung oder -korrektur als separaten Schritt, der anhand des Originalaudios geprüft wird. Seine Herstellerschnittstelle transkribiert aufgezeichnetes Audio in Text. Es erzeugt keine Audioantwort und übersetzt eine Aufnahme nicht über den separaten Ablauf zur Audioübersetzung.\n\nNutzen Sie es für Transkripte, die sowohl Inhalt als auch eine Sprecherstruktur benötigen. Prüfen Sie Namen, Fachbegriffe, Zahlen, Sprecherwechsel und Zuordnungen anhand der Aufnahme. Bewahren Sie Audio, gewähltes Ergebnisformat, Referenzen und fertiges Transkript auf, damit eine Korrektur eine konkrete Formulierung oder Sprecherzuordnung betreffen kann.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "0acff028e95f1a1b069dd20f028d54535d235b99ce68d790d829bf5245295d94", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de", "methods": [ { "html": "openai/gpt-4o-transcribe-diarizeGPT-4o Transcribe Diarize wandelt aufgezeichnete Sprache in Text mit Sprecherkennzeichnungen und Zeitangaben pro Segment um. Es eignet sich für Besprechungen, Interviews und Aufnahmen mit mehreren Personen, deren Transkript zeigen muss, wer wann gesprochen hat. Für bekannte Sprecher sind kurze Stimmreferenzen optional möglich.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
GPT-4o Transcribe Diarize ist OpenAIs Modell zur automatischen Spracherkennung mit integrierter Sprechertrennung. Es ordnet transkribierte Audiosegmente verschiedenen Sprechern eines Gesprächs zu. Das nützliche Ergebnis ist ein nach Sprecher und Zeit gegliedertes Transkript statt eines einzigen fortlaufenden Textblocks. Es ist für aufgezeichnete Sprache gedacht, die Sprecherkennzeichnungen benötigt, etwa eine Besprechung, ein Interview oder eine Diskussion mit mehreren Personen.
Stellen Sie die zu transkribierende Aufnahme bereit. Der dokumentierte Dateiablauf akzeptiert MP3, MP4, MPEG, MPGA, M4A, WAV und WebM mit einer Dateigrößengrenze von 25 MB. Halten Sie die Originalaufnahme verfügbar, damit sich ein Sprecherwechsel, Name oder eine unklare Formulierung anhand des tatsächlichen Audios prüfen lässt.
Erhalten Sie bei einer Besprechung den Gesprächsverlauf, statt kurze Pausen herauszuschneiden, die beim Unterscheiden von Sprecherwechseln helfen. Lassen Sie bei einem Interview Frage und Antwort zusammen, wenn deren Beziehung für die Aufgabe wichtig ist. Die Audiovorbereitung sollte die Sprache hörbar machen, ohne Informationen zu entfernen, die für das Ergebnis mit Sprecherkennzeichnungen wichtig sind.
Dies ist ein Ablauf zur Dateitranskription. Eine abgeschlossene Aufnahme zu verarbeiten und einen noch eintreffenden Audiostream zu erkennen sind unterschiedliche Aufgaben. Die Sprecherkennzeichnung des Modells wird in Realtime-Transkriptionssitzungen nicht unterstützt.
Das Ergebnisformat diarized_json gibt Segmente mit Sprecherkennzeichnungen sowie Start- und Endzeiten zurück. Jedes Segment enthält außerdem seinen transkribierten Text. Halten Sie diese Felder zusammen, damit sich die Wörter mit dem relevanten Teil der Aufnahme verbinden lassen.
Bewahren Sie für ein brauchbares Besprechungstranskript die Segmentreihenfolge und zeigen Sie die Wörter jedes Sprechers mit ihren Zeitangaben an. Eine spätere Aufgabe kann daraus ein Protokoll oder Aufgabenpunkte erstellen. Die Sprechertrennung selbst entscheidet jedoch weder, was in der Besprechung vereinbart wurde, noch erzeugt sie eine geprüfte Zusammenfassung.
Sprecherkennzeichnungen beschreiben, wie das Modell die gesprochenen Beiträge gruppiert. Prüfen Sie Übergänge, an denen Personen einander unterbrechen, nur kurz sprechen oder gleichzeitig sprechen. Ein gut strukturiertes Ergebnis erleichtert Navigation und Prüfung; eine bestimmte Zuordnung kann dennoch das Anhören des Originalaudios erfordern.
Der dokumentierte Ablauf kann bis zu vier benannte Sprecherreferenzen entgegennehmen. Jede Referenz ist ein kurzer Audioclip von 2–10 Sekunden in einem vom Hauptupload unterstützten Format. Namen und Referenzen werden zusammen bereitgestellt, damit Segmente bekannten Sprechern zugeordnet werden können.
Bereiten Sie eine Referenz vor, in der der beabsichtigte Sprecher klar zu hören ist, und verwenden Sie den Namen einheitlich entsprechend den gewünschten Kennzeichnungen im Transkript. Bei einem Interview kann eine Referenz für den Moderator helfen, das Ergebnis nach Sprechern zu gliedern, ohne jedem Teilnehmer nur eine anonyme Kennzeichnung zu geben. Die Referenz dient als Eingabe für die Zuordnung; sie ist weder ein allgemeines Verfahren zum Stimmenklonen noch ein Identitätsnachweis einer Person.
Verwechseln Sie die Benennung eines Sprechers nicht mit einer Änderung der gesprochenen Wörter. Die nützliche Ausgabe muss weiterhin den Inhalt der Aufnahme und die tatsächliche Reihenfolge der Beiträge erhalten.
Für Audio von mehr als 30 Sekunden verlangt der Hersteller eine Aufteilungsstrategie: entweder automatische Aufteilung oder eine Konfiguration zur Erkennung von Sprachaktivität. Diese Anforderung ist keine maximale Aufnahmedauer. Sie beschreibt, wie längere Eingaben zur Verarbeitung aufgeteilt werden.
Die Modellkarte nennt ein Kontextfenster von 16.000 Token und maximal 2.000 Ausgabetoken. Diese Modellgrenzen sind von der Uploadgrenze von 25 MB und dem Schwellenwert für die Aufteilung getrennt. Daraus darf keine erfundene Minutenzahl abgeleitet werden, die für jede Aufnahme gelten soll.
Erhalten Sie Zeitangaben und Segmentidentität, wenn Sie ein längeres Transkript zusammensetzen oder prüfen. Wurde eine Aufnahme vor der Übermittlung geteilt, bewahren Sie die Beziehung jedes Teils zum Originalaudio, damit ein lokaler Zeitstempel nicht mit seiner Position im vollständigen Gespräch verwechselt wird.
Der Ablauf zur Dateitranskription kann während der Verarbeitung Text streamen. Beim Streaming mit Sprecherkennzeichnungen erzeugen abgeschlossene Segmente Segmentereignisse. Textdeltas enthalten eine Segmentkennung, aber keine vorläufigen Sprecherzuordnungen. Ein Sprecher wird zugeordnet, sobald das Segment abgeschlossen ist.
Diese Unterscheidung ist für die Darstellung wichtig. Zeigen Sie vorläufigen Text und einen abgeschlossenen Sprecherbeitrag als unterschiedliche Zustände an, statt eine unsichere Sprecherkennzeichnung anzufügen, bevor das Modell das Segment abgeschlossen hat. Bewahren Sie das fertige Ergebnis auf, wenn das Transkript später bearbeitet oder analysiert werden soll.
Dieses Profil ist das Modell zur Sprechertrennung, getrennt von gewöhnlicher GPT-4o-Transkription, Mini-Transkription, Sprachsynthese und Modellen für Livegespräche. Es unterstützt keine Transkriptionsprompts. Behandeln Sie eine Terminologieprüfung oder -korrektur als separaten Schritt, der anhand des Originalaudios geprüft wird. Seine Herstellerschnittstelle transkribiert aufgezeichnetes Audio in Text. Es erzeugt keine Audioantwort und übersetzt eine Aufnahme nicht über den separaten Ablauf zur Audioübersetzung.
Nutzen Sie es für Transkripte, die sowohl Inhalt als auch eine Sprecherstruktur benötigen. Prüfen Sie Namen, Fachbegriffe, Zahlen, Sprecherwechsel und Zuordnungen anhand der Aufnahme. Bewahren Sie Audio, gewähltes Ergebnisformat, Referenzen und fertiges Transkript auf, damit eine Korrektur eine konkrete Formulierung oder Sprecherzuordnung betreffen kann.
POST /v1/audio/transcriptionsaudiotranscription| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits openai/gpt-4o-transcribe-diarize | Standard— |
Feldfile | Typfile | AnforderungErforderlich | Werte und Limits Maximale Anzahl Bytes: 26.214.400 MIME-Typen: audio/mpeg Dateiendung: .mp3 Maximale Dauer, Sekunden: 30 | Standard— |
Feldresponse_format | Typstring | AnforderungErforderlich | Werte und Limits diarized_json | Standard— |
diarized_transcription
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragmultipart/form-data |
Parameterrequired | Vertragmodel, file, response_format |
Parameterfile_formats | Vertragmp3 |
Parametermax_audio_seconds | Vertrag30 |
Parametermax_bytes | Vertrag26214400 |
Parameterresponse_format | Vertragdiarized_json |
Parameterother_options | Vertragfalse |
Parametermaterial_types | Vertragaudio |
Parameteradditional_properties | Vertragfalse |
Parameterform_string_maximum_bytes | Vertrag256 |
Methodenaliasnamen: /audio/transcriptions
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 die tatsächliche Aufnahme und das passende Format.
Bewahren Sie das vollständige Transkript, Segmente, Sprecher-IDs und Zeitangaben 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— | Abrechnungseinheit/ 1K Audio-Token | Gebühr Eingabe · Audioeingabetoken $0.012 / 1K Audio-Token |
| KonfigurationUltra | Tarifstaffel— | Abrechnungseinheit/ 1K Audio-Token | Gebühr Ausgabe · Audioausgabetoken $0.02 / 1K Audio-Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_AUDIO_FILE:?Set the path to your actual MP3 recording}"\nexport AILOOT_AUDIO_FILE\npython3 - <<'PY_REQUEST'\nimport os\nfrom pathlib import Path\np=Path(os.environ["AILOOT_AUDIO_FILE"])\nif not p.is_file() or p.suffix.lower()!=".mp3":raise SystemExit("Choose an existing MP3 recording")\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" \\\n --form-string model=openai/gpt-4o-transcribe-diarize -F "file=@$AILOOT_AUDIO_FILE" --form-string response_format=diarized_json \\\n -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("result.json").read_text())))\nPY_RESULT\njson
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nexport AILOOT_API_KEY\npython3 - <<'PY_ASSETS'\nimport json,os,subprocess\nfrom pathlib import Path\nfrom urllib.parse import urljoin,urlsplit\nr=json.loads(Path('result.json').read_text())\nurls=[]\nif isinstance(r.get('asset_url'),str) and r['asset_url']:urls.append(('transcript',r['asset_url']))\nfor label,path in urls:\n u=urljoin('https://api.ailoot.ai',path);z=urlsplit(u)\n if z.scheme!='https' or z.netloc!='api.ailoot.ai' or z.username or z.password:raise SystemExit('Use the actual returned Ailoot owned content URL')\n target=Path('owned-'+label+'.bin')\n subprocess.run(['curl','--fail-with-body','--silent','--show-error',u,'-H','Authorization: Bearer '+os.environ['AILOOT_API_KEY'],'-D',str(target)+'.headers','-o',str(target)],check=True)\nprint('All returned owned URLs saved; complete metadata, timing and usage remain in the JSON.')\nPY_ASSETS\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o media-assets.json\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_MEDIA_TASK_ID:?Set the actual ID returned by the response or media-library metadata}"\nexport AILOOT_MEDIA_TASK_ID\nresource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_MEDIA_TASK_ID"],safe=""))')\ncurl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/tasks/$resource_id" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o media-task.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("media-task.json").read_text())))\nPY_RESULT\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_ASSET_ID:?Set the actual ID returned by the response or media-library metadata}"\nexport AILOOT_ASSET_ID\nresource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_ASSET_ID"],safe=""))')\ncurl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/assets/$resource_id" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o media-asset.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("media-asset.json").read_text())))\nPY_RESULT\nBewahren 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, jeden Zeitstempel und die tatsächlichen Aufgaben- und Asset-Kennungen.
Die ursprüngliche operation_id/X-Client-Request-ID für den Abgleich ohne erneute Einreichung aufbewahren; es gibt keine eigene Route zur Abfrage des Audiostatus.
| Feld | Typ |
|---|---|
Feldtext | Typstring |
Feldsegments[] | Typobject |
Feldtask_id | Typstring |
Feldasset_url | Typstring |
Feldusage | Typobject |
Feldsegments[].speaker | Typstring |
Feldsegments[].start | Typnumber |
Feldsegments[].end | Typnumber |
| 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. |
Ailoot Ultra openai/gpt-4o-transcribe-diarize
/audio/transcriptions