Qwen3-ASR-0.6B ist die kompakte Ausgabe von Qwens Spracherkennungsfamilie Qwen3-ASR. Es akzeptiert Audio und erzeugt eine Transkription mit einer Sprachangabe. Der Hersteller positioniert 0.6B als Gleichgewicht zwischen Erkennungsqualität und Effizienz, während 1.7B die separat benannte größere Ausgabe ist. Beide greifen auf das Audioverständnis von Qwen3-Omni zurück und teilen die dokumentierte Erkennungsabdeckung sowie den einheitlichen Offline-/Streaming-Ansatz. Die kompakte Ausgabe kann den Transkriptionsschritt in einem Ablauf für Sprachnotizen, die Vorbereitung von Untertiteln oder durchsuchbare Aufnahmen übernehmen.
Qwen dokumentiert Erkennung und Sprachidentifikation für 30 Sprachen und 22 chinesische Dialekte sowie die Unterstützung englischer Akzente aus verschiedenen Regionen. Die Sprachtabelle führt Chinesisch, Englisch, Kantonesisch, Arabisch, Deutsch, Französisch, Spanisch, Portugiesisch, Indonesisch, Italienisch, Koreanisch, Russisch, Thai, Vietnamesisch, Japanisch, Türkisch, Hindi, Malaiisch, Niederländisch, Schwedisch, Dänisch, Finnisch, Polnisch, Tschechisch, Filipino, Persisch, Griechisch, Ungarisch, Mazedonisch und Rumänisch auf. Zu den erkannten Audiotypen gehören gesprochene Sprache, Gesangsstimmen und Lieder mit Hintergrundmusik. Die kleinere Ausgabe behält diese Abdeckung der Familie bei; ihre Größe bedeutet keine andere Liste unterstützter Sprachen.
Das offizielle Toolkit kann Audio über einen Dateiverweis, als codierte Audiodaten oder als Wellenform mit zugehöriger Abtastrate empfangen. Es unterstützt die Offline-Verarbeitung mehrerer Aufnahmen, die automatische Erkennung der Sprache und die Vorgabe einer unterstützten Sprache. Das dokumentierte Ergebnis enthält die Sprache und den erkannten Text. Wählen Sie die gesprochene Sprache aus, wenn Sie sie kennen, oder lassen Sie das Modell sie identifizieren, wenn eine Sammlung unbekannte Sprachen enthält. Bewahren Sie die Kennung jeder Aufnahme zusammen mit ihrem Ergebnis auf, damit sich eine Transkription auf die richtige Quelle zurückführen lässt.
Bewahren Sie bei einer Sammlung von Sprachnotizen für jede Notiz ein separates Ergebnis auf und prüfen Sie Namen, Zahlen und unklare Formulierungen anhand der Aufnahme, bevor Sie den Text in Aufgaben oder eine Zusammenfassung umwandeln. Nutzen Sie bei einer gesprochenen Anleitung die Transkription, um Passagen zu finden und den Wortlaut jeder Anweisung zu prüfen. Hören Sie bei Gesang zur Überprüfung des Liedtexts auf die Gesangslinie, statt ein Wort allein deshalb zu akzeptieren, weil es im Lied sinnvoll erscheint. Dies sind Vorbereitungs- und Prüfschritte für das Textergebnis; Zusammenfassung, Übersetzung oder Interpretation der Transkription können als separate Vorgänge folgen.
Qwen3-ASR verwendet dasselbe Modell für Offline- und Streaming-Erkennung. Im Streaming-Beispiel des Herstellers aktualisieren eingehende Audioblöcke einen beibehaltenen Erkennungszustand, und ein Abschlussschritt liefert den vollständigen Text und die Sprache. Dies ermöglicht eine schrittweise Anzeige, die für eine laufende Transkription nützlich ist. Behandeln Sie die vorläufige Anzeige als aktuellen Erkennungsstand und bewahren Sie nach dem Ende der Aufnahme das endgültige Ergebnis auf. Halten Sie dabei die Audioquelle für Korrekturen verfügbar.
Die dokumentierte Streaming-Implementierung unterstützt in diesem Streaming-Ablauf weder Batch-Inferenz noch die Rückgabe von Zeitstempeln. Streaming-Text, eine Sammlung von Offline-Transkriptionen und die Vorbereitung zeitlich zugeordneter Untertitel sind daher unterschiedliche Herstellerabläufe. Die beispielhaften Blockgrößen und Token-Einstellungen des Herstellers veranschaulichen eine Implementierung; sie sind keine allgemeingültigen Zusagen zu Latenz, Parallelität oder Audiolänge. Wählen Sie den Ablauf danach, ob das nützliche Ergebnis während einer Aufnahme eintreffender Text, fertiger Text für eine Sammlung oder einer Zeitleiste zugeordneter Text sein soll.
Qwen3-ForcedAligner-0.6B ist ein separates Ausrichtungsmodell, obwohl es dieselbe Größenbezeichnung 0.6B wie diese ASR-Ausgabe trägt. Es verarbeitet ein Text-Audio-Paar und prognostiziert Start- und Endzeiten auf Wort- oder Zeichenebene. Das Offline-ASR-Toolkit des Herstellers kann es aufrufen, wenn Zeitstempel angefordert werden. Sein dokumentierter Sprachumfang umfasst Chinesisch, Englisch, Kantonesisch, Französisch, Deutsch, Italienisch, Japanisch, Koreanisch, Portugiesisch, Russisch und Spanisch; der angegebene Ausrichtungszeitraum beträgt bis zu fünf Minuten Sprache. Dieser engere Sprachumfang und die Dauer von fünf Minuten gehören zum Forced Alignment, nicht zur allgemeinen Transkriptionsabdeckung des ASR-Modells.
Bereiten Sie für Untertitel eine geprüfte Transkription in der Sprache der Aufnahme vor, richten Sie sie im unterstützten Ablauf zeitlich aus und kontrollieren Sie die Segmentgrenzen während der Wiedergabe der Quelle. Ein nutzbares Untertitelergebnis hält Wortlaut und Zeitangaben zusammen. Ist ein transkribiertes Wort falsch, korrigieren Sie den Wortlaut anhand des Audios, statt anzunehmen, dass eine Zeitspanne das Wort bestätigt. Diese Trennung macht deutlich, ob ein Problem bei der Erkennung, im bereitgestellten Text oder bei der Platzierung einer Untertitelgrenze liegt.
Die Qwen3-ASR-Familie unterstützt lange Aufnahmen. Ihre Inferenzbeispiele empfehlen, für längeres Audio mehr generierte Token zuzulassen. Stellen Sie daher sicher, dass die Transkription bis zum Ende der Aufnahme reicht und nicht durch ein Ausgabelimit abgeschnitten wurde. Die veröffentlichten Beispiele legen weder ein allgemeingültiges numerisches Kontextfenster noch eine maximale ASR-Aufnahmedauer fest. Halten Sie nützliche Abschnitte und ihre Quellpositionen zusammen, wenn Sie eine längere Aufnahme für die Prüfung organisieren. Prüfen Sie verdeckte Wörter, Sprachwechsel, überlappende Sprache, ungewöhnliche Namen und gesungene Silben anhand des Originaltons. Das praktische Ergebnis ist erkannter Text mit einer Sprachangabe, bereit für die Suche oder einen anschließenden Inhaltsschritt; bei Bedarf werden Zeitmarken über den separaten Ausrichtungsablauf ergänzt.
", "aboutText": "Qwen3-ASR-0.6B ist die kompakte Ausgabe von Qwens Spracherkennungsfamilie Qwen3-ASR. Es akzeptiert Audio und erzeugt eine Transkription mit einer Sprachangabe. Der Hersteller positioniert 0.6B als Gleichgewicht zwischen Erkennungsqualität und Effizienz, während 1.7B die separat benannte größere Ausgabe ist. Beide greifen auf das Audioverständnis von Qwen3-Omni zurück und teilen die dokumentierte Erkennungsabdeckung sowie den einheitlichen Offline-/Streaming-Ansatz. Die kompakte Ausgabe kann den Transkriptionsschritt in einem Ablauf für Sprachnotizen, die Vorbereitung von Untertiteln oder durchsuchbare Aufnahmen übernehmen.\n\n### Sprachen, Dialekte und unterstützte Aufnahmen\n\nQwen dokumentiert Erkennung und Sprachidentifikation für 30 Sprachen und 22 chinesische Dialekte sowie die Unterstützung englischer Akzente aus verschiedenen Regionen. Die Sprachtabelle führt Chinesisch, Englisch, Kantonesisch, Arabisch, Deutsch, Französisch, Spanisch, Portugiesisch, Indonesisch, Italienisch, Koreanisch, Russisch, Thai, Vietnamesisch, Japanisch, Türkisch, Hindi, Malaiisch, Niederländisch, Schwedisch, Dänisch, Finnisch, Polnisch, Tschechisch, Filipino, Persisch, Griechisch, Ungarisch, Mazedonisch und Rumänisch auf. Zu den erkannten Audiotypen gehören gesprochene Sprache, Gesangsstimmen und Lieder mit Hintergrundmusik. Die kleinere Ausgabe behält diese Abdeckung der Familie bei; ihre Größe bedeutet keine andere Liste unterstützter Sprachen.\n\n### Offline-Erkennung und Vorbereitung der Eingabe\n\nDas offizielle Toolkit kann Audio über einen Dateiverweis, als codierte Audiodaten oder als Wellenform mit zugehöriger Abtastrate empfangen. Es unterstützt die Offline-Verarbeitung mehrerer Aufnahmen, die automatische Erkennung der Sprache und die Vorgabe einer unterstützten Sprache. Das dokumentierte Ergebnis enthält die Sprache und den erkannten Text. Wählen Sie die gesprochene Sprache aus, wenn Sie sie kennen, oder lassen Sie das Modell sie identifizieren, wenn eine Sammlung unbekannte Sprachen enthält. Bewahren Sie die Kennung jeder Aufnahme zusammen mit ihrem Ergebnis auf, damit sich eine Transkription auf die richtige Quelle zurückführen lässt.\n\nBewahren Sie bei einer Sammlung von Sprachnotizen für jede Notiz ein separates Ergebnis auf und prüfen Sie Namen, Zahlen und unklare Formulierungen anhand der Aufnahme, bevor Sie den Text in Aufgaben oder eine Zusammenfassung umwandeln. Nutzen Sie bei einer gesprochenen Anleitung die Transkription, um Passagen zu finden und den Wortlaut jeder Anweisung zu prüfen. Hören Sie bei Gesang zur Überprüfung des Liedtexts auf die Gesangslinie, statt ein Wort allein deshalb zu akzeptieren, weil es im Lied sinnvoll erscheint. Dies sind Vorbereitungs- und Prüfschritte für das Textergebnis; Zusammenfassung, Übersetzung oder Interpretation der Transkription können als separate Vorgänge folgen.\n\n### Streaming-Text und Abschluss einer Aufnahme\n\nQwen3-ASR verwendet dasselbe Modell für Offline- und Streaming-Erkennung. Im Streaming-Beispiel des Herstellers aktualisieren eingehende Audioblöcke einen beibehaltenen Erkennungszustand, und ein Abschlussschritt liefert den vollständigen Text und die Sprache. Dies ermöglicht eine schrittweise Anzeige, die für eine laufende Transkription nützlich ist. Behandeln Sie die vorläufige Anzeige als aktuellen Erkennungsstand und bewahren Sie nach dem Ende der Aufnahme das endgültige Ergebnis auf. Halten Sie dabei die Audioquelle für Korrekturen verfügbar.\n\nDie dokumentierte Streaming-Implementierung unterstützt in diesem Streaming-Ablauf weder Batch-Inferenz noch die Rückgabe von Zeitstempeln. Streaming-Text, eine Sammlung von Offline-Transkriptionen und die Vorbereitung zeitlich zugeordneter Untertitel sind daher unterschiedliche Herstellerabläufe. Die beispielhaften Blockgrößen und Token-Einstellungen des Herstellers veranschaulichen eine Implementierung; sie sind keine allgemeingültigen Zusagen zu Latenz, Parallelität oder Audiolänge. Wählen Sie den Ablauf danach, ob das nützliche Ergebnis während einer Aufnahme eintreffender Text, fertiger Text für eine Sammlung oder einer Zeitleiste zugeordneter Text sein soll.\n\n### Text mit Zeitmarken verwendet Qwen3-ForcedAligner\n\nQwen3-ForcedAligner-0.6B ist ein separates Ausrichtungsmodell, obwohl es dieselbe Größenbezeichnung 0.6B wie diese ASR-Ausgabe trägt. Es verarbeitet ein Text-Audio-Paar und prognostiziert Start- und Endzeiten auf Wort- oder Zeichenebene. Das Offline-ASR-Toolkit des Herstellers kann es aufrufen, wenn Zeitstempel angefordert werden. Sein dokumentierter Sprachumfang umfasst Chinesisch, Englisch, Kantonesisch, Französisch, Deutsch, Italienisch, Japanisch, Koreanisch, Portugiesisch, Russisch und Spanisch; der angegebene Ausrichtungszeitraum beträgt bis zu fünf Minuten Sprache. Dieser engere Sprachumfang und die Dauer von fünf Minuten gehören zum Forced Alignment, nicht zur allgemeinen Transkriptionsabdeckung des ASR-Modells.\n\nBereiten Sie für Untertitel eine geprüfte Transkription in der Sprache der Aufnahme vor, richten Sie sie im unterstützten Ablauf zeitlich aus und kontrollieren Sie die Segmentgrenzen während der Wiedergabe der Quelle. Ein nutzbares Untertitelergebnis hält Wortlaut und Zeitangaben zusammen. Ist ein transkribiertes Wort falsch, korrigieren Sie den Wortlaut anhand des Audios, statt anzunehmen, dass eine Zeitspanne das Wort bestätigt. Diese Trennung macht deutlich, ob ein Problem bei der Erkennung, im bereitgestellten Text oder bei der Platzierung einer Untertitelgrenze liegt.\n\n### Ausgabe bei langem Audio und Prüfung der Erkennung\n\nDie Qwen3-ASR-Familie unterstützt lange Aufnahmen. Ihre Inferenzbeispiele empfehlen, für längeres Audio mehr generierte Token zuzulassen. Stellen Sie daher sicher, dass die Transkription bis zum Ende der Aufnahme reicht und nicht durch ein Ausgabelimit abgeschnitten wurde. Die veröffentlichten Beispiele legen weder ein allgemeingültiges numerisches Kontextfenster noch eine maximale ASR-Aufnahmedauer fest. Halten Sie nützliche Abschnitte und ihre Quellpositionen zusammen, wenn Sie eine längere Aufnahme für die Prüfung organisieren. Prüfen Sie verdeckte Wörter, Sprachwechsel, überlappende Sprache, ungewöhnliche Namen und gesungene Silben anhand des Originaltons. Das praktische Ergebnis ist erkannter Text mit einer Sprachangabe, bereit für die Suche oder einen anschließenden Inhaltsschritt; bei Bedarf werden Zeitmarken über den separaten Ausrichtungsablauf ergänzt.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "b1c986b1dde289092b06fcd418e371d554e31bc3f898f27f862e746e5f9dc73d", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de", "methods": [ { "html": "qwen/qwen3-asr-0.6bQwen3-ASR-0.6B ist Qwens kompaktes Spracherkennungsmodell, das gesprochene oder gesungene Audiodaten mit Sprachidentifikation in Text umwandelt. Es teilt die Abdeckung von 30 Sprachen und 22 Dialekten der Familie, mit Offline- und Streaming-Abläufen sowie separatem Forced Alignment für Text mit Zeitmarken.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen3-ASR-0.6B ist die kompakte Ausgabe von Qwens Spracherkennungsfamilie Qwen3-ASR. Es akzeptiert Audio und erzeugt eine Transkription mit einer Sprachangabe. Der Hersteller positioniert 0.6B als Gleichgewicht zwischen Erkennungsqualität und Effizienz, während 1.7B die separat benannte größere Ausgabe ist. Beide greifen auf das Audioverständnis von Qwen3-Omni zurück und teilen die dokumentierte Erkennungsabdeckung sowie den einheitlichen Offline-/Streaming-Ansatz. Die kompakte Ausgabe kann den Transkriptionsschritt in einem Ablauf für Sprachnotizen, die Vorbereitung von Untertiteln oder durchsuchbare Aufnahmen übernehmen.
Qwen dokumentiert Erkennung und Sprachidentifikation für 30 Sprachen und 22 chinesische Dialekte sowie die Unterstützung englischer Akzente aus verschiedenen Regionen. Die Sprachtabelle führt Chinesisch, Englisch, Kantonesisch, Arabisch, Deutsch, Französisch, Spanisch, Portugiesisch, Indonesisch, Italienisch, Koreanisch, Russisch, Thai, Vietnamesisch, Japanisch, Türkisch, Hindi, Malaiisch, Niederländisch, Schwedisch, Dänisch, Finnisch, Polnisch, Tschechisch, Filipino, Persisch, Griechisch, Ungarisch, Mazedonisch und Rumänisch auf. Zu den erkannten Audiotypen gehören gesprochene Sprache, Gesangsstimmen und Lieder mit Hintergrundmusik. Die kleinere Ausgabe behält diese Abdeckung der Familie bei; ihre Größe bedeutet keine andere Liste unterstützter Sprachen.
Das offizielle Toolkit kann Audio über einen Dateiverweis, als codierte Audiodaten oder als Wellenform mit zugehöriger Abtastrate empfangen. Es unterstützt die Offline-Verarbeitung mehrerer Aufnahmen, die automatische Erkennung der Sprache und die Vorgabe einer unterstützten Sprache. Das dokumentierte Ergebnis enthält die Sprache und den erkannten Text. Wählen Sie die gesprochene Sprache aus, wenn Sie sie kennen, oder lassen Sie das Modell sie identifizieren, wenn eine Sammlung unbekannte Sprachen enthält. Bewahren Sie die Kennung jeder Aufnahme zusammen mit ihrem Ergebnis auf, damit sich eine Transkription auf die richtige Quelle zurückführen lässt.
Bewahren Sie bei einer Sammlung von Sprachnotizen für jede Notiz ein separates Ergebnis auf und prüfen Sie Namen, Zahlen und unklare Formulierungen anhand der Aufnahme, bevor Sie den Text in Aufgaben oder eine Zusammenfassung umwandeln. Nutzen Sie bei einer gesprochenen Anleitung die Transkription, um Passagen zu finden und den Wortlaut jeder Anweisung zu prüfen. Hören Sie bei Gesang zur Überprüfung des Liedtexts auf die Gesangslinie, statt ein Wort allein deshalb zu akzeptieren, weil es im Lied sinnvoll erscheint. Dies sind Vorbereitungs- und Prüfschritte für das Textergebnis; Zusammenfassung, Übersetzung oder Interpretation der Transkription können als separate Vorgänge folgen.
Qwen3-ASR verwendet dasselbe Modell für Offline- und Streaming-Erkennung. Im Streaming-Beispiel des Herstellers aktualisieren eingehende Audioblöcke einen beibehaltenen Erkennungszustand, und ein Abschlussschritt liefert den vollständigen Text und die Sprache. Dies ermöglicht eine schrittweise Anzeige, die für eine laufende Transkription nützlich ist. Behandeln Sie die vorläufige Anzeige als aktuellen Erkennungsstand und bewahren Sie nach dem Ende der Aufnahme das endgültige Ergebnis auf. Halten Sie dabei die Audioquelle für Korrekturen verfügbar.
Die dokumentierte Streaming-Implementierung unterstützt in diesem Streaming-Ablauf weder Batch-Inferenz noch die Rückgabe von Zeitstempeln. Streaming-Text, eine Sammlung von Offline-Transkriptionen und die Vorbereitung zeitlich zugeordneter Untertitel sind daher unterschiedliche Herstellerabläufe. Die beispielhaften Blockgrößen und Token-Einstellungen des Herstellers veranschaulichen eine Implementierung; sie sind keine allgemeingültigen Zusagen zu Latenz, Parallelität oder Audiolänge. Wählen Sie den Ablauf danach, ob das nützliche Ergebnis während einer Aufnahme eintreffender Text, fertiger Text für eine Sammlung oder einer Zeitleiste zugeordneter Text sein soll.
Qwen3-ForcedAligner-0.6B ist ein separates Ausrichtungsmodell, obwohl es dieselbe Größenbezeichnung 0.6B wie diese ASR-Ausgabe trägt. Es verarbeitet ein Text-Audio-Paar und prognostiziert Start- und Endzeiten auf Wort- oder Zeichenebene. Das Offline-ASR-Toolkit des Herstellers kann es aufrufen, wenn Zeitstempel angefordert werden. Sein dokumentierter Sprachumfang umfasst Chinesisch, Englisch, Kantonesisch, Französisch, Deutsch, Italienisch, Japanisch, Koreanisch, Portugiesisch, Russisch und Spanisch; der angegebene Ausrichtungszeitraum beträgt bis zu fünf Minuten Sprache. Dieser engere Sprachumfang und die Dauer von fünf Minuten gehören zum Forced Alignment, nicht zur allgemeinen Transkriptionsabdeckung des ASR-Modells.
Bereiten Sie für Untertitel eine geprüfte Transkription in der Sprache der Aufnahme vor, richten Sie sie im unterstützten Ablauf zeitlich aus und kontrollieren Sie die Segmentgrenzen während der Wiedergabe der Quelle. Ein nutzbares Untertitelergebnis hält Wortlaut und Zeitangaben zusammen. Ist ein transkribiertes Wort falsch, korrigieren Sie den Wortlaut anhand des Audios, statt anzunehmen, dass eine Zeitspanne das Wort bestätigt. Diese Trennung macht deutlich, ob ein Problem bei der Erkennung, im bereitgestellten Text oder bei der Platzierung einer Untertitelgrenze liegt.
Die Qwen3-ASR-Familie unterstützt lange Aufnahmen. Ihre Inferenzbeispiele empfehlen, für längeres Audio mehr generierte Token zuzulassen. Stellen Sie daher sicher, dass die Transkription bis zum Ende der Aufnahme reicht und nicht durch ein Ausgabelimit abgeschnitten wurde. Die veröffentlichten Beispiele legen weder ein allgemeingültiges numerisches Kontextfenster noch eine maximale ASR-Aufnahmedauer fest. Halten Sie nützliche Abschnitte und ihre Quellpositionen zusammen, wenn Sie eine längere Aufnahme für die Prüfung organisieren. Prüfen Sie verdeckte Wörter, Sprachwechsel, überlappende Sprache, ungewöhnliche Namen und gesungene Silben anhand des Originaltons. Das praktische Ergebnis ist erkannter Text mit einer Sprachangabe, bereit für die Suche oder einen anschließenden Inhaltsschritt; bei Bedarf werden Zeitmarken über den separaten Ausrichtungsablauf ergänzt.
POST /v1/audio/transcriptionsaudiotext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3-asr-0.6b | 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— |
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, input_audio |
Parametermaterial_types | Vertragaudio |
Parametermaterial_conditions | VertragLesen Sie eine tatsächliche WAV-Datei ein und kodieren Sie ihre echten Bytes für das deklarierte JSON-Feld input_audio; für diese konkrete Deklaration ausschließlich mit JSON wird keine multipart-Route angeboten. |
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}
Die angezeigten Tarife dienen zur Kostenschätzung vor der Generierung. Der endgültige Betrag wird aus den für die ursprüngliche Generierung erfassten Kosten berechnet. Die gemessene Ausgabedauer und prognostizierte Mengen sind nicht die endgültige abrechenbare Menge.
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 | Prognostizierte Menge | Abrechnungseinheit | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Prognostizierte Menge— | Abrechnungseinheit— | Gebühr Eingabe · Eingabetoken · Schätzung nur zum Vergleich — / 1K Token Ausgabe · Ausgabetoken · Schätzung nur zum Vergleich — / 1K Token Eingabe · Cache-Lesen · Schätzung nur zum Vergleich — / 1K Token Eingabe · Cache-Schreiben · Schätzung nur zum Vergleich — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde · Schätzung nur zum Vergleich — / 1K Token |
| KonfigurationAudioeingabesekunde | Tarifstaffel— | Prognostizierte Menge— | Abrechnungseinheitpro Sekunde Eingabeaudio | Gebühr Eingabe · Audioeingabesekunde · Schätzung nur zum Vergleich $0.00000666 pro Sekunde Eingabeaudio |
| KonfigurationGeschätzte Generierungskosten | Tarifstaffel— | Prognostizierte MengeSchätzung für eine Generierung | Abrechnungseinheit— | Gebühr Ausgabe · Geschätzte Generierungskosten · Schätzung nur zum Vergleich $0.00000666 Schätzung vor der Generierung Diese Schätzung ist weder eine zusätzliche Gebühr noch ein fester Tarif für die abgeschlossene Generierung. |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_AUDIO_FILE:?Set the path to your actual WAV recording}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\nimport base64\naudio=Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()\nif not (audio[:4]==b'RIFF' and audio[8:12]==b'WAVE'): raise SystemExit('Supply an actual WAV audio file')\nif len(audio)>26214400: raise SystemExit('Use a documented supported large-file flow')\nrequest={'model': 'qwen/qwen3-asr-0.6b', 'input_audio': {'data': '${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 $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o response.bin\n# Keep the complete original response and headers. Read every returned segment, word and usage field.\n# Preserve actual operation/task/asset IDs; continue reads of the original result without resubmitting.\nGET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o owned-assets.json\n# Preserve every returned asset and follow its exact signed content URL. Do not construct a signed token.\nBewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Die vollständige Antwort und ihre Header, jede tatsächliche Ausgabe, die ursprünglich zurückgegebenen Kennungen und alle Nutzungsfelder aufbewahren. Den ursprünglichen Vorgang wiederaufnehmen, ohne die Erstellung erneut anzufordern.
Die zurückgegebene X-Client-Request-ID zum Abgleich aufbewahren. Nur tatsächlich zurückgegebene task_id-/asset_id-Werte oder die eigene Medienbibliothek abfragen; niemals eine Aufgaben-URL aus der Vorgangs-ID bilden und die Erstellung niemals erneut anfordern.
| Feld | Typ |
|---|---|
Feldtext | Typ |
Feldusage | Typ |
Feldsegments[] | Typ |
Feldwords[] | Typ |
Feldspeaker fields | Typ |
Feldtimestamps | Typ |
Ailoot Ultra qwen/qwen3-asr-0.6b
Verwenden Sie die oben angezeigten Methodenpfade.