asr-1.0
Το MiniMax ASR 1.0 μετατρέπει ήχο σε κείμενο, υποστηρίζει ρωσικά, διαχωρισμό ατάκων ανά ομιλητή και χρονικές σημάνσεις.
Σχετικά με το μοντέλο
Αυτή η περιγραφή καλύπτει τις δυνατότητες του μοντέλου. Οι είσοδοι, έξοδοι και επιλογές που διατίθενται στο Ailoot παρατίθενται παρακάτω για την επιλεγμένη μέθοδο.
Ηχογράφηση συνομιλίας σε κείμενο
Το MiniMax ASR 1.0 αναγνωρίζει ομιλία σε αρχείο ήχου. Ο κατασκευαστής περιγράφει χρήσεις για συναντήσεις, συνεντεύξεις, podcast, ηχητικό μέρος βίντεο, έλεγχο περιεχομένου και ανάλυση συνομιλιών. Το μοντέλο έχει προσαρμοστεί για προφορικό λόγο, θόρυβο και επαγγελματική ορολογία, με έμφαση στη μείωση επινοημένων αποσπασμάτων. Σε αυτή την κάρτα του Ailoot, η είσοδος είναι ήχος και το αποτέλεσμα κείμενο.
Γλώσσα και πολλοί συμμετέχοντες
Υποστηρίζονται ρωσικά και ουκρανικά, αγγλικά, γαλλικά, γερμανικά, ισπανικά, ιταλικά, πορτογαλικά και πολωνικά· επίσης κινεζικά, καντονέζικα, ιαπωνικά, κορεατικά, ταϊλανδικά, βιετναμικά, ινδονησιακά, μαλαϊκά, φιλιππινέζικα, αραβικά και τουρκικά. Αν δεν οριστεί γλώσσα, το μοντέλο ανιχνεύει αυτόματα την κύρια γλώσσα· ο κατασκευαστής περιγράφει χωριστά τον συνδυασμό κινεζικής και αγγλικής ομιλίας.
Στην εκτεταμένη παρουσίαση αποτελέσματος, το μοντέλο μπορεί να διακρίνει ομιλητές και να συνδέει τις ατάκες με τον χρόνο. Επιστρέφονται ο συνολικός αριθμός συμμετεχόντων και τμήματα με ετικέτα ομιλητή, αρχή, τέλος και κείμενο. Αυτό βοηθά να διαπιστωθεί ποιος και πότε είπε μια συγκεκριμένη τοποθέτηση, χωρίς ανάμειξη τοποθετήσεων διαφορετικών συμμετεχόντων.
Παρουσίαση αποτελέσματος
Ο κατασκευαστής προβλέπει κανονικό JSON με κείμενο και διάρκεια, εκτεταμένο verbose_json, καθώς και υπότιτλους SRT και WebVTT. Για χρονικές σημάνσεις χρησιμοποιείται από προεπιλογή επίπεδο πρότασης ή τμήματος. Σημάνσεις μεμονωμένων λέξεων περιγράφονται για τα αγγλικά και μεμονωμένων χαρακτήρων για τα κινεζικά· αυτές οι σημάνσεις αφορούν μορφές με χρονική ευθυγράμμιση.
Είναι δυνατή η σταδιακή έξοδος κειμένου, αλλά δεν μπορεί να συνδυαστεί με διαχωρισμό ομιλητών και μορφές υποτίτλων. Αυτή η λειτουργία επιστρέφει νέα αποσπάσματα αναγνωρισμένου κειμένου καθώς επεξεργάζεται το ήδη παρεχόμενο αρχείο. Πρόκειται για ροή αποτελέσματος και όχι συνεχή αποστολή ήχου από μικρόφωνο.
Απαιτήσεις ηχογράφησης
Οι δηλωμένες μορφές εισόδου είναι WAV, AIFF, FLAC, ALAC σε περιέκτη M4A, MP3, AAC, Opus και Ogg. Το αρχείο πρέπει να περιέχει το πολύ 500 δευτερόλεπτα ήχου και να έχει μέγεθος το πολύ 50 MB. Η υπέρβαση διάρκειας απορρίπτεται και δεν περικόπτεται απαρατήρητα. Το ακατέργαστο PCM χωρίς περιέκτη δεν υποστηρίζεται.
Για προετοιμασία της ηχογράφησης, ο κατασκευαστής συνιστά μονοφωνικό ήχο 16 kHz ή συμπιεσμένη μορφή ήχου: η υψηλή συχνότητα και ο στερεοφωνικός ήχος δεν χρειάζονται για αναγνώριση και αυξάνουν το μέγεθος αρχείου. Οι δυνατότητες εκτεταμένης εξόδου και επεξεργασίας σε ροή αφορούν το ASR 1.0· η διαθέσιμη μορφή απάντησης του συγκεκριμένου αιτήματος καθορίζεται από τα μέσα του Ailoot.
Ailoot · Ομιλία σε κείμενο POST /v1/audio/transcriptions asr-1.0
asr-1.0Εισαγωγή
Το MiniMax ASR 1.0 μετατρέπει ήχο σε κείμενο, υποστηρίζει ρωσικά, διαχωρισμό ατάκων ανά ομιλητή και χρονικές σημάνσεις.
- Αποδεκτές είσοδοι
- Ήχος
- Αποτελέσματα
- Κείμενο
Διαθέσιμα στο Ailoot · είσοδοι και μέθοδοι
Ailoot · Ομιλία σε κείμενο POST /v1/audio/transcriptions
- Είσοδος
audio- Έξοδος
text- Μορφή εξόδου
- json
| Πεδίο | Τύπος | Απαίτηση | Τιμές και όρια | Προεπιλογή |
|---|---|---|---|---|
Πεδίοmodel | Τύποςstring | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια asr-1.0 | Προεπιλογή— |
Πεδίοfile | Τύποςfile | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια Μέγιστο πλήθος byte: 52.428.800 Μορφές αρχείων: wav, mp3, m4a, ogg, webm, flac Τύπος περιεχομένου: multipart/form-data Μέγιστη διάρκεια (αποκλειστική), δευτερόλεπτα: 500 | Προεπιλογή— |
Πεδίοresponse_format | Τύποςstring | ΑπαίτησηΠροαιρετικό | Τιμές και όρια json | Προεπιλογή— |
Συνδυασμοί υλικών εισόδου
speech_to_text · Υποχρεωτικό: actual audio file
Παράμετροι και κύκλος ζωής μεθόδου
| Παράμετρος | Σύμβαση |
|---|---|
Παράμετροςmaterial_types | Σύμβασηaudio |
Παράμετροςrequired | Σύμβασηnull |
Παράμετροςoptional_controls | Σύμβασηnull |
Κύκλος ζωής: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · Το πραγματικό task_id που επιστράφηκε ή μια εγγραφή στη βιβλιοθήκη πολυμέσων
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Οι δομές και τα ID των μεθόδων είναι ακριβή· η δυνατότητα του προμηθευτή είναι ξεχωριστή από την αποδοχή αιτημάτων.
Τιμολόγηση
Χρεώσεις μεθόδων Ailoot
POST /v1/audio/transcriptions- Είσοδος
- 0,38 $ ανά ώρα ήχου
Το Ailoot δεσμεύει ένα εκτιμώμενο ποσό πριν από το αίτημα. Μετά το αποτέλεσμα, εκκαθαρίζει την τελική χρέωση βάσει της μετρημένης χρήσης. Η εκκαθάριση ροής χρησιμοποιεί την τελική καταγραφή χρήσης. Πώς λειτουργούν η δέσμευση και η εκκαθάριση →
Παραδείγματα αιτημάτων
Ailoot · Ομιλία σε κείμενο
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_AUDIO_FILE:?Set your actual MP3 recording}"
export AILOOT_AUDIO_FILE
python3 - <<'PY_REQUEST'
import os
from pathlib import Path
f=Path(os.environ["AILOOT_AUDIO_FILE"])
if not f.is_file() or f.suffix.lower()!=".mp3":raise SystemExit("Choose your actual MP3 recording")
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \
-H "Authorization: Bearer $AILOOT_API_KEY" \
--form-string model=asr-1.0 -F "file=@$AILOOT_AUDIO_FILE" \
-D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
print(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))
PY_RESULT
Λήψη και αποθήκευση αποτελεσμάτων
Ailoot · Ομιλία σε κείμενο
json
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
Διατηρήστε όλα τα ολοκληρωμένα αποτελέσματα
Διατηρήστε κάθε πλήρη απάντηση, αρχείο και τμήμα περιεχομένου που επιστρέφεται.
Διατηρήστε ολόκληρο το JSON, όχι μόνο το κείμενο· διατηρήστε κάθε διαθέσιμο τμήμα, ομιλητή, χρονική σήμανση και πραγματική ταυτότητα εργασίας ή αρχείου πολυμέσων.
Αν χρειάζεται έλεγχος της αρχικής απάντησης
Διατηρήστε το αρχικό operation_id/X-Client-Request-ID για τη συμφωνία των εγγραφών χωρίς νέα υποβολή· δεν υπάρχει ειδική διαδρομή περιοδικού ελέγχου για τον ήχο.
Πεδία απάντησης
| Πεδίο | Τύπος |
|---|---|
Πεδίοtext | Τύποςstring |
Πεδίοsegments[] | Τύποςobject |
Πεδίοtask_id | Τύποςstring |
Πεδίοasset_url | Τύποςstring |
Πεδίοusage | Τύποςobject |
Σφάλματα και επόμενα βήματα
| Απάντηση | Συνθήκη | Επόμενο βήμα |
|---|---|---|
Απάντηση400 · invalid_request_error | ΣυνθήκηΜη έγκυρα υποχρεωτικά πεδία, μη έγκυρη αναπαράσταση υλικού ή μη έγκυρη τιμή παραμέτρου | Επόμενο βήμαΔιορθώστε τα υποδεικνυόμενα πεδία πριν από νέο αίτημα δημιουργίας. |
Απάντησηserver_error | ΣυνθήκηΗ απόκριση που επιστράφηκε αναφέρει ότι η λειτουργία ή το αποτέλεσμα χρειάζεται έλεγχο | Επόμενο βήμαΔιατηρήστε το αρχικό ID της λειτουργίας/εργασίας που επιστράφηκε, τις κεφαλίδες του αιτήματος και την απόκριση· συνεχίστε με τις υποστηριζόμενες αναγνώσεις αυτής της αρχικής λειτουργίας. Μην υποβάλετε ξανά το αίτημα δημιουργίας. |
Εναλλακτικά ονόματα
Εναλλακτικά ονόματα μοντέλου
Ailoot asr-1.0
Εναλλακτικές διαδρομές μεθόδων
Χρησιμοποιήστε τις διαδρομές μεθόδων που εμφανίζονται παραπάνω.
Σχετικά ID μοντέλων
FAQ · asr-1.0
- Ποιες είσοδοι και αποτελέσματα διατίθενται;
POST /v1/audio/transcriptions·asr-1.0:audio→text- Ποια πεδία χρησιμοποιεί το αίτημα;
POST /v1/audio/transcriptions·asr-1.0:model,file,response_format