OpenAI: GPT-4o Mini Transcribe

Το GPT-4o Mini Transcribe είναι το μοντέλο μετατροπής ομιλίας σε κείμενο της OpenAI που βασίζεται στο GPT-4o Mini. Μετατρέπει ήχο σε απομαγνητοφώνηση JSON, υποστηρίζει οδηγίες κειμένου για τη συγκεκριμένη ηχογράφηση και σταδιακά αποτελέσματα από αρχείο και μπορεί να επιστρέφει λογαριθμικές πιθανότητες tokens για στοχευμένο έλεγχο της απομαγνητοφώνησης.

Ailoot Ultra · Απομαγνητοφώνηση POST /v1/audio/transcriptions openai/gpt-4o-mini-transcribe

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.

Το GPT-4o Mini Transcribe είναι το μοντέλο μετατροπής ομιλίας σε κείμενο της OpenAI που βασίζεται στο GPT-4o Mini. Δέχεται ήχο με προαιρετική καθοδήγηση κειμένου και παράγει αναγνωρισμένο κείμενο. Είναι διαφορετικό μοντέλο από το GPT-4o Transcribe, που χρησιμοποιεί το GPT-4o, και από το νεότερο προφίλ GPT Transcribe με τα ξεχωριστά πεδία λέξεων-κλειδιών και πολυγλωσσικών υποδείξεων. Το χρήσιμο παραδοτέο εδώ είναι απομαγνητοφώνηση της αρχικής ομιλίας της ηχογράφησης, προετοιμασμένη για αναζήτηση, έλεγχο ή επόμενο βήμα επεξεργασίας περιεχομένου.

Προετοιμασία της ηχογράφησης

Ο οδηγός απομαγνητοφώνησης αρχείων της OpenAI δέχεται μεταφορτώσεις ήχου έως 25 MB. Η τρέχουσα αναφορά του τελικού σημείου αναφέρει FLAC, MP3, MP4, MPEG, MPGA, M4A, OGG, WAV και WebM, με επαρκή μεταδεδομένα ονόματος αρχείου και τύπου περιεχομένου για τον προσδιορισμό της μορφής ήχου. Μεγαλύτερες ηχογραφήσεις μπορούν να συμπιεστούν ή να χωριστούν σε μέρη των 25 MB ή λιγότερο. Διατηρήστε τα όρια των προτάσεων κατά τον διαχωρισμό και κρατήστε κάθε μέρος συσχετισμένο με την αρχική ηχογράφηση και τη θέση του, ώστε το κείμενο να μπορεί αργότερα να συναρμολογηθεί με τη σωστή σειρά.

Για φωνητικές σημειώσεις, διατηρήστε μια αναγνωρίσιμη απομαγνητοφώνηση ανά ηχογράφηση και ελέγξτε κάθε όνομα ή αριθμό πριν χρησιμοποιήσετε το κείμενο για τη δημιουργία εργασιών. Για έναν προφορικό οδηγό, συγκρίνετε την αναγνωρισμένη διατύπωση με τις αρχικές οδηγίες πριν την επεξεργαστείτε για δημοσίευση. Μια χρήσιμη περιγραφή προετοιμασίας προσδιορίζει την ομιλούμενη γλώσσα και τους όρους που διαφορετικά θα μπορούσαν να ακουστούν λανθασμένα. Η απομαγνητοφώνηση των λέξεων είναι το πρώτο βήμα· μια ερμηνεία, σύνοψη ή μετάφραση μπορεί να χρησιμοποιήσει την ελεγμένη απομαγνητοφώνηση στη συνέχεια.

Καθοδήγηση με οδηγίες και μία υπόδειξη γλώσσας

Οι υπάρχουσες ενσωματώσεις GPT-4o Mini Transcribe υποστηρίζουν ελεύθερα διατυπωμένες οδηγίες. Η OpenAI περιγράφει οδηγίες για ονόματα, ακρωνύμια, λεξιλόγιο της συγκεκριμένης ηχογράφησης, στίξη, χρήση κεφαλαίων, λεκτικά γεμίσματα και το προτιμώμενο σύστημα γραφής. Η αναφορά του τελικού σημείου δηλώνει ότι οι οδηγίες πρέπει να ταιριάζουν με τη γλώσσα του ήχου και μπορούν να μεταφέρουν συμφραζόμενα από προηγούμενο τμήμα ήχου. Συμπεριλάβετε σχετικές γραφές ή σύντομη περιγραφή του θέματος αντί να ζητάτε από οδηγίες απομαγνητοφώνησης να λειτουργήσουν ως απεριόριστες οδηγίες συνομιλίας.

Η καθιερωμένη υπόδειξη γλώσσας αυτού του μοντέλου χρησιμοποιεί το πεδίο language στον ενικό. Η αναφορά του παρόχου τεκμηριώνει κωδικό γλώσσας εισόδου ISO 639-1, όπως en. Τα ξεχωριστά πεδία keywords και languages στον πληθυντικό τεκμηριώνονται για το GPT Transcribe· δεν αποτελούν μέρος αυτού του προφίλ Mini. Για μια σειρά ηχογραφήσεων, διατηρήστε τη ρύθμιση της επιδιωκόμενης ομιλούμενης γλώσσας μαζί με κάθε είσοδο, αντί να την ερμηνεύετε ως αίτημα μετάφρασης του αποτελέσματος.

Αποτέλεσμα JSON και προαιρετικές πιθανότητες tokens

Η τρέχουσα αναφορά του τελικού σημείου τεκμηριώνει το JSON ως την υποστηριζόμενη μορφή απάντησης για το GPT-4o Mini Transcribe. Η αναγνωρισμένη διατύπωση εμφανίζεται στο πεδίο text. Όταν ζητηθούν, λογαριθμικές πιθανότητες tokens μπορούν να συνοδεύουν την απάντηση JSON· αυτές οι τιμές περιγράφουν τις πιθανότητες tokens του μοντέλου και μπορούν να βοηθήσουν στον εντοπισμό υλικού για προσεκτικότερο έλεγχο. Δεν αποδεικνύουν ότι ένα όνομα, αριθμός ή πρόταση αντιστοιχεί στον ήχο. Χρησιμοποιήστε την ηχογράφηση για να αποφασίσετε αν μια αμφίβολη λέξη πρέπει να διορθωθεί.

Το συνηθισμένο προφίλ απομαγνητοφώνησης Mini δεν παρέχει εγγενή έξοδο SRT, VTT, αναλυτικές χρονικές σημάνσεις λέξεων ή έξοδο με ετικέτες ομιλητών μέσω αυτής της προδιαγραφής JSON. Η OpenAI τεκμηριώνει εξειδικευμένα μοντέλα και μορφές για αυτές τις δυνατότητες. Αν το επιδιωκόμενο παραδοτέο είναι αρχείο υποτίτλων, διατηρήστε διαθέσιμη την ελεγμένη απομαγνητοφώνηση για ξεχωριστή ροή χρονισμού, αντί να θεωρείτε ότι ένα αποτέλεσμα μόνο κειμένου περιέχει ήδη όρια υποτίτλων.

Σταδιακή έξοδος αρχείου και τεκμηριωμένοι τρόποι λειτουργίας

Ο οδηγός μετατροπής ομιλίας σε κείμενο του παρόχου δηλώνει ρητά ότι οι υπάρχουσες ενσωματώσεις GPT-4o Mini Transcribe υποστηρίζουν συνεχή ροή από αρχεία. Μια ολοκληρωμένη ηχογράφηση μπορεί να παράγει μερικό κείμενο απομαγνητοφώνησης και έπειτα τελικό αποτέλεσμα καθώς γίνεται η επεξεργασία της. Διατηρήστε την τελική απομαγνητοφώνηση ως ολοκληρωμένο παραδοτέο· η εμφάνιση μερικού κειμένου δεν σημαίνει ότι η ροή αρχείων λαμβάνει συνεχώς ζωντανό ήχο μικροφώνου. Η κάρτα του μοντέλου αναφέρει χωριστά τις οικογένειες τελικών σημείων απομαγνητοφώνησης και Realtime. Αυτές οι διεπαφές του παρόχου δεν συνεπάγονται ότι κάθε πεδίο συνεδρίας ενός διαφορετικού μοντέλου απομαγνητοφώνησης εφαρμόζεται εδώ.

Συμφραζόμενα, όριο εξόδου και χρήσιμοι έλεγχοι

Η τρέχουσα προδιαγραφή μοντέλου της OpenAI αναφέρει παράθυρο συμφραζομένων 16.000 tokens, μέγιστη έξοδο 2.000 tokens και όριο γνώσεων την 1η Ιουνίου 2024. Αυτά είναι στοιχεία προδιαγραφής του μοντέλου, όχι καθολική διάρκεια σε λεπτά για μια ηχογράφηση. Ο κανόνας μεγέθους αρχείου και το όριο tokens περιγράφουν διαφορετικούς περιορισμούς. Για εκτενές υλικό, προετοιμάστε την ηχογράφηση γύρω από την τεκμηριωμένη ροή αρχείων, μεταφέρετε σχετικά συμφραζόμενα μεταξύ των μερών και ελέγξτε ότι το τελικό κείμενο περιλαμβάνει το τέλος της πηγής.

Ένα χρήσιμο αποτέλεσμα Mini Transcribe διατηρεί τη διατύπωση και τη σχέση της με την ηχογράφηση, με κάθε προαιρετικό δεδομένο πιθανοτήτων χωριστά από συντακτικές διορθώσεις. Ελέγξτε άγνωστο λεξιλόγιο, προφορές, θόρυβο περιβάλλοντος, αλλαγές γλώσσας και επικαλυπτόμενη ομιλία με διαθέσιμο τον αρχικό ήχο. Όταν αναθεωρείτε κείμενο για αναγνωσιμότητα, διακρίνετε αυτήν τη συντακτικά επεξεργασμένη έκδοση από την αναγνωρισμένη απομαγνητοφώνηση, ώστε οι μεταγενέστεροι χρήστες να μπορούν να ξεχωρίζουν ποια διατύπωση προήλθε από την ηχογράφηση και ποια άλλαξε κατά την προετοιμασία.

Ailoot Ultra · Απομαγνητοφώνηση POST /v1/audio/transcriptions openai/gpt-4o-mini-transcribe

openai/gpt-4o-mini-transcribe

OpenAI /openai/gpt-4o-mini-transcribe

Εισαγωγή

Αποδεκτές είσοδοι: Ήχος
Αποτελέσματα: Κείμενο

Διαθέσιμα στο Ailoot · είσοδοι και μέθοδοι

Ailoot Ultra · Απομαγνητοφώνηση POST /v1/audio/transcriptions

Είσοδος: audio
Έξοδος: text

Πεδίο	Τύπος	Απαίτηση	Τιμές και όρια	Προεπιλογή
Πεδίο`model`	Τύπος`string`	ΑπαίτησηΥποχρεωτικό	Τιμές και όρια openai/gpt-4o-mini-transcribe	Προεπιλογή—
Πεδίο`input_audio`	Τύπος`object`	ΑπαίτησηΥποχρεωτικό	Τιμές και όρια	Προεπιλογή—

Παράμετροι και κύκλος ζωής μεθόδου

Παράμετρος	Σύμβαση
Παράμετρος`content_type`	Σύμβασηapplication/json
Παράμετρος`required`	Σύμβασηmodel, input_audio
Παράμετρος`material_types`	Σύμβασηaudio
Παράμετρος`material_conditions`	ΣύμβασηΤο παράδειγμα διαβάζει το πραγματικό, μη κενό αρχείο PCM WAV σας, κωδικοποιεί όλα τα byte του αρχείου σε base64 και στέλνει το input_audio.format ως wav.

Κύκλος ζωής: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · ακριβές task_id από υπάρχουσα εγγραφή πολυμέσων που σας ανήκουν

GET /v1/media/assets/{asset_id}/content

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

Τιμολόγηση

Οι τιμολογιακές αναφορές δεν προσθέτουν επιλογές αιτήματος. Οι υποστηριζόμενες παράμετροι αναφέρονται στην επιλεγμένη μέθοδο.

Γρήγορη λειτουργία: Δεν έχει οριστεί Όταν επιλέγεται η γρήγορη λειτουργία
Λειτουργία flex: Δεν έχει οριστεί Όταν επιλέγεται η λειτουργία flex
Μέγιστη προσπάθεια συλλογισμού: Δεν έχει οριστεί Όταν η μέγιστη προσπάθεια συλλογισμού χρησιμοποιεί την προσαρμογή default

Χρεώσεις Ailoot

Τιμές ανά διαμόρφωση

Αντιστοιχίστε κάθε χρέωση στις συνθήκες που εμφανίζονται. Χρησιμοποιήστε μία χρέωση ανά σύνολο εναλλακτικών διαμορφώσεων.

Διαμόρφωση	Πίνακας χρεώσεων	Μονάδα τιμολόγησης	Χρέωση
ΔιαμόρφωσηΒασικές χρεώσεις token	Πίνακας χρεώσεωνΒασική χρέωση	Μονάδα τιμολόγησης—	Χρέωση Είσοδος · Token εισόδου — / 1K token Έξοδος · Token εξόδου — / 1K token Είσοδος · Ανάγνωση από την κρυφή μνήμη — / 1K token Είσοδος · Εγγραφή στην κρυφή μνήμη — / 1K token Είσοδος · Εγγραφή στην κρυφή μνήμη, 1 ώρα — / 1K token
Διαμόρφωσηtoken εισόδου	Πίνακας χρεώσεων—	Μονάδα τιμολόγησης/ 1K token	Χρέωση Είσοδος $0.0025 / 1K token
Διαμόρφωσηtoken εξόδου	Πίνακας χρεώσεων—	Μονάδα τιμολόγησης/ 1K token	Χρέωση Έξοδος $0.01 / 1K token

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 Ultra · Απομαγνητοφώνηση

curl · πραγματικό αρχείο WAV και πλήρες αρχικό αποτέλεσμα

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_AUDIO_FILE:?Set the path to your actual PCM WAV recording}"
export AILOOT_AUDIO_FILE
python3 - <<'PY_REQUEST'
import base64, io, json, os, wave
from pathlib import Path
audio = Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()
if not (audio[:4] == b'RIFF' and audio[8:12] == b'WAVE'):
    raise SystemExit('Supply your actual PCM WAV audio file')
with wave.open(io.BytesIO(audio), 'rb') as recording:
    if recording.getcomptype() != 'NONE' or recording.getnframes() <= 0:
        raise SystemExit('Supply a nonempty PCM WAV recording')
request = {'model': 'openai/gpt-4o-mini-transcribe', 'input_audio': {'data': base64.b64encode(audio).decode('ascii'), 'format': 'wav'}}
Path('request.json').write_text(json.dumps(request, ensure_ascii=False), encoding='utf-8')
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \
  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
  --data-binary @request.json -D response-headers.txt -o response.bin
# Retain the complete original response, headers and actual X-Client-Request-ID.
# Read existing owned records for recovery; do not resubmit an uncertain operation.

Λήψη και αποθήκευση αποτελεσμάτων

Ailoot Ultra · Απομαγνητοφώνηση

Ολόκληρο το αρχικό σώμα απόκρισης, η κατάσταση και οι προωθημένες κεφαλίδες. Αυτός ο χειριστής δεν προσθέτει καθολική δομή JSON, πεδίο κειμένου ή περίβλημα εργασίας.

GET /v1/media/tasks/{task_id}
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}

Διατηρήστε όλα τα ολοκληρωμένα αποτελέσματα

Διατηρήστε κάθε πλήρη απάντηση, αρχείο και τμήμα περιεχομένου που επιστρέφεται.

Διατηρήστε ολόκληρη την απόκριση και τις κεφαλίδες, κάθε πραγματικό αποτέλεσμα εξόδου, τα αρχικά αναγνωριστικά που επιστράφηκαν και όλα τα πεδία χρήσης. Ανακτήστε την αρχική λειτουργία χωρίς να υποβάλετε ξανά αίτημα δημιουργίας.

Αν χρειάζεται έλεγχος της αρχικής απάντησης

Διατηρήστε το πραγματικό X-Client-Request-ID και ολόκληρη την απόκριση. Διαβάστε τα αρχικά αρχεία πολυμέσων που σας ανήκουν και τα ακριβή υπογεγραμμένα URL περιεχομένου τους· μην επανυποβάλετε ποτέ αίτημα δημιουργίας με αβέβαιο αποτέλεσμα.

Πεδία απάντησης

Πεδίο	Τύπος
Πεδίο`text (when present)`	Τύπος
Πεδίο`usage (when present)`	Τύπος

Σφάλματα και επόμενα βήματα

Απάντηση	Συνθήκη	Επόμενο βήμα
Απάντηση400 · `invalid_request_error`	ΣυνθήκηΤο σώμα JSON ή το ρητό κανονικό ID μοντέλου δεν είναι έγκυρο.	Επόμενο βήμαΔιατηρήστε την απόκριση και διορθώστε το υποδεικνυόμενο πεδίο του αιτήματος.
Απάντηση401 · `authentication_error`	ΣυνθήκηΤο κλειδί API του Ailoot δεν είναι έγκυρο.	Επόμενο βήμαΧρησιμοποιήστε το εξουσιοδοτημένο κλειδί API του Ailoot σας.
Απάντηση403 · `permission_error`	ΣυνθήκηΗ ομάδα του κλειδιού δεν επιτρέπει πρόσβαση σε αυτή τη μέθοδο.	Επόμενο βήμαΔιατηρήστε τις λεπτομέρειες σφάλματος που επιστρέφονται.
Απάντηση404 · `not_found_error`	ΣυνθήκηΗ επιλεγμένη μέθοδος δεν έχει διαδρομή με άδεια πρόσβασης.	Επόμενο βήμαΔιατηρήστε τις λεπτομέρειες σφάλματος που επιστρέφονται.
Απάντηση422 · `price_unavailable`	ΣυνθήκηΤο αποδεκτό τιμολόγιο δεν μπορεί να λάβει την απαιτούμενη ποσότητα εισόδου ή το όριό της.	Επόμενο βήμαΔιατηρήστε την απόκριση· χρησιμοποιήστε την αναπαράσταση εισόδου που απαιτεί το αποδεκτό τιμολόγιο.
Απάντηση503 ·	ΣυνθήκηΟ απαιτούμενος χώρος αποθήκευσης, η διαδρομή, η τιμή μεθόδου ή η δέσμευση ποσού δεν είναι διαθέσιμα.	Επόμενο βήμαΔιατηρήστε ολόκληρη την αρχική απόκριση. Μια αβέβαιη δέσμευση ποσού δεν αποτελεί άδεια επανυποβολής.
Απάντηση502 · `server_error`	ΣυνθήκηΤο αρχικό αποτέλεσμα, η χρήση ή η εκκαθάριση απαιτεί έλεγχο.	Επόμενο βήμαΔιατηρήστε το πραγματικό ID αιτήματος και την αρχική απόκριση. Διαβάστε την υπάρχουσα εγγραφή που σας ανήκει· μην επανυποβάλετε αίτημα δημιουργίας.

Εναλλακτικά ονόματα

Εναλλακτικά ονόματα μοντέλου

Ailoot Ultra openai/gpt-4o-mini-transcribe

Εναλλακτικές διαδρομές μεθόδων

Χρησιμοποιήστε τις διαδρομές μεθόδων που εμφανίζονται παραπάνω.

Σχετικά ID μοντέλων

openai/gpt-4o-mini-transcribe

FAQ · OpenAI: GPT-4o Mini Transcribe

Ποιες είσοδοι και αποτελέσματα διατίθενται;: POST /v1/audio/transcriptions · openai/gpt-4o-mini-transcribe: audio → text
Ποια πεδία χρησιμοποιεί το αίτημα;: POST /v1/audio/transcriptions · openai/gpt-4o-mini-transcribe: model, input_audio

OpenAI: GPT-4o Mini Transcribe