gpt-4o-transcribe-diarize

Το GPT-4o Transcribe Diarize μετατρέπει ηχογραφημένη ομιλία σε κείμενο με τμήματα που φέρουν ετικέτες ομιλητών και χρονικές σημάνσεις. Ταιριάζει σε συναντήσεις, συνεντεύξεις και ηχογραφήσεις πολλών ατόμων όπου η απομαγνητοφώνηση πρέπει να δείχνει ποιος μίλησε πότε, με προαιρετικές σύντομες φωνητικές αναφορές για γνωστούς ομιλητές.

Ailoot Ultra · Αναγνώριση ομιλίας POST /v1/audio/transcriptions openai/gpt-4o-transcribe-diarize

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 Transcribe Diarize είναι το μοντέλο αυτόματης αναγνώρισης ομιλίας της OpenAI με ενσωματωμένη διάκριση ομιλητών. Συσχετίζει απομαγνητοφωνημένα τμήματα ήχου με διαφορετικούς ομιλητές σε μια συνομιλία. Το χρήσιμο αποτέλεσμα είναι μια απομαγνητοφώνηση οργανωμένη ανά ομιλητή και χρόνο, αντί μόνο ενός συνεχούς συνόλου λέξεων. Προορίζεται για ηχογραφημένη ομιλία που χρειάζεται ετικέτες ομιλητών, όπως μια συνάντηση, συνέντευξη ή συζήτηση πολλών ατόμων.

Προετοιμάστε την ολοκληρωμένη ηχογράφηση

Δώστε την ηχογράφηση που πρέπει να απομαγνητοφωνηθεί. Η τεκμηριωμένη ροή αρχείων δέχεται MP3, MP4, MPEG, MPGA, M4A, WAV και WebM, με όριο μεγέθους αρχείου 25 MB. Διατηρήστε διαθέσιμη την αρχική ηχογράφηση, ώστε μια εναλλαγή ομιλητή, ένα όνομα ή μια ασαφής φράση να μπορεί να ελεγχθεί έναντι του πραγματικού ήχου.

Για μια συνάντηση, διατηρήστε τη σειρά της συνομιλίας αντί να αφαιρείτε τις μικρές παύσεις που βοηθούν στη διάκριση των εναλλαγών. Για μια συνέντευξη, διατηρήστε την ερώτηση και την απάντηση μαζί όταν η εργασία χρειάζεται τη σχέση τους. Η προετοιμασία του ήχου πρέπει να κάνει την ομιλία ευδιάκριτη χωρίς να αφαιρεί πληροφορίες σημαντικές για το αποτέλεσμα με ετικέτες ομιλητών.

Αυτή είναι ροή απομαγνητοφώνησης αρχείων. Η επεξεργασία μιας ολοκληρωμένης ηχογράφησης και η αναγνώριση μιας ροής ήχου που εξακολουθεί να φτάνει είναι διαφορετικές εργασίες· οι ετικέτες ομιλητών του μοντέλου δεν υποστηρίζονται σε συνεδρίες απομαγνητοφώνησης Realtime.

Ζητήστε απομαγνητοφώνηση με ετικέτες ομιλητών

Η μορφή αποτελέσματος diarized_json επιστρέφει τμήματα με ετικέτες ταυτότητας ομιλητή και χρονικές σημάνσεις έναρξης και λήξης. Κάθε τμήμα περιέχει επίσης το απομαγνητοφωνημένο κείμενό του. Διατηρήστε αυτά τα πεδία μαζί, ώστε οι λέξεις να μπορούν να συνδεθούν με το σχετικό μέρος της ηχογράφησης.

Για μια χρήσιμη απομαγνητοφώνηση συνάντησης, διατηρήστε τη σειρά των τμημάτων και εμφανίστε τα λόγια κάθε ομιλητή με τις χρονικές σημάνσεις τους. Μια μεταγενέστερη εργασία μπορεί να χρησιμοποιήσει αυτήν την απομαγνητοφώνηση για να προετοιμάσει πρακτικά ή ενέργειες προς εκτέλεση, αλλά η διάκριση ομιλητών από μόνη της δεν αποφασίζει τι συμφώνησε η συνάντηση ούτε παράγει επαληθευμένη σύνοψη.

Οι ετικέτες ομιλητών περιγράφουν την ομαδοποίηση της ομιλίας από το μοντέλο. Εξετάστε τις μεταβάσεις όπου οι άνθρωποι διακόπτουν ο ένας τον άλλο, μιλούν σύντομα ή επικαλύπτονται. Ένα καλά δομημένο αποτέλεσμα βοηθά στην πλοήγηση και στον έλεγχο, ενώ μια συγκεκριμένη απόδοση λόγων σε ομιλητή μπορεί να εξακολουθεί να χρειάζεται ακρόαση του αρχικού ήχου.

Αναφορές γνωστών ομιλητών

Η τεκμηριωμένη ροή μπορεί να δεχτεί έως τέσσερις αναφορές ομιλητών με ονόματα. Κάθε αναφορά είναι ένα σύντομο απόσπασμα ήχου 2–10 δευτερολέπτων σε μορφή που υποστηρίζεται από την κύρια μεταφόρτωση. Τα ονόματα και οι αναφορές δίνονται μαζί, ώστε τα τμήματα να μπορούν να συσχετιστούν με γνωστούς ομιλητές.

Προετοιμάστε μια αναφορά που περιέχει καθαρά τον επιδιωκόμενο ομιλητή και διατηρήστε το όνομά της συνεπές με τις επιδιωκόμενες ετικέτες της απομαγνητοφώνησης. Για μια συνέντευξη, μια αναφορά του παρουσιαστή μπορεί να βοηθήσει στην οργάνωση του αποτελέσματος με ετικέτες ομιλητών χωρίς να μετατρέπει κάθε συμμετέχοντα σε ανώνυμη ετικέτα. Η αναφορά είναι είσοδος για την απόδοση των τμημάτων στους ομιλητές· δεν είναι γενική λειτουργία κλωνοποίησης φωνής ούτε απόδειξη της ταυτότητας ενός προσώπου.

Μη συγχέετε την ονομασία ενός ομιλητή με την επεξεργασία των λέξεων που ειπώθηκαν. Η χρήσιμη έξοδος εξακολουθεί να χρειάζεται διατήρηση του περιεχομένου της ηχογράφησης και της πραγματικής σειράς των εναλλαγών.

Τμηματοποίηση και όρια μοντέλου

Για ήχο μεγαλύτερο από 30 δευτερόλεπτα, ο πάροχος απαιτεί στρατηγική τμηματοποίησης, είτε αυτόματη τμηματοποίηση είτε διαμόρφωση ανίχνευσης δραστηριότητας φωνής. Αυτή η απαίτηση δεν είναι μέγιστη διάρκεια ηχογράφησης. Περιγράφει πώς διαιρείται η μεγαλύτερη είσοδος για επεξεργασία.

Η κάρτα του μοντέλου αναφέρει παράθυρο συμφραζομένων 16.000 tokens και μέγιστη έξοδο 2.000 tokens. Αυτά είναι όρια tokens του μοντέλου, χωριστά από το όριο μεταφόρτωσης 25 MB της ροής αρχείων και το κατώφλι τμηματοποίησης. Δεν πρέπει να μετατραπούν σε επινοημένο αριθμό λεπτών που εφαρμόζεται σε κάθε ηχογράφηση.

Διατηρήστε τις χρονικές σημάνσεις και την ταυτότητα των τμημάτων όταν συνθέτετε ή εξετάζετε μια μεγαλύτερη απομαγνητοφώνηση. Αν μια ηχογράφηση έχει χωριστεί πριν από την υποβολή, διατηρήστε τη σχέση κάθε μέρους με τον αρχικό ήχο, ώστε μια τοπική χρονική σήμανση να μη συγχέεται με τη θέση της στην πλήρη συνομιλία.

Συνεχής ροή οριστικοποιημένων τμημάτων

Η ροή απομαγνητοφώνησης αρχείων μπορεί να μεταδίδει κείμενο σταδιακά ενώ γίνεται η επεξεργασία της ηχογράφησης. Στη συνεχή ροή με ετικέτες ομιλητών, τα ολοκληρωμένα τμήματα παράγουν συμβάντα τμημάτων. Οι σταδιακές προσθήκες κειμένου περιλαμβάνουν αναγνωριστικό τμήματος, αλλά δεν περιέχουν ενδιάμεσες αναθέσεις σε ομιλητές· ο ομιλητής ανατίθεται όταν οριστικοποιείται το τμήμα.

Αυτή η διάκριση έχει σημασία για την παρουσίαση. Εμφανίστε το προσωρινό κείμενο και την οριστικοποιημένη εναλλαγή ομιλητή ως διαφορετικές καταστάσεις, αντί να προσθέτετε αβέβαιη ετικέτα ομιλητή πριν το μοντέλο ολοκληρώσει το τμήμα. Διατηρήστε το ολοκληρωμένο αποτέλεσμα όταν η απομαγνητοφώνηση χρειάζεται για μεταγενέστερη επεξεργασία ή ανάλυση.

Όρια μοντέλου και εξόδου

Αυτό το προφίλ είναι το μοντέλο διάκρισης ομιλητών, χωριστά από τη συνηθισμένη απομαγνητοφώνηση GPT-4o, την απομαγνητοφώνηση Mini, τη σύνθεση ομιλίας και τα μοντέλα ζωντανής συνομιλίας. Δεν υποστηρίζει οδηγίες απομαγνητοφώνησης· διατηρήστε κάθε έλεγχο ή διόρθωση ορολογίας ως ξεχωριστό βήμα που ελέγχεται έναντι του αρχικού ήχου. Η διεπαφή του παρόχου του αφορά την απομαγνητοφώνηση ηχογραφημένου ήχου σε κείμενο. Δεν παράγει ηχητική απάντηση ούτε μεταφράζει μια ηχογράφηση μέσω της ξεχωριστής ροής μετάφρασης ήχου.

Χρησιμοποιήστε το για απομαγνητοφωνήσεις που χρειάζονται τόσο περιεχόμενο όσο και δομή ομιλητών. Ελέγξτε ονόματα, τεχνικούς όρους, αριθμούς, όρια εναλλαγών και αποδόσεις λόγων σε ομιλητές έναντι της ηχογράφησης. Διατηρήστε τον ήχο, την επιλεγμένη μορφή αποτελέσματος, τις αναφορές και την ολοκληρωμένη απομαγνητοφώνηση, ώστε μια διόρθωση να μπορεί να αφορά μια συγκεκριμένη φράση ή ανάθεση ομιλητή.

Ailoot Ultra · Αναγνώριση ομιλίας POST /v1/audio/transcriptions openai/gpt-4o-transcribe-diarize

openai/gpt-4o-transcribe-diarize

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

Εισαγωγή

Αποδεκτές είσοδοι: Ήχος
Αποτελέσματα: transcription

Διαθέσιμα στο Ailoot · είσοδοι και μέθοδοι

Ailoot Ultra · Αναγνώριση ομιλίας POST /v1/audio/transcriptions

Είσοδος: audio
Έξοδος: transcription
Μορφή εξόδου: json

Πεδίο	Τύπος	Απαίτηση	Τιμές και όρια	Προεπιλογή
Πεδίο`model`	Τύπος`string`	ΑπαίτησηΥποχρεωτικό	Τιμές και όρια openai/gpt-4o-transcribe-diarize	Προεπιλογή—
Πεδίο`file`	Τύπος`file`	ΑπαίτησηΥποχρεωτικό	Τιμές και όρια Μέγιστο πλήθος byte: 26.214.400 Τύποι MIME: audio/mpeg Επέκταση αρχείου: .mp3 Μέγιστη διάρκεια, δευτερόλεπτα: 30	Προεπιλογή—
Πεδίο`response_format`	Τύπος`string`	ΑπαίτησηΥποχρεωτικό	Τιμές και όρια diarized_json	Προεπιλογή—

Συνδυασμοί υλικών εισόδου

diarized_transcription

Παράμετροι και κύκλος ζωής μεθόδου

Παράμετρος	Σύμβαση
Παράμετρος`content_type`	Σύμβασηmultipart/form-data
Παράμετρος`required`	Σύμβασηmodel, file, response_format
Παράμετρος`file_formats`	Σύμβασηmp3
Παράμετρος`max_audio_seconds`	Σύμβαση30
Παράμετρος`max_bytes`	Σύμβαση26214400
Παράμετρος`response_format`	Σύμβασηdiarized_json
Παράμετρος`other_options`	Σύμβασηfalse
Παράμετρος`material_types`	Σύμβασηaudio
Παράμετρος`additional_properties`	Σύμβασηfalse
Παράμετρος`form_string_maximum_bytes`	Σύμβαση256

Εναλλακτικά ονόματα μεθόδου: /audio/transcriptions

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}

Χρησιμοποιήστε πραγματική ηχογράφηση και αντίστοιχη μορφή.

Διατηρήστε ολόκληρη την απομαγνητοφώνηση, τα τμήματα, τα ID ομιλητών και τους χρόνους.

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
ΔιαμόρφωσηUltra	Πίνακας χρεώσεων—	Μονάδα τιμολόγησης/ 1K token ήχου	Χρέωση Είσοδος · token ήχου εισόδου $0.012 / 1K token ήχου
ΔιαμόρφωσηUltra	Πίνακας χρεώσεων—	Μονάδα τιμολόγησης/ 1K token ήχου	Χρέωση Έξοδος · token ήχου εξόδου $0.02 / 1K token 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 Ultra · Αναγνώριση ομιλίας

curl · ακριβές διατηρημένο αίτημα δημιουργίας

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_AUDIO_FILE:?Set the path to your actual MP3 recording}"
export AILOOT_AUDIO_FILE
python3 - <<'PY_REQUEST'
import os
from pathlib import Path
p=Path(os.environ["AILOOT_AUDIO_FILE"])
if not p.is_file() or p.suffix.lower()!=".mp3":raise SystemExit("Choose an existing MP3 recording")
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \
  -H "Authorization: Bearer $AILOOT_API_KEY" \
  --form-string model=openai/gpt-4o-transcribe-diarize -F "file=@$AILOOT_AUDIO_FILE" --form-string response_format=diarized_json \
  -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())))
PY_RESULT

Λήψη και αποθήκευση αποτελεσμάτων

Ailoot Ultra · Αναγνώριση ομιλίας

json

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

Άλλες ανακτήσεις περιεχομένου

Αποθηκεύστε κάθε απομαγνητοφώνηση που επιστρέφεται και σας ανήκειΒιβλιοθήκη πολυμέσωνΚατάσταση εργασίαςΣτοιχεία αρχείου

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
export AILOOT_API_KEY
python3 - <<'PY_ASSETS'
import json,os,subprocess
from pathlib import Path
from urllib.parse import urljoin,urlsplit
r=json.loads(Path('result.json').read_text())
urls=[]
if isinstance(r.get('asset_url'),str) and r['asset_url']:urls.append(('transcript',r['asset_url']))
for label,path in urls:
    u=urljoin('https://api.ailoot.ai',path);z=urlsplit(u)
    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')
    target=Path('owned-'+label+'.bin')
    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)
print('All returned owned URLs saved; complete metadata, timing and usage remain in the JSON.')
PY_ASSETS

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \
  -H "Authorization: Bearer $AILOOT_API_KEY" -o media-assets.json

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_MEDIA_TASK_ID:?Set the actual ID returned by the response or media-library metadata}"
export AILOOT_MEDIA_TASK_ID
resource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_MEDIA_TASK_ID"],safe=""))')
curl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/tasks/$resource_id" \
  -H "Authorization: Bearer $AILOOT_API_KEY" -o media-task.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
print(json.dumps(json.loads(Path("media-task.json").read_text())))
PY_RESULT

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_ASSET_ID:?Set the actual ID returned by the response or media-library metadata}"
export AILOOT_ASSET_ID
resource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_ASSET_ID"],safe=""))')
curl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/assets/$resource_id" \
  -H "Authorization: Bearer $AILOOT_API_KEY" -o media-asset.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
print(json.dumps(json.loads(Path("media-asset.json").read_text())))
PY_RESULT

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
Πεδίο`text`	Τύποςstring
Πεδίο`segments[]`	Τύποςobject
Πεδίο`task_id`	Τύποςstring
Πεδίο`asset_url`	Τύποςstring
Πεδίο`usage`	Τύποςobject
Πεδίο`segments[].speaker`	Τύποςstring
Πεδίο`segments[].start`	Τύποςnumber
Πεδίο`segments[].end`	Τύποςnumber

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.
Απάντηση`server_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 Ultra openai/gpt-4o-transcribe-diarize

Εναλλακτικές διαδρομές μεθόδων

/audio/transcriptions

Σχετικά ID μοντέλων

openai/gpt-4o-transcribe-diarize

FAQ · gpt-4o-transcribe-diarize

Ποιες είσοδοι και αποτελέσματα διατίθενται;: POST /v1/audio/transcriptions · openai/gpt-4o-transcribe-diarize: audio → transcription
Ποια πεδία χρησιμοποιεί το αίτημα;: POST /v1/audio/transcriptions · openai/gpt-4o-transcribe-diarize: model, file, response_format

gpt-4o-transcribe-diarize