Το GPT Transcribe είναι το μοντέλο μετατροπής ομιλίας σε κείμενο της OpenAI για ολοκληρωμένα αρχεία ήχου, μεταγραφές αρχείων με σταδιακή ροή και οριστικοποιημένους ηχητικούς γύρους σε συνεδρίες Realtime. Δέχεται ήχο με προαιρετικό κειμενικό πλαίσιο και επιστρέφει αναγνωρισμένο κείμενο. Ο παραγωγός το προορίζει για ακριβή μεταγραφή ηχογραφημένης ομιλίας στην αρχική της γλώσσα, συμπεριλαμβανομένων ειδικής ορολογίας, πολυγλωσσικών ηχογραφήσεων και εναλλαγής γλωσσών. Η χρήσιμη έξοδός του είναι μεταγραφή που παραμένει συνδεδεμένη με την ηχογράφηση, μαζί με μεταδεδομένα ανιχνευμένης γλώσσας όταν το μοντέλο μπορεί να κάνει αξιόπιστη πρόβλεψη.
Η ροή μεταγραφής αρχείων της OpenAI δέχεται ανεβάσματα έως 25 MB. Η τρέχουσα αναφορά τεκμηρίωσης του τελικού σημείου αναφέρει μορφές εισόδου FLAC, MP3, MP4, MPEG, MPGA, M4A, OGG, WAV και WebM και συνιστά επαρκή μεταδεδομένα αρχείου για αναγνώριση της μορφής, μαζί με κατάλληλη επέκταση ονόματος αρχείου και τύπο περιεχομένου. Για μεγαλύτερη ηχογράφηση, ο οδηγός συνιστά συμπίεση ή διαίρεση σε αρχεία έως 25 MB. Απόφυγε να κόβεις στη μέση πρότασης, επειδή η αφαίρεση της γύρω ομιλίας μπορεί να μειώσει την ακρίβεια αναγνώρισης. Κράτησε τα κομμάτια με τη σειρά και διατήρησε τις θέσεις τους στην αρχική ηχογράφηση.
Για συνάντηση, συνέντευξη ή ηχογραφημένη παρουσίαση, δώσε τον πραγματικό ήχο και προσδιόρισε το θέμα και κάθε ορολογία που είναι πιθανό να ακουστεί. Χρήσιμο αποτέλεσμα είναι η αναγνωρισμένη διατύπωση, αντί για συμπέρασμα που συνοψίζει τη συζήτηση. Διατήρησε το αναγνωριστικό ηχογράφησης μαζί με το επιστρεφόμενο κείμενο, ώστε όποιος ελέγχει όνομα, αριθμό ή αβέβαιη φράση να μπορεί να επιστρέψει στη σωστή πηγή. Η μεταγραφή μπορεί κατόπιν να αποτελέσει υλικό για ξεχωριστή ροή σύνοψης, μετάφρασης ή επιμέλειας.
Ο παραγωγός διακρίνει τρία είδη καθοδήγησης. Οι οδηγίες δίνουν ελεύθερο πλαίσιο για το θέμα ή το περιβάλλον της ηχογράφησης. Οι λέξεις-κλειδιά δίνουν κυριολεκτικές λέξεις ή φράσεις που αναμένεται να ακουστούν. Μια λίστα languages προσδιορίζει τις αναμενόμενες γλώσσες ομιλίας. Για δίγλωσση συζήτηση προϊόντος, περιέγραψε το περιβάλλον στις οδηγίες, παράθεσε τα σχετικά ονόματα προϊόντων ως λέξεις-κλειδιά και δώσε τις αναμενόμενες γλώσσες. Πρόκειται για υποδείξεις αναγνώρισης· δεν είναι οδηγίες εισαγωγής λεξιλογίου που δεν είπε κανείς.
Το GPT Transcribe χρησιμοποιεί το πεδίο languages στον πληθυντικό αντί για το παλαιότερο πεδίο language στον ενικό· η OpenAI αναφέρει να μην αποστέλλονται και τα δύο. Ο οδηγός του δέχεται υποστηριζόμενους κωδικούς ISO 639-1, επιλεγμένους κωδικούς ISO 639-3 και τοπικούς κωδικούς κινεζικών, απορρίπτοντας μη υποστηριζόμενες ή κακοσχηματισμένες τιμές. Κάθε λέξη-κλειδί πρέπει να παραμένει σε μία γραμμή και να μην περιέχει γωνιακή αγκύλη, χαρακτήρα επιστροφής στην αρχή της γραμμής ή αλλαγής γραμμής. Μη έγκυρη λέξη-κλειδί ή υπερβολικά μεγάλες οδηγίες μπορούν να απορρίψουν ολόκληρο το αίτημα. Κράτησε το πλαίσιο σχετικό και έλεγξε αν τα υποδεικνυόμενα ονόματα εμφανίζονται πραγματικά στον ήχο, αντί να αντιμετωπίζεις τη λίστα υποδείξεων ως μεταγραφή.
Το τεκμηριωμένο αποτέλεσμα αρχείου είναι JSON που περιέχει τη μεταγραφή και τις ανιχνευμένες γλώσσες. Αυτές οι προβλέψεις γλώσσας είναι έξοδος του μοντέλου, όχι αντίγραφο των παρεχόμενων γλωσσικών υποδείξεων. Μια κενή λίστα γλωσσών είναι έγκυρο αποτέλεσμα όταν το μοντέλο δεν μπορεί να κάνει αξιόπιστη πρόβλεψη· δεν τεκμηριώνει ότι η ηχογράφηση ήταν σιωπηλή ή ότι απέτυχε η μεταγραφή. Κράτησε το αναγνωρισμένο κείμενο και τα γλωσσικά μεταδεδομένα ξεχωριστά, ώστε η επόμενη επεξεργασία να χρησιμοποιεί το καθένα σύμφωνα με τη σημασία του.
Ένα ολοκληρωμένο αρχείο μπορεί να παράγει κείμενο μεταγραφής σταδιακά όσο επεξεργάζεται. Η OpenAI τεκμηριώνει συμβάντα transcript.text.delta για μερικό κείμενο και transcript.text.done για την πλήρη μεταγραφή αρχείου· το τελικό συμβάν περιλαμβάνει επίσης ανιχνευμένες γλώσσες. Αυτό μεταδίδει σταδιακά την έξοδο μιας ήδη παρεχόμενης ηχογράφησης. Χρησιμεύει για εμφάνιση προόδου σε μεγάλο ανέβασμα, ενώ το τελικό συμβάν ορίζει το κείμενο που πρέπει να διατηρηθεί ως ολοκληρωμένο αποτέλεσμα.
Το GPT Transcribe έχει επίσης ειδική ροή Realtime μέσω WebSocket. Ο ήχος προστίθεται στην προσωρινή μνήμη εισόδου και μετά η εφαρμογή οριστικοποιεί ρητά έναν ηχητικό γύρο. Η μεταγραφή αρχίζει για αυτό το οριστικοποιημένο τμήμα και μπορεί να εκπέμπει σταδιακές ενημερώσεις πριν από το συμβάν ολοκλήρωσής του, μαζί με πληροφορίες ανιχνευμένης γλώσσας. Το μοντέλο χρησιμοποιεί αυτόματα προηγούμενους μεταγραμμένους γύρους ως συμφραζόμενα σε αυτή τη ροή συνεδρίας του παραγωγού. Αυτό διαφέρει από τη συνεχή εκπομπή ζωντανού κειμένου υποτίτλων καθώς φτάνει ήχος μικροφώνου· η OpenAI ονομάζει το GPT Live Transcribe για αυτή τη συνεχή ροή.
Για πολλούς γύρους, διατήρησε το αναγνωριστικό στοιχείου εισόδου μαζί με την αντίστοιχη μεταγραφή. Η OpenAI προειδοποιεί ότι τα συμβάντα ολοκλήρωσης διαφορετικών γύρων δεν χρειάζεται να φτάνουν με τη σειρά της ομιλίας, οπότε αντιστοίχισε κάθε τελικό αποτέλεσμα με την οριστικοποιημένη είσοδό του, αντί να οργανώνεις μια συνομιλία μόνο βάσει χρόνου ολοκλήρωσης. Το χρήσιμο παραδοτέο είναι ταξινομημένη μεταγραφή συναρμολογημένη από τα σωστά τελικά στοιχεία, με το προσωρινό κείμενο ως πρόοδο και όχι ως ξεχωριστή ολοκληρωμένη εκφώνηση.
Αυτό το προφίλ δεν παρέχει καθολικές προδιαγραφές υποτίτλων, χρονικών σημάνσεων, μετάφρασης ή ετικετών ομιλητών. Ο οδηγός μετάβασης της OpenAI διακρίνει αυτές τις ειδικές δυνατότητες: οι εγγενείς μορφές υποτίτλων και ο χρονισμός λέξεων απαιτούν συμβατό μοντέλο και μορφή, ενώ οι ετικέτες ομιλητών χρησιμοποιούν το GPT-4o Transcribe Diarize. Το αποτέλεσμα αρχείου του GPT Transcribe είναι JSON και όχι άμεσα εναλλάξιμη απόκριση SRT, VTT ή αναλυτικών χρονικών σημάνσεων. Η συγκεκριμένη κάρτα μοντέλου του δεν δημοσιεύει αριθμητικό όριο συμφραζομένων ή μέγιστης εξόδου, οπότε δεν πρέπει να υποτίθεται παράθυρο token μοντέλου συνομιλίας για μεταγραφή ήχου.
Έλεγξε δύσκολο λεξιλόγιο, αριθμούς, προφορές, θόρυβο περιβάλλοντος και αλλαγές γλώσσας έναντι της ηχογράφησης. Έλεγξε ότι οι σχετικές υποδείξεις βελτίωσαν την αναγνώριση χωρίς να εισάγουν όρους που δεν ειπώθηκαν και ότι η τελική μεταγραφή περιλαμβάνει το τέλος του ήχου. Για πολυγλωσσικό αποτέλεσμα, διατήρησε τη διατύπωση που ακούστηκε πριν ετοιμάσεις μεταφρασμένη έκδοση. Αυτοί οι έλεγχοι κάνουν τη μεταγραφή χρήσιμη ως αρχικό υλικό, κρατώντας σαφώς διακριτά τις υποδείξεις συμφραζομένων, τις ανιχνευμένες γλώσσες και την αναγνωρισμένη ομιλία.
", "aboutText": "Το GPT Transcribe είναι το μοντέλο μετατροπής ομιλίας σε κείμενο της OpenAI για ολοκληρωμένα αρχεία ήχου, μεταγραφές αρχείων με σταδιακή ροή και οριστικοποιημένους ηχητικούς γύρους σε συνεδρίες Realtime. Δέχεται ήχο με προαιρετικό κειμενικό πλαίσιο και επιστρέφει αναγνωρισμένο κείμενο. Ο παραγωγός το προορίζει για ακριβή μεταγραφή ηχογραφημένης ομιλίας στην αρχική της γλώσσα, συμπεριλαμβανομένων ειδικής ορολογίας, πολυγλωσσικών ηχογραφήσεων και εναλλαγής γλωσσών. Η χρήσιμη έξοδός του είναι μεταγραφή που παραμένει συνδεδεμένη με την ηχογράφηση, μαζί με μεταδεδομένα ανιχνευμένης γλώσσας όταν το μοντέλο μπορεί να κάνει αξιόπιστη πρόβλεψη.\n\n### Προετοιμασία ολοκληρωμένης ηχογράφησης\n\nΗ ροή μεταγραφής αρχείων της OpenAI δέχεται ανεβάσματα έως 25 MB. Η τρέχουσα αναφορά τεκμηρίωσης του τελικού σημείου αναφέρει μορφές εισόδου FLAC, MP3, MP4, MPEG, MPGA, M4A, OGG, WAV και WebM και συνιστά επαρκή μεταδεδομένα αρχείου για αναγνώριση της μορφής, μαζί με κατάλληλη επέκταση ονόματος αρχείου και τύπο περιεχομένου. Για μεγαλύτερη ηχογράφηση, ο οδηγός συνιστά συμπίεση ή διαίρεση σε αρχεία έως 25 MB. Απόφυγε να κόβεις στη μέση πρότασης, επειδή η αφαίρεση της γύρω ομιλίας μπορεί να μειώσει την ακρίβεια αναγνώρισης. Κράτησε τα κομμάτια με τη σειρά και διατήρησε τις θέσεις τους στην αρχική ηχογράφηση.\n\nΓια συνάντηση, συνέντευξη ή ηχογραφημένη παρουσίαση, δώσε τον πραγματικό ήχο και προσδιόρισε το θέμα και κάθε ορολογία που είναι πιθανό να ακουστεί. Χρήσιμο αποτέλεσμα είναι η αναγνωρισμένη διατύπωση, αντί για συμπέρασμα που συνοψίζει τη συζήτηση. Διατήρησε το αναγνωριστικό ηχογράφησης μαζί με το επιστρεφόμενο κείμενο, ώστε όποιος ελέγχει όνομα, αριθμό ή αβέβαιη φράση να μπορεί να επιστρέψει στη σωστή πηγή. Η μεταγραφή μπορεί κατόπιν να αποτελέσει υλικό για ξεχωριστή ροή σύνοψης, μετάφρασης ή επιμέλειας.\n\n### Συμφραζόμενα, υποδείξεις λέξεων-κλειδιών και αναμενόμενες γλώσσες\n\nΟ παραγωγός διακρίνει τρία είδη καθοδήγησης. Οι οδηγίες δίνουν ελεύθερο πλαίσιο για το θέμα ή το περιβάλλον της ηχογράφησης. Οι λέξεις-κλειδιά δίνουν κυριολεκτικές λέξεις ή φράσεις που αναμένεται να ακουστούν. Μια λίστα languages προσδιορίζει τις αναμενόμενες γλώσσες ομιλίας. Για δίγλωσση συζήτηση προϊόντος, περιέγραψε το περιβάλλον στις οδηγίες, παράθεσε τα σχετικά ονόματα προϊόντων ως λέξεις-κλειδιά και δώσε τις αναμενόμενες γλώσσες. Πρόκειται για υποδείξεις αναγνώρισης· δεν είναι οδηγίες εισαγωγής λεξιλογίου που δεν είπε κανείς.\n\nΤο GPT Transcribe χρησιμοποιεί το πεδίο languages στον πληθυντικό αντί για το παλαιότερο πεδίο language στον ενικό· η OpenAI αναφέρει να μην αποστέλλονται και τα δύο. Ο οδηγός του δέχεται υποστηριζόμενους κωδικούς ISO 639-1, επιλεγμένους κωδικούς ISO 639-3 και τοπικούς κωδικούς κινεζικών, απορρίπτοντας μη υποστηριζόμενες ή κακοσχηματισμένες τιμές. Κάθε λέξη-κλειδί πρέπει να παραμένει σε μία γραμμή και να μην περιέχει γωνιακή αγκύλη, χαρακτήρα επιστροφής στην αρχή της γραμμής ή αλλαγής γραμμής. Μη έγκυρη λέξη-κλειδί ή υπερβολικά μεγάλες οδηγίες μπορούν να απορρίψουν ολόκληρο το αίτημα. Κράτησε το πλαίσιο σχετικό και έλεγξε αν τα υποδεικνυόμενα ονόματα εμφανίζονται πραγματικά στον ήχο, αντί να αντιμετωπίζεις τη λίστα υποδείξεων ως μεταγραφή.\n\n### Έξοδος JSON και προβλέψεις ανιχνευμένης γλώσσας\n\nΤο τεκμηριωμένο αποτέλεσμα αρχείου είναι JSON που περιέχει τη μεταγραφή και τις ανιχνευμένες γλώσσες. Αυτές οι προβλέψεις γλώσσας είναι έξοδος του μοντέλου, όχι αντίγραφο των παρεχόμενων γλωσσικών υποδείξεων. Μια κενή λίστα γλωσσών είναι έγκυρο αποτέλεσμα όταν το μοντέλο δεν μπορεί να κάνει αξιόπιστη πρόβλεψη· δεν τεκμηριώνει ότι η ηχογράφηση ήταν σιωπηλή ή ότι απέτυχε η μεταγραφή. Κράτησε το αναγνωρισμένο κείμενο και τα γλωσσικά μεταδεδομένα ξεχωριστά, ώστε η επόμενη επεξεργασία να χρησιμοποιεί το καθένα σύμφωνα με τη σημασία του.\n\n### Σταδιακή ροή μεταγραφής αρχείου\n\nΈνα ολοκληρωμένο αρχείο μπορεί να παράγει κείμενο μεταγραφής σταδιακά όσο επεξεργάζεται. Η OpenAI τεκμηριώνει συμβάντα transcript.text.delta για μερικό κείμενο και transcript.text.done για την πλήρη μεταγραφή αρχείου· το τελικό συμβάν περιλαμβάνει επίσης ανιχνευμένες γλώσσες. Αυτό μεταδίδει σταδιακά την έξοδο μιας ήδη παρεχόμενης ηχογράφησης. Χρησιμεύει για εμφάνιση προόδου σε μεγάλο ανέβασμα, ενώ το τελικό συμβάν ορίζει το κείμενο που πρέπει να διατηρηθεί ως ολοκληρωμένο αποτέλεσμα.\n\n### Οριστικοποιημένοι γύροι σε συνεδρίες Realtime\n\nΤο GPT Transcribe έχει επίσης ειδική ροή Realtime μέσω WebSocket. Ο ήχος προστίθεται στην προσωρινή μνήμη εισόδου και μετά η εφαρμογή οριστικοποιεί ρητά έναν ηχητικό γύρο. Η μεταγραφή αρχίζει για αυτό το οριστικοποιημένο τμήμα και μπορεί να εκπέμπει σταδιακές ενημερώσεις πριν από το συμβάν ολοκλήρωσής του, μαζί με πληροφορίες ανιχνευμένης γλώσσας. Το μοντέλο χρησιμοποιεί αυτόματα προηγούμενους μεταγραμμένους γύρους ως συμφραζόμενα σε αυτή τη ροή συνεδρίας του παραγωγού. Αυτό διαφέρει από τη συνεχή εκπομπή ζωντανού κειμένου υποτίτλων καθώς φτάνει ήχος μικροφώνου· η OpenAI ονομάζει το GPT Live Transcribe για αυτή τη συνεχή ροή.\n\nΓια πολλούς γύρους, διατήρησε το αναγνωριστικό στοιχείου εισόδου μαζί με την αντίστοιχη μεταγραφή. Η OpenAI προειδοποιεί ότι τα συμβάντα ολοκλήρωσης διαφορετικών γύρων δεν χρειάζεται να φτάνουν με τη σειρά της ομιλίας, οπότε αντιστοίχισε κάθε τελικό αποτέλεσμα με την οριστικοποιημένη είσοδό του, αντί να οργανώνεις μια συνομιλία μόνο βάσει χρόνου ολοκλήρωσης. Το χρήσιμο παραδοτέο είναι ταξινομημένη μεταγραφή συναρμολογημένη από τα σωστά τελικά στοιχεία, με το προσωρινό κείμενο ως πρόοδο και όχι ως ξεχωριστή ολοκληρωμένη εκφώνηση.\n\n### Ειδικές έξοδοι και ουσιαστικοί περιορισμοί\n\nΑυτό το προφίλ δεν παρέχει καθολικές προδιαγραφές υποτίτλων, χρονικών σημάνσεων, μετάφρασης ή ετικετών ομιλητών. Ο οδηγός μετάβασης της OpenAI διακρίνει αυτές τις ειδικές δυνατότητες: οι εγγενείς μορφές υποτίτλων και ο χρονισμός λέξεων απαιτούν συμβατό μοντέλο και μορφή, ενώ οι ετικέτες ομιλητών χρησιμοποιούν το GPT-4o Transcribe Diarize. Το αποτέλεσμα αρχείου του GPT Transcribe είναι JSON και όχι άμεσα εναλλάξιμη απόκριση SRT, VTT ή αναλυτικών χρονικών σημάνσεων. Η συγκεκριμένη κάρτα μοντέλου του δεν δημοσιεύει αριθμητικό όριο συμφραζομένων ή μέγιστης εξόδου, οπότε δεν πρέπει να υποτίθεται παράθυρο token μοντέλου συνομιλίας για μεταγραφή ήχου.\n\nΈλεγξε δύσκολο λεξιλόγιο, αριθμούς, προφορές, θόρυβο περιβάλλοντος και αλλαγές γλώσσας έναντι της ηχογράφησης. Έλεγξε ότι οι σχετικές υποδείξεις βελτίωσαν την αναγνώριση χωρίς να εισάγουν όρους που δεν ειπώθηκαν και ότι η τελική μεταγραφή περιλαμβάνει το τέλος του ήχου. Για πολυγλωσσικό αποτέλεσμα, διατήρησε τη διατύπωση που ακούστηκε πριν ετοιμάσεις μεταφρασμένη έκδοση. Αυτοί οι έλεγχοι κάνουν τη μεταγραφή χρήσιμη ως αρχικό υλικό, κρατώντας σαφώς διακριτά τις υποδείξεις συμφραζομένων, τις ανιχνευμένες γλώσσες και την αναγνωρισμένη ομιλία.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "50d8be7d77a4479471d1ef4ab9874f2934a00e9aa3321500e70d034c16c66fc3", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "el", "methods": [ { "html": "openai/gpt-transcribeΤο GPT Transcribe μετατρέπει ηχογραφημένη ομιλία σε κείμενο στην αρχική της γλώσσα, με οδηγίες συμφραζομένων, υποδείξεις κυριολεκτικών λέξεων-κλειδιών και υποδείξεις πολλών γλωσσών. Η OpenAI τεκμηριώνει μεταγραφή ολοκληρωμένου αρχείου, σταδιακή ροή αποτελεσμάτων αρχείου και μεταγραφή μετά την οριστικοποίηση ηχητικών γύρων στο Realtime.
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 Transcribe είναι το μοντέλο μετατροπής ομιλίας σε κείμενο της OpenAI για ολοκληρωμένα αρχεία ήχου, μεταγραφές αρχείων με σταδιακή ροή και οριστικοποιημένους ηχητικούς γύρους σε συνεδρίες Realtime. Δέχεται ήχο με προαιρετικό κειμενικό πλαίσιο και επιστρέφει αναγνωρισμένο κείμενο. Ο παραγωγός το προορίζει για ακριβή μεταγραφή ηχογραφημένης ομιλίας στην αρχική της γλώσσα, συμπεριλαμβανομένων ειδικής ορολογίας, πολυγλωσσικών ηχογραφήσεων και εναλλαγής γλωσσών. Η χρήσιμη έξοδός του είναι μεταγραφή που παραμένει συνδεδεμένη με την ηχογράφηση, μαζί με μεταδεδομένα ανιχνευμένης γλώσσας όταν το μοντέλο μπορεί να κάνει αξιόπιστη πρόβλεψη.
Η ροή μεταγραφής αρχείων της OpenAI δέχεται ανεβάσματα έως 25 MB. Η τρέχουσα αναφορά τεκμηρίωσης του τελικού σημείου αναφέρει μορφές εισόδου FLAC, MP3, MP4, MPEG, MPGA, M4A, OGG, WAV και WebM και συνιστά επαρκή μεταδεδομένα αρχείου για αναγνώριση της μορφής, μαζί με κατάλληλη επέκταση ονόματος αρχείου και τύπο περιεχομένου. Για μεγαλύτερη ηχογράφηση, ο οδηγός συνιστά συμπίεση ή διαίρεση σε αρχεία έως 25 MB. Απόφυγε να κόβεις στη μέση πρότασης, επειδή η αφαίρεση της γύρω ομιλίας μπορεί να μειώσει την ακρίβεια αναγνώρισης. Κράτησε τα κομμάτια με τη σειρά και διατήρησε τις θέσεις τους στην αρχική ηχογράφηση.
Για συνάντηση, συνέντευξη ή ηχογραφημένη παρουσίαση, δώσε τον πραγματικό ήχο και προσδιόρισε το θέμα και κάθε ορολογία που είναι πιθανό να ακουστεί. Χρήσιμο αποτέλεσμα είναι η αναγνωρισμένη διατύπωση, αντί για συμπέρασμα που συνοψίζει τη συζήτηση. Διατήρησε το αναγνωριστικό ηχογράφησης μαζί με το επιστρεφόμενο κείμενο, ώστε όποιος ελέγχει όνομα, αριθμό ή αβέβαιη φράση να μπορεί να επιστρέψει στη σωστή πηγή. Η μεταγραφή μπορεί κατόπιν να αποτελέσει υλικό για ξεχωριστή ροή σύνοψης, μετάφρασης ή επιμέλειας.
Ο παραγωγός διακρίνει τρία είδη καθοδήγησης. Οι οδηγίες δίνουν ελεύθερο πλαίσιο για το θέμα ή το περιβάλλον της ηχογράφησης. Οι λέξεις-κλειδιά δίνουν κυριολεκτικές λέξεις ή φράσεις που αναμένεται να ακουστούν. Μια λίστα languages προσδιορίζει τις αναμενόμενες γλώσσες ομιλίας. Για δίγλωσση συζήτηση προϊόντος, περιέγραψε το περιβάλλον στις οδηγίες, παράθεσε τα σχετικά ονόματα προϊόντων ως λέξεις-κλειδιά και δώσε τις αναμενόμενες γλώσσες. Πρόκειται για υποδείξεις αναγνώρισης· δεν είναι οδηγίες εισαγωγής λεξιλογίου που δεν είπε κανείς.
Το GPT Transcribe χρησιμοποιεί το πεδίο languages στον πληθυντικό αντί για το παλαιότερο πεδίο language στον ενικό· η OpenAI αναφέρει να μην αποστέλλονται και τα δύο. Ο οδηγός του δέχεται υποστηριζόμενους κωδικούς ISO 639-1, επιλεγμένους κωδικούς ISO 639-3 και τοπικούς κωδικούς κινεζικών, απορρίπτοντας μη υποστηριζόμενες ή κακοσχηματισμένες τιμές. Κάθε λέξη-κλειδί πρέπει να παραμένει σε μία γραμμή και να μην περιέχει γωνιακή αγκύλη, χαρακτήρα επιστροφής στην αρχή της γραμμής ή αλλαγής γραμμής. Μη έγκυρη λέξη-κλειδί ή υπερβολικά μεγάλες οδηγίες μπορούν να απορρίψουν ολόκληρο το αίτημα. Κράτησε το πλαίσιο σχετικό και έλεγξε αν τα υποδεικνυόμενα ονόματα εμφανίζονται πραγματικά στον ήχο, αντί να αντιμετωπίζεις τη λίστα υποδείξεων ως μεταγραφή.
Το τεκμηριωμένο αποτέλεσμα αρχείου είναι JSON που περιέχει τη μεταγραφή και τις ανιχνευμένες γλώσσες. Αυτές οι προβλέψεις γλώσσας είναι έξοδος του μοντέλου, όχι αντίγραφο των παρεχόμενων γλωσσικών υποδείξεων. Μια κενή λίστα γλωσσών είναι έγκυρο αποτέλεσμα όταν το μοντέλο δεν μπορεί να κάνει αξιόπιστη πρόβλεψη· δεν τεκμηριώνει ότι η ηχογράφηση ήταν σιωπηλή ή ότι απέτυχε η μεταγραφή. Κράτησε το αναγνωρισμένο κείμενο και τα γλωσσικά μεταδεδομένα ξεχωριστά, ώστε η επόμενη επεξεργασία να χρησιμοποιεί το καθένα σύμφωνα με τη σημασία του.
Ένα ολοκληρωμένο αρχείο μπορεί να παράγει κείμενο μεταγραφής σταδιακά όσο επεξεργάζεται. Η OpenAI τεκμηριώνει συμβάντα transcript.text.delta για μερικό κείμενο και transcript.text.done για την πλήρη μεταγραφή αρχείου· το τελικό συμβάν περιλαμβάνει επίσης ανιχνευμένες γλώσσες. Αυτό μεταδίδει σταδιακά την έξοδο μιας ήδη παρεχόμενης ηχογράφησης. Χρησιμεύει για εμφάνιση προόδου σε μεγάλο ανέβασμα, ενώ το τελικό συμβάν ορίζει το κείμενο που πρέπει να διατηρηθεί ως ολοκληρωμένο αποτέλεσμα.
Το GPT Transcribe έχει επίσης ειδική ροή Realtime μέσω WebSocket. Ο ήχος προστίθεται στην προσωρινή μνήμη εισόδου και μετά η εφαρμογή οριστικοποιεί ρητά έναν ηχητικό γύρο. Η μεταγραφή αρχίζει για αυτό το οριστικοποιημένο τμήμα και μπορεί να εκπέμπει σταδιακές ενημερώσεις πριν από το συμβάν ολοκλήρωσής του, μαζί με πληροφορίες ανιχνευμένης γλώσσας. Το μοντέλο χρησιμοποιεί αυτόματα προηγούμενους μεταγραμμένους γύρους ως συμφραζόμενα σε αυτή τη ροή συνεδρίας του παραγωγού. Αυτό διαφέρει από τη συνεχή εκπομπή ζωντανού κειμένου υποτίτλων καθώς φτάνει ήχος μικροφώνου· η OpenAI ονομάζει το GPT Live Transcribe για αυτή τη συνεχή ροή.
Για πολλούς γύρους, διατήρησε το αναγνωριστικό στοιχείου εισόδου μαζί με την αντίστοιχη μεταγραφή. Η OpenAI προειδοποιεί ότι τα συμβάντα ολοκλήρωσης διαφορετικών γύρων δεν χρειάζεται να φτάνουν με τη σειρά της ομιλίας, οπότε αντιστοίχισε κάθε τελικό αποτέλεσμα με την οριστικοποιημένη είσοδό του, αντί να οργανώνεις μια συνομιλία μόνο βάσει χρόνου ολοκλήρωσης. Το χρήσιμο παραδοτέο είναι ταξινομημένη μεταγραφή συναρμολογημένη από τα σωστά τελικά στοιχεία, με το προσωρινό κείμενο ως πρόοδο και όχι ως ξεχωριστή ολοκληρωμένη εκφώνηση.
Αυτό το προφίλ δεν παρέχει καθολικές προδιαγραφές υποτίτλων, χρονικών σημάνσεων, μετάφρασης ή ετικετών ομιλητών. Ο οδηγός μετάβασης της OpenAI διακρίνει αυτές τις ειδικές δυνατότητες: οι εγγενείς μορφές υποτίτλων και ο χρονισμός λέξεων απαιτούν συμβατό μοντέλο και μορφή, ενώ οι ετικέτες ομιλητών χρησιμοποιούν το GPT-4o Transcribe Diarize. Το αποτέλεσμα αρχείου του GPT Transcribe είναι JSON και όχι άμεσα εναλλάξιμη απόκριση SRT, VTT ή αναλυτικών χρονικών σημάνσεων. Η συγκεκριμένη κάρτα μοντέλου του δεν δημοσιεύει αριθμητικό όριο συμφραζομένων ή μέγιστης εξόδου, οπότε δεν πρέπει να υποτίθεται παράθυρο token μοντέλου συνομιλίας για μεταγραφή ήχου.
Έλεγξε δύσκολο λεξιλόγιο, αριθμούς, προφορές, θόρυβο περιβάλλοντος και αλλαγές γλώσσας έναντι της ηχογράφησης. Έλεγξε ότι οι σχετικές υποδείξεις βελτίωσαν την αναγνώριση χωρίς να εισάγουν όρους που δεν ειπώθηκαν και ότι η τελική μεταγραφή περιλαμβάνει το τέλος του ήχου. Για πολυγλωσσικό αποτέλεσμα, διατήρησε τη διατύπωση που ακούστηκε πριν ετοιμάσεις μεταφρασμένη έκδοση. Αυτοί οι έλεγχοι κάνουν τη μεταγραφή χρήσιμη ως αρχικό υλικό, κρατώντας σαφώς διακριτά τις υποδείξεις συμφραζομένων, τις ανιχνευμένες γλώσσες και την αναγνωρισμένη ομιλία.
POST /v1/audio/transcriptionsaudiotext| Πεδίο | Τύπος | Απαίτηση | Τιμές και όρια | Προεπιλογή |
|---|---|---|---|---|
Πεδίοmodel | Τύποςstring | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια openai/gpt-transcribe | Προεπιλογή— |
Πεδίοinput_audio | Τύποςobject | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια | Προεπιλογή— |
| Παράμετρος | Σύμβαση |
|---|---|
Παράμετροςcontent_type | Σύμβασηapplication/json |
Παράμετροςrequired | Σύμβασηmodel, input_audio |
Παράμετροςmaterial_types | Σύμβασηaudio |
Παράμετροςmaterial_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}
Οι τιμολογιακές αναφορές δεν προσθέτουν επιλογές αιτήματος. Οι υποστηριζόμενες παράμετροι αναφέρονται στην επιλεγμένη μέθοδο.
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 |
| Διαμόρφωσηδευτερόλεπτο ήχου εισόδου | Πίνακας χρεώσεων— | Μονάδα τιμολόγησηςανά δευτερόλεπτο ήχου εισόδου | Χρέωση Είσοδος · δευτερόλεπτο ήχου εισόδου $0.00015 ανά δευτερόλεπτο ήχου εισόδου |
Το Ailoot δεσμεύει ένα εκτιμώμενο ποσό πριν από το αίτημα. Μετά το αποτέλεσμα, εκκαθαρίζει την τελική χρέωση βάσει της μετρημένης χρήσης. Η εκκαθάριση ροής χρησιμοποιεί την τελική καταγραφή χρήσης. Πώς λειτουργούν η δέσμευση και η εκκαθάριση →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_AUDIO_FILE:?Set the path to your actual PCM WAV recording}"\nexport AILOOT_AUDIO_FILE\npython3 - <<'PY_REQUEST'\nimport base64, io, json, os, wave\nfrom pathlib import Path\naudio = Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()\nif not (audio[:4] == b'RIFF' and audio[8:12] == b'WAVE'):\n raise SystemExit('Supply your actual PCM WAV audio file')\nwith wave.open(io.BytesIO(audio), 'rb') as recording:\n if recording.getcomptype() != 'NONE' or recording.getnframes() <= 0:\n raise SystemExit('Supply a nonempty PCM WAV recording')\nrequest = {'model': 'openai/gpt-transcribe', 'input_audio': {'data': base64.b64encode(audio).decode('ascii'), 'format': 'wav'}}\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# Retain the complete original response, headers and actual X-Client-Request-ID.\n# Read existing owned records for recovery; do not resubmit an uncertain operation.\nΟλόκληρο 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}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}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.
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.
| Πεδίο | Τύπος |
|---|---|
Πεδίοtext (when present) | Τύπος |
Πεδίοusage (when present) | Τύπος |
| 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. |
Ailoot Ultra openai/gpt-transcribe
Χρησιμοποιήστε τις διαδρομές μεθόδων που εμφανίζονται παραπάνω.