Το Whisper large-v3-turbo, που ονομάζεται και Turbo, είναι το βελτιστοποιημένο μοντέλο μεταγραφής της OpenAI που προέρχεται από το Whisper large-v3. Ο αποκωδικοποιητής του μειώνεται από 32 επίπεδα σε τέσσερα, ενώ ο κωδικοποιητής παραμένει στα 32 επίπεδα. Το μοντέλο που κυκλοφόρησε έχει περίπου 809 εκατομμύρια παραμέτρους. Ο σκοπός του κατασκευαστή είναι ταχύτερη αναγνώριση ομιλίας με μικρή υποχώρηση στην ακρίβεια, όχι διαφορετικός τρόπος παραγωγής ήχου. Η είσοδος είναι ηχογραφημένη ομιλία και το αποτέλεσμα αναγνωρισμένο κείμενο.
Η ανακοίνωση κυκλοφορίας διακρίνει την προετοιμασία του Turbo από ένα μοντέλο Whisper που δημιουργήθηκε με ξεχωριστή διαδικασία απόσταξης: το Turbo υποβλήθηκε σε πρόσθετη εκπαίδευση για δύο επιπλέον εποχές με δεδομένα πολυγλωσσικής μεταγραφής, εξαιρώντας δεδομένα μετάφρασης. Αυτή η διάκριση έχει πρακτική σημασία. Το αποθετήριο της OpenAI αναφέρει ότι το Turbo δεν έχει εκπαιδευτεί για μετάφραση μη αγγλικής ομιλίας στα αγγλικά και μπορεί να επιστρέψει την αρχική γλώσσα ακόμη και όταν ζητείται εργασία μετάφρασης. Χρησιμοποίησε αυτή την έκδοση για μεταγραφή στην ίδια γλώσσα· η απαίτηση μετάφρασης ανήκει σε άλλο κατάλληλο μοντέλο ή σε ξεχωριστό βήμα μετά τη μεταγραφή.
Η ανίχνευση της γλώσσας προέλευσης και η ρητή επιλογή γλώσσας παραμένουν χρήσιμες επιλογές μεταγραφής. Αν η γλώσσα της ηχογράφησης είναι ήδη γνωστή, δήλωσέ την στις οδηγίες· διαφορετικά, η τεκμηριωμένη ροή μπορεί να την ανιχνεύσει. Διατήρησε ονόματα, ποσότητες και τις λέξεις που ειπώθηκαν πριν ζητήσεις επιμέλεια του κειμένου. Τα πρακτικά συνάντησης, η μεταγραφή συνέντευξης ή το κείμενο μιας διάλεξης μπορούν κατόπιν να αναζητηθούν, να σχολιαστούν ή να συνοψιστούν σε μεταγενέστερη λειτουργία. Η εργασία αναγνώρισης του Turbo δεν πρέπει να συγχέεται με σύνθεση φωνής, μίμηση ομιλητή ή σημασιολογική κρίση για τα πρόσωπα της ηχογράφησης.
Ο μηχανισμός φόρτωσης ήχου της OpenAI αποκωδικοποιεί τα αρχεία εισόδου σε μονοφωνικά δείγματα στα 16 kHz και το μοντέλο χρησιμοποιεί ακουστικό παράθυρο 30 δευτερολέπτων με 128 ζώνες συχνοτήτων Mel. Οι μεγαλύτερες ηχογραφήσεις απαιτούν επεξεργασία συμπερασμού μεγάλης διάρκειας. Η διαδοχική επεξεργασία προχωρά στα παράθυρα με τη σειρά· μια προσέγγιση κατά τμήματα μεταγράφει επικαλυπτόμενα κομμάτια και ενώνει τα όριά τους. Η κάρτα μοντέλου παρουσιάζει τη δεύτερη ως χρήσιμη για ένα ενιαίο μεγάλο αρχείο όταν προέχει ο χρόνος ολοκλήρωσης, ενώ η διαδοχική επεξεργασία είναι η εναλλακτική που δίνει προτεραιότητα στην ακρίβεια. Ούτε το παράθυρο ούτε το όνομα του μοντέλου ορίζουν σταθερό μέγιστο μέγεθος αρχείου για ανέβασμα σε φιλοξενούμενη υπηρεσία.
Η συγκεκριμένη διαμόρφωση του Turbo αναφέρει 448 θέσεις αποκωδικοποιητή για μία ακολουθία αποκωδικοποίησης. Η τεκμηριωμένη ροή συμπερασμού μπορεί να περιλαμβάνει χρονικές ενδείξεις τμημάτων ή λέξεων μαζί με τη μεταγραφή· οι ενδείξεις υποστηρίζουν την πλοήγηση και τη μεταγενέστερη μορφοποίηση υποτίτλων. Δεν προσθέτουν αυτόματα μορφή αρχείου υποτίτλων ή αξιόπιστες ετικέτες ομιλητών. Δήλωσε αν χρειάζεται απλή μεταγραφή ή τμήματα με χρονικές ενδείξεις και κράτησε διαθέσιμη την αρχική ηχογράφηση για έλεγχο αμφισβητούμενων σημείων. Η επεξεργασία μεγάλων ηχογραφήσεων και οποιαδήποτε τελική μορφοποίηση είναι ξεχωριστές από την ταυτότητα της συγκεκριμένης έκδοσης βαρών.
Το Turbo μειώνει την εργασία αποκωδικοποίησης, αλλά ο πραγματικός απαιτούμενος χρόνος εξαρτάται από το υλικό, τη διάρκεια ηχογράφησης, τη γλώσσα, τον ρυθμό ομιλίας και τις επιλογές συμπερασμού. Ο παραγωγός επισημαίνει μεγαλύτερη υποχώρηση ποιότητας σε ορισμένες γλώσσες, όπως τα ταϊλανδικά και τα καντονέζικα, αντί για ομοιόμορφη συμπεριφορά παντού. Σύγκρινε ένα αντιπροσωπευτικό απόσπασμα στην επιθυμητή γλώσσα πριν θεωρήσεις ότι αυτός ο συμβιβασμός υπέρ της ταχύτητας είναι κατάλληλος για κάθε υλικό. Για επεξεργασία αρχείου ηχογραφήσεων, βάλε στο δείγμα ελέγχου δύσκολο λεξιλόγιο, παύσεις και θορυβώδη σημεία ή επικαλυπτόμενη ομιλία, όχι μόνο μια καθαρή αρχική πρόταση.
Η δημοσιευμένη κάρτα περιλαμβάνει τους ουσιαστικούς περιορισμούς αναγνώρισης του Whisper: το προβλεπόμενο κείμενο μπορεί να περιέχει λέξεις που δεν ειπώθηκαν και μπορεί να εμφανιστούν επαναλήψεις. Τα αποτελέσματα διαφέρουν ανά γλώσσα, προφορά και διάλεκτο, ιδίως όπου η κάλυψη εκπαίδευσης είναι περιορισμένη. Η κάρτα δεν τεκμηριώνει τον διαχωρισμό ομιλητών ή την ταξινόμησή τους ως αξιόπιστες βασικές δυνατότητες του μοντέλου. Ένας πρακτικός έλεγχος εστιάζει στην πιστότητα προς την πηγή: σημαντικά ονόματα και αριθμούς, παραλειπόμενη ομιλία, απρόσμενο κείμενο στη σιωπή και επαναλήψεις. Μια ευανάγνωστη μεταγραφή παραμένει αποτέλεσμα προς σύγκριση με την ηχογράφηση, όχι εγγύηση ακριβούς αναγνώρισης.
Το χρήσιμο τελικό αρχείο είναι μεταγραφή στη γλώσσα προέλευσης με τις ζητούμενες χρονικές ενδείξεις, αν υπάρχουν, και σαφή σύνδεση με την ηχογράφησή της. Κράτησε την αναγνωρισμένη έκδοση ξεχωριστά από την επιμελημένη έκδοση δημοσίευσης, ώστε οι αλλαγές να είναι ανιχνεύσιμες. Διατήρησε το όνομα large-v3-turbo όταν συγκρίνεις εκδόσεις: δεν είναι το πλήρες μοντέλο large-v3 και δεν πρέπει να κληρονομεί σιωπηρά την εργασία μετάφρασης στα αγγλικά του large-v3. Αυτή η ταυτότητα ανοιχτών βαρών δεν περιλαμβάνει επίσης τα όρια ανεβάσματος αρχείων, τις δομές απόκρισης ή τις υποσχέσεις ζωντανής μετάδοσης της φιλοξενούμενης υπηρεσίας whisper-1. Διάλεξε το Turbo όταν ο τεκμηριωμένος συμβιβασμός μεταγραφής ταιριάζει στο πραγματικό υλικό και στον επιθυμητό χρόνο ολοκλήρωσης.
", "aboutText": "Το Whisper large-v3-turbo, που ονομάζεται και Turbo, είναι το βελτιστοποιημένο μοντέλο μεταγραφής της OpenAI που προέρχεται από το Whisper large-v3. Ο αποκωδικοποιητής του μειώνεται από 32 επίπεδα σε τέσσερα, ενώ ο κωδικοποιητής παραμένει στα 32 επίπεδα. Το μοντέλο που κυκλοφόρησε έχει περίπου 809 εκατομμύρια παραμέτρους. Ο σκοπός του κατασκευαστή είναι ταχύτερη αναγνώριση ομιλίας με μικρή υποχώρηση στην ακρίβεια, όχι διαφορετικός τρόπος παραγωγής ήχου. Η είσοδος είναι ηχογραφημένη ομιλία και το αποτέλεσμα αναγνωρισμένο κείμενο.\n\nΗ ανακοίνωση κυκλοφορίας διακρίνει την προετοιμασία του Turbo από ένα μοντέλο Whisper που δημιουργήθηκε με ξεχωριστή διαδικασία απόσταξης: το Turbo υποβλήθηκε σε πρόσθετη εκπαίδευση για δύο επιπλέον εποχές με δεδομένα πολυγλωσσικής μεταγραφής, εξαιρώντας δεδομένα μετάφρασης. Αυτή η διάκριση έχει πρακτική σημασία. Το αποθετήριο της OpenAI αναφέρει ότι το Turbo δεν έχει εκπαιδευτεί για μετάφραση μη αγγλικής ομιλίας στα αγγλικά και μπορεί να επιστρέψει την αρχική γλώσσα ακόμη και όταν ζητείται εργασία μετάφρασης. Χρησιμοποίησε αυτή την έκδοση για μεταγραφή στην ίδια γλώσσα· η απαίτηση μετάφρασης ανήκει σε άλλο κατάλληλο μοντέλο ή σε ξεχωριστό βήμα μετά τη μεταγραφή.\n\nΗ ανίχνευση της γλώσσας προέλευσης και η ρητή επιλογή γλώσσας παραμένουν χρήσιμες επιλογές μεταγραφής. Αν η γλώσσα της ηχογράφησης είναι ήδη γνωστή, δήλωσέ την στις οδηγίες· διαφορετικά, η τεκμηριωμένη ροή μπορεί να την ανιχνεύσει. Διατήρησε ονόματα, ποσότητες και τις λέξεις που ειπώθηκαν πριν ζητήσεις επιμέλεια του κειμένου. Τα πρακτικά συνάντησης, η μεταγραφή συνέντευξης ή το κείμενο μιας διάλεξης μπορούν κατόπιν να αναζητηθούν, να σχολιαστούν ή να συνοψιστούν σε μεταγενέστερη λειτουργία. Η εργασία αναγνώρισης του Turbo δεν πρέπει να συγχέεται με σύνθεση φωνής, μίμηση ομιλητή ή σημασιολογική κρίση για τα πρόσωπα της ηχογράφησης.\n\nΟ μηχανισμός φόρτωσης ήχου της OpenAI αποκωδικοποιεί τα αρχεία εισόδου σε μονοφωνικά δείγματα στα 16 kHz και το μοντέλο χρησιμοποιεί ακουστικό παράθυρο 30 δευτερολέπτων με 128 ζώνες συχνοτήτων Mel. Οι μεγαλύτερες ηχογραφήσεις απαιτούν επεξεργασία συμπερασμού μεγάλης διάρκειας. Η διαδοχική επεξεργασία προχωρά στα παράθυρα με τη σειρά· μια προσέγγιση κατά τμήματα μεταγράφει επικαλυπτόμενα κομμάτια και ενώνει τα όριά τους. Η κάρτα μοντέλου παρουσιάζει τη δεύτερη ως χρήσιμη για ένα ενιαίο μεγάλο αρχείο όταν προέχει ο χρόνος ολοκλήρωσης, ενώ η διαδοχική επεξεργασία είναι η εναλλακτική που δίνει προτεραιότητα στην ακρίβεια. Ούτε το παράθυρο ούτε το όνομα του μοντέλου ορίζουν σταθερό μέγιστο μέγεθος αρχείου για ανέβασμα σε φιλοξενούμενη υπηρεσία.\n\nΗ συγκεκριμένη διαμόρφωση του Turbo αναφέρει 448 θέσεις αποκωδικοποιητή για μία ακολουθία αποκωδικοποίησης. Η τεκμηριωμένη ροή συμπερασμού μπορεί να περιλαμβάνει χρονικές ενδείξεις τμημάτων ή λέξεων μαζί με τη μεταγραφή· οι ενδείξεις υποστηρίζουν την πλοήγηση και τη μεταγενέστερη μορφοποίηση υποτίτλων. Δεν προσθέτουν αυτόματα μορφή αρχείου υποτίτλων ή αξιόπιστες ετικέτες ομιλητών. Δήλωσε αν χρειάζεται απλή μεταγραφή ή τμήματα με χρονικές ενδείξεις και κράτησε διαθέσιμη την αρχική ηχογράφηση για έλεγχο αμφισβητούμενων σημείων. Η επεξεργασία μεγάλων ηχογραφήσεων και οποιαδήποτε τελική μορφοποίηση είναι ξεχωριστές από την ταυτότητα της συγκεκριμένης έκδοσης βαρών.\n\nΤο Turbo μειώνει την εργασία αποκωδικοποίησης, αλλά ο πραγματικός απαιτούμενος χρόνος εξαρτάται από το υλικό, τη διάρκεια ηχογράφησης, τη γλώσσα, τον ρυθμό ομιλίας και τις επιλογές συμπερασμού. Ο παραγωγός επισημαίνει μεγαλύτερη υποχώρηση ποιότητας σε ορισμένες γλώσσες, όπως τα ταϊλανδικά και τα καντονέζικα, αντί για ομοιόμορφη συμπεριφορά παντού. Σύγκρινε ένα αντιπροσωπευτικό απόσπασμα στην επιθυμητή γλώσσα πριν θεωρήσεις ότι αυτός ο συμβιβασμός υπέρ της ταχύτητας είναι κατάλληλος για κάθε υλικό. Για επεξεργασία αρχείου ηχογραφήσεων, βάλε στο δείγμα ελέγχου δύσκολο λεξιλόγιο, παύσεις και θορυβώδη σημεία ή επικαλυπτόμενη ομιλία, όχι μόνο μια καθαρή αρχική πρόταση.\n\nΗ δημοσιευμένη κάρτα περιλαμβάνει τους ουσιαστικούς περιορισμούς αναγνώρισης του Whisper: το προβλεπόμενο κείμενο μπορεί να περιέχει λέξεις που δεν ειπώθηκαν και μπορεί να εμφανιστούν επαναλήψεις. Τα αποτελέσματα διαφέρουν ανά γλώσσα, προφορά και διάλεκτο, ιδίως όπου η κάλυψη εκπαίδευσης είναι περιορισμένη. Η κάρτα δεν τεκμηριώνει τον διαχωρισμό ομιλητών ή την ταξινόμησή τους ως αξιόπιστες βασικές δυνατότητες του μοντέλου. Ένας πρακτικός έλεγχος εστιάζει στην πιστότητα προς την πηγή: σημαντικά ονόματα και αριθμούς, παραλειπόμενη ομιλία, απρόσμενο κείμενο στη σιωπή και επαναλήψεις. Μια ευανάγνωστη μεταγραφή παραμένει αποτέλεσμα προς σύγκριση με την ηχογράφηση, όχι εγγύηση ακριβούς αναγνώρισης.\n\nΤο χρήσιμο τελικό αρχείο είναι μεταγραφή στη γλώσσα προέλευσης με τις ζητούμενες χρονικές ενδείξεις, αν υπάρχουν, και σαφή σύνδεση με την ηχογράφησή της. Κράτησε την αναγνωρισμένη έκδοση ξεχωριστά από την επιμελημένη έκδοση δημοσίευσης, ώστε οι αλλαγές να είναι ανιχνεύσιμες. Διατήρησε το όνομα large-v3-turbo όταν συγκρίνεις εκδόσεις: δεν είναι το πλήρες μοντέλο large-v3 και δεν πρέπει να κληρονομεί σιωπηρά την εργασία μετάφρασης στα αγγλικά του large-v3. Αυτή η ταυτότητα ανοιχτών βαρών δεν περιλαμβάνει επίσης τα όρια ανεβάσματος αρχείων, τις δομές απόκρισης ή τις υποσχέσεις ζωντανής μετάδοσης της φιλοξενούμενης υπηρεσίας whisper-1. Διάλεξε το Turbo όταν ο τεκμηριωμένος συμβιβασμός μεταγραφής ταιριάζει στο πραγματικό υλικό και στον επιθυμητό χρόνο ολοκλήρωσης.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "9520f4ccc4d8daaf9a6ab9bb7c920047dbd508fe3803c3268e5bfab7c42d4aab", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "el", "methods": [ { "html": "openai/whisper-large-v3-turboΤο Whisper large-v3-turbo είναι η ταχύτερη έκδοση μεταγραφής ανοιχτών βαρών της OpenAI, που προέρχεται από το large-v3, με τέσσερα επίπεδα αποκωδικοποιητή και 809 εκατομμύρια παραμέτρους. Στοχεύει στη μετατροπή πολυγλωσσικής ομιλίας σε κείμενο· η επίσημη τεκμηρίωση του κατασκευαστή εξαιρεί τη μετάφραση ομιλίας στα αγγλικά από την εργασία για την οποία εκπαιδεύτηκε το Turbo.
Αυτή η περιγραφή καλύπτει τις δυνατότητες του μοντέλου. Οι είσοδοι, έξοδοι και επιλογές που διατίθενται στο Ailoot παρατίθενται παρακάτω για την επιλεγμένη μέθοδο.
Το Whisper large-v3-turbo, που ονομάζεται και Turbo, είναι το βελτιστοποιημένο μοντέλο μεταγραφής της OpenAI που προέρχεται από το Whisper large-v3. Ο αποκωδικοποιητής του μειώνεται από 32 επίπεδα σε τέσσερα, ενώ ο κωδικοποιητής παραμένει στα 32 επίπεδα. Το μοντέλο που κυκλοφόρησε έχει περίπου 809 εκατομμύρια παραμέτρους. Ο σκοπός του κατασκευαστή είναι ταχύτερη αναγνώριση ομιλίας με μικρή υποχώρηση στην ακρίβεια, όχι διαφορετικός τρόπος παραγωγής ήχου. Η είσοδος είναι ηχογραφημένη ομιλία και το αποτέλεσμα αναγνωρισμένο κείμενο.
Η ανακοίνωση κυκλοφορίας διακρίνει την προετοιμασία του Turbo από ένα μοντέλο Whisper που δημιουργήθηκε με ξεχωριστή διαδικασία απόσταξης: το Turbo υποβλήθηκε σε πρόσθετη εκπαίδευση για δύο επιπλέον εποχές με δεδομένα πολυγλωσσικής μεταγραφής, εξαιρώντας δεδομένα μετάφρασης. Αυτή η διάκριση έχει πρακτική σημασία. Το αποθετήριο της OpenAI αναφέρει ότι το Turbo δεν έχει εκπαιδευτεί για μετάφραση μη αγγλικής ομιλίας στα αγγλικά και μπορεί να επιστρέψει την αρχική γλώσσα ακόμη και όταν ζητείται εργασία μετάφρασης. Χρησιμοποίησε αυτή την έκδοση για μεταγραφή στην ίδια γλώσσα· η απαίτηση μετάφρασης ανήκει σε άλλο κατάλληλο μοντέλο ή σε ξεχωριστό βήμα μετά τη μεταγραφή.
Η ανίχνευση της γλώσσας προέλευσης και η ρητή επιλογή γλώσσας παραμένουν χρήσιμες επιλογές μεταγραφής. Αν η γλώσσα της ηχογράφησης είναι ήδη γνωστή, δήλωσέ την στις οδηγίες· διαφορετικά, η τεκμηριωμένη ροή μπορεί να την ανιχνεύσει. Διατήρησε ονόματα, ποσότητες και τις λέξεις που ειπώθηκαν πριν ζητήσεις επιμέλεια του κειμένου. Τα πρακτικά συνάντησης, η μεταγραφή συνέντευξης ή το κείμενο μιας διάλεξης μπορούν κατόπιν να αναζητηθούν, να σχολιαστούν ή να συνοψιστούν σε μεταγενέστερη λειτουργία. Η εργασία αναγνώρισης του Turbo δεν πρέπει να συγχέεται με σύνθεση φωνής, μίμηση ομιλητή ή σημασιολογική κρίση για τα πρόσωπα της ηχογράφησης.
Ο μηχανισμός φόρτωσης ήχου της OpenAI αποκωδικοποιεί τα αρχεία εισόδου σε μονοφωνικά δείγματα στα 16 kHz και το μοντέλο χρησιμοποιεί ακουστικό παράθυρο 30 δευτερολέπτων με 128 ζώνες συχνοτήτων Mel. Οι μεγαλύτερες ηχογραφήσεις απαιτούν επεξεργασία συμπερασμού μεγάλης διάρκειας. Η διαδοχική επεξεργασία προχωρά στα παράθυρα με τη σειρά· μια προσέγγιση κατά τμήματα μεταγράφει επικαλυπτόμενα κομμάτια και ενώνει τα όριά τους. Η κάρτα μοντέλου παρουσιάζει τη δεύτερη ως χρήσιμη για ένα ενιαίο μεγάλο αρχείο όταν προέχει ο χρόνος ολοκλήρωσης, ενώ η διαδοχική επεξεργασία είναι η εναλλακτική που δίνει προτεραιότητα στην ακρίβεια. Ούτε το παράθυρο ούτε το όνομα του μοντέλου ορίζουν σταθερό μέγιστο μέγεθος αρχείου για ανέβασμα σε φιλοξενούμενη υπηρεσία.
Η συγκεκριμένη διαμόρφωση του Turbo αναφέρει 448 θέσεις αποκωδικοποιητή για μία ακολουθία αποκωδικοποίησης. Η τεκμηριωμένη ροή συμπερασμού μπορεί να περιλαμβάνει χρονικές ενδείξεις τμημάτων ή λέξεων μαζί με τη μεταγραφή· οι ενδείξεις υποστηρίζουν την πλοήγηση και τη μεταγενέστερη μορφοποίηση υποτίτλων. Δεν προσθέτουν αυτόματα μορφή αρχείου υποτίτλων ή αξιόπιστες ετικέτες ομιλητών. Δήλωσε αν χρειάζεται απλή μεταγραφή ή τμήματα με χρονικές ενδείξεις και κράτησε διαθέσιμη την αρχική ηχογράφηση για έλεγχο αμφισβητούμενων σημείων. Η επεξεργασία μεγάλων ηχογραφήσεων και οποιαδήποτε τελική μορφοποίηση είναι ξεχωριστές από την ταυτότητα της συγκεκριμένης έκδοσης βαρών.
Το Turbo μειώνει την εργασία αποκωδικοποίησης, αλλά ο πραγματικός απαιτούμενος χρόνος εξαρτάται από το υλικό, τη διάρκεια ηχογράφησης, τη γλώσσα, τον ρυθμό ομιλίας και τις επιλογές συμπερασμού. Ο παραγωγός επισημαίνει μεγαλύτερη υποχώρηση ποιότητας σε ορισμένες γλώσσες, όπως τα ταϊλανδικά και τα καντονέζικα, αντί για ομοιόμορφη συμπεριφορά παντού. Σύγκρινε ένα αντιπροσωπευτικό απόσπασμα στην επιθυμητή γλώσσα πριν θεωρήσεις ότι αυτός ο συμβιβασμός υπέρ της ταχύτητας είναι κατάλληλος για κάθε υλικό. Για επεξεργασία αρχείου ηχογραφήσεων, βάλε στο δείγμα ελέγχου δύσκολο λεξιλόγιο, παύσεις και θορυβώδη σημεία ή επικαλυπτόμενη ομιλία, όχι μόνο μια καθαρή αρχική πρόταση.
Η δημοσιευμένη κάρτα περιλαμβάνει τους ουσιαστικούς περιορισμούς αναγνώρισης του Whisper: το προβλεπόμενο κείμενο μπορεί να περιέχει λέξεις που δεν ειπώθηκαν και μπορεί να εμφανιστούν επαναλήψεις. Τα αποτελέσματα διαφέρουν ανά γλώσσα, προφορά και διάλεκτο, ιδίως όπου η κάλυψη εκπαίδευσης είναι περιορισμένη. Η κάρτα δεν τεκμηριώνει τον διαχωρισμό ομιλητών ή την ταξινόμησή τους ως αξιόπιστες βασικές δυνατότητες του μοντέλου. Ένας πρακτικός έλεγχος εστιάζει στην πιστότητα προς την πηγή: σημαντικά ονόματα και αριθμούς, παραλειπόμενη ομιλία, απρόσμενο κείμενο στη σιωπή και επαναλήψεις. Μια ευανάγνωστη μεταγραφή παραμένει αποτέλεσμα προς σύγκριση με την ηχογράφηση, όχι εγγύηση ακριβούς αναγνώρισης.
Το χρήσιμο τελικό αρχείο είναι μεταγραφή στη γλώσσα προέλευσης με τις ζητούμενες χρονικές ενδείξεις, αν υπάρχουν, και σαφή σύνδεση με την ηχογράφησή της. Κράτησε την αναγνωρισμένη έκδοση ξεχωριστά από την επιμελημένη έκδοση δημοσίευσης, ώστε οι αλλαγές να είναι ανιχνεύσιμες. Διατήρησε το όνομα large-v3-turbo όταν συγκρίνεις εκδόσεις: δεν είναι το πλήρες μοντέλο large-v3 και δεν πρέπει να κληρονομεί σιωπηρά την εργασία μετάφρασης στα αγγλικά του large-v3. Αυτή η ταυτότητα ανοιχτών βαρών δεν περιλαμβάνει επίσης τα όρια ανεβάσματος αρχείων, τις δομές απόκρισης ή τις υποσχέσεις ζωντανής μετάδοσης της φιλοξενούμενης υπηρεσίας whisper-1. Διάλεξε το Turbo όταν ο τεκμηριωμένος συμβιβασμός μεταγραφής ταιριάζει στο πραγματικό υλικό και στον επιθυμητό χρόνο ολοκλήρωσης.
POST /v1/audio/transcriptionsaudiotext| Πεδίο | Τύπος | Απαίτηση | Τιμές και όρια | Προεπιλογή |
|---|---|---|---|---|
Πεδίοmodel | Τύποςstring | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια openai/whisper-large-v3-turbo | 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 $0.00000666 ανά δευτερόλεπτο ήχου εισόδου |
Το Ailoot δεσμεύει ένα εκτιμώμενο ποσό πριν από το αίτημα. Μετά το αποτέλεσμα, εκκαθαρίζει την τελική χρέωση βάσει της μετρημένης χρήσης. Η εκκαθάριση ροής χρησιμοποιεί την τελική καταγραφή χρήσης. Πώς λειτουργούν η δέσμευση και η εκκαθάριση →
set -eu\n: "${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/whisper-large-v3-turbo', '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/whisper-large-v3-turbo
Χρησιμοποιήστε τις διαδρομές μεθόδων που εμφανίζονται παραπάνω.