SpaceXAI: Grok STT 1.0
Το Grok STT 1.0 μετατρέπει τον ήχο σε απομαγνητοφώνηση με χρονικές σημάνσεις ανά λέξη. Η SpaceXAI τεκμηριώνει προαιρετική διάκριση ομιλητών και πολυκάναλο ήχο, καθιστώντας το μοντέλο χρήσιμο για ηχογραφήσεις που χρειάζονται τόσο το εκφωνημένο κείμενο όσο και τη χρονική δομή ή τη δομή των ομιλητών του.
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 Grok STT 1.0 είναι το μοντέλο μετατροπής ομιλίας σε κείμενο της SpaceXAI. Λαμβάνει ήχο και επιστρέφει απομαγνητοφώνηση, με χρονικές σημάνσεις ανά λέξη και προαιρετική διάκριση ομιλητών. Το δημοσιευμένο προφίλ υποστηρίζει επίσης πολυκάναλο ήχο. Το χρήσιμο αποτέλεσμά του είναι το εκφωνημένο περιεχόμενο συνδεδεμένο με τον χρόνο και, όπου ζητείται, με τους ομιλητές μιας ηχογράφησης.
Προετοιμάστε την ηχογράφηση και την εργασία απομαγνητοφώνησης
Προσδιορίστε την ηχογράφηση προς απομαγνητοφώνηση και τον τρόπο χρήσης του αποτελέσματος. Η απομαγνητοφώνηση μιας συνάντησης χρειάζεται τη διαδοχή των παρεμβάσεων· μια συνέντευξη μπορεί να χρειάζεται ετικέτες ομιλητών· μια εργασία μοντάζ χρειάζεται λέξεις συνδεδεμένες με τις θέσεις τους στον ήχο. Διατηρήστε την αρχική ηχογράφηση και το αναγνωριστικό της, ώστε ο ελεγκτής να μπορεί να επιστρέψει στο αρχικό απόσπασμα όταν μια λέξη ή η απόδοσή της σε ομιλητή είναι αβέβαιη.
Χρησιμοποιήστε την πραγματική ηχογράφηση και όχι μια αναδιατυπωμένη περιγραφή του περιεχομένου της. Για πολυκάναλη πηγή, διατηρήστε τη δομή των καναλιών κατά την προετοιμασία του ήχου. Αυτή η δομή και η διάκριση ομιλητών περιγράφουν διαφορετικά μέρη της εργασίας: τα κανάλια ανήκουν στην ηχογράφηση, ενώ η διάκριση ομιλητών προσδιορίζει τις εναλλαγές τους στην απομαγνητοφώνηση.
Χρονισμός και δομή ομιλητών
Οι χρονικές σημάνσεις ανά λέξη συνδέουν τις απομαγνητοφωνημένες λέξεις με την ηχογράφηση. Βοηθούν στον εντοπισμό ενός παραθέματος, στον έλεγχο μιας δύσκολης φράσης ή στην προετοιμασία επόμενου σταδίου υποτιτλισμού ή μοντάζ. Κρατήστε τις χρονικές σημάνσεις μαζί με τις λέξεις κατά την εξαγωγή ή τον μετασχηματισμό της απομαγνητοφώνησης και ελέγξτε τα σημαντικά αποσπάσματα με βάση τον ήχο.
Η προαιρετική διάκριση ομιλητών προσθέτει τη δομή των ομιλητών. Ελέγξτε τις μεταβάσεις, τις διακοπές και τις φωνές που ακούγονται παρόμοια πριν βασιστείτε στις αποδοθείσες ετικέτες σε ένα τελικό έγγραφο. Χρησιμοποιήστε σταθερές ετικέτες ομιλητών στις επόμενες σημειώσεις, διαχωρίζοντας οποιαδήποτε μεταγενέστερη ταυτοποίηση προσώπου από την ομαδοποίηση ομιλητών του μοντέλου.
Χρησιμοποιήστε την απομαγνητοφώνηση ως πηγαίο υλικό
Μια απομαγνητοφώνηση μπορεί να τροφοδοτήσει μια σύνοψη, ένα αναζητήσιμο αρχείο ή μια ροή προετοιμασίας υποτίτλων. Αυτά τα μεταγενέστερα παραδοτέα πρέπει να διατηρούν το σχετικό τμήμα της απομαγνητοφώνησης και τον χρονισμό της πηγής. Για ένα παράθεμα, ελέγξτε το ακριβές ηχητικό απόσπασμα· για μια σημείωση συνάντησης, διακρίνετε όσα ειπώθηκαν από τα συμπεράσματα που εξάγονται από αυτά. Το μοντέλο παράγει την απομαγνητοφώνηση, ενώ η μορφοποίηση, η σύνοψη και η δημοσίευση βασίζονται σε αυτό το πραγματικό αποτέλεσμα.
Ailoot Ultra · Απομαγνητοφώνηση POST /v1/audio/transcriptions x-ai/grok-stt-1.0
x-ai/grok-stt-1.0Εισαγωγή
Το Grok STT 1.0 μετατρέπει τον ήχο σε απομαγνητοφώνηση με χρονικές σημάνσεις ανά λέξη. Η SpaceXAI τεκμηριώνει προαιρετική διάκριση ομιλητών και πολυκάναλο ήχο, καθιστώντας το μοντέλο χρήσιμο για ηχογραφήσεις που χρειάζονται τόσο το εκφωνημένο κείμενο όσο και τη χρονική δομή ή τη δομή των ομιλητών του.
- 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 |
|---|---|---|---|---|
Πεδίοmodel | Τύποςstring | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια x-ai/grok-stt-1.0 | Προεπιλογή— |
Πεδίοinput_audio | Τύποςobject | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια | Προεπιλογή— |
Πεδίοlanguage | Τύποςstring | ΑπαίτησηΠροαιρετικό | Τιμές και όρια | Προεπιλογή— |
Πεδίοtemperature | Τύποςnumber | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Ελάχιστο: 0 Μέγιστο: 1 | Προεπιλογή— |
Πεδίοresponse_format | Τύποςstring | ΑπαίτησηΠροαιρετικό | Τιμές και όρια json, verbose_json | Προεπιλογήjson |
Πεδίοtimestamp_granularities | Τύποςarray | ΑπαίτησηΠροαιρετικό | Τιμές και όρια | Προεπιλογή— |
Πεδίοprovider | Τύποςobject | ΑπαίτησηΠροαιρετικό | Τιμές και όρια | Προεπιλογή— |
Παράμετροι και κύκλος ζωής μεθόδου
| Παράμετρος | Σύμβαση |
|---|---|
Παράμετροςcontent_type | Σύμβασηapplication/json |
Παράμετροςrequired | Σύμβασηmodel, input_audio |
Παράμετροςmaterial_types | Σύμβασηaudio |
Παράμετροςmaterial_conditions | ΣύμβασηΔιαβάστε πραγματικό αρχείο WAV και κωδικοποιήστε τα πραγματικά byte του για τη δηλωμένη είσοδο JSON input_audio· δεν παρουσιάζεται διαδρομή multipart για αυτή την ακριβή δήλωση αποκλειστικής χρήσης JSON. |
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}
Τιμολόγηση
Πώς υπολογίζεται η τελική χρέωση
Οι εμφανιζόμενες τιμές χρησιμοποιούνται για την εκτίμηση του κόστους πριν από την παραγωγή. Η τελική χρέωση υπολογίζεται από το κόστος που καταγράφηκε για την αρχική παραγωγή. Η μετρημένη διάρκεια της εξόδου και οι προβλεπόμενες ποσότητες δεν αποτελούν την τελική χρεώσιμη ποσότητα.
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
Εκτιμώμενες χρεώσεις για σύγκριση
Τιμές ανά διαμόρφωση
Αντιστοιχίστε κάθε χρέωση στις συνθήκες που εμφανίζονται. Χρησιμοποιήστε μία χρέωση ανά σύνολο εναλλακτικών διαμορφώσεων.
| Διαμόρφωση | Πίνακας χρεώσεων | Προβλεπόμενη ποσότητα | Μονάδα τιμολόγησης | Χρέωση |
|---|---|---|---|---|
| ΔιαμόρφωσηΒασικές χρεώσεις token | Πίνακας χρεώσεωνΒασική χρέωση | Προβλεπόμενη ποσότητα— | Μονάδα τιμολόγησης— | Χρέωση Είσοδος · Token εισόδου · Εκτίμηση μόνο για σύγκριση — / 1K token Έξοδος · Token εξόδου · Εκτίμηση μόνο για σύγκριση — / 1K token Είσοδος · Ανάγνωση από την κρυφή μνήμη · Εκτίμηση μόνο για σύγκριση — / 1K token Είσοδος · Εγγραφή στην κρυφή μνήμη · Εκτίμηση μόνο για σύγκριση — / 1K token Είσοδος · Εγγραφή στην κρυφή μνήμη, 1 ώρα · Εκτίμηση μόνο για σύγκριση — / 1K token |
| Διαμόρφωσηδευτερόλεπτο ήχου εισόδου | Πίνακας χρεώσεων— | Προβλεπόμενη ποσότητα— | Μονάδα τιμολόγησηςανά δευτερόλεπτο ήχου εισόδου | Χρέωση Είσοδος · δευτερόλεπτο ήχου εισόδου · Εκτίμηση μόνο για σύγκριση $0.0000555555555556 ανά δευτερόλεπτο ήχου εισόδου |
| ΔιαμόρφωσηΕκτιμώμενο κόστος δημιουργίας | Πίνακας χρεώσεων— | Προβλεπόμενη ποσότηταεκτίμηση για μία δημιουργία | Μονάδα τιμολόγησης— | Χρέωση Έξοδος · Εκτιμώμενο κόστος δημιουργίας · Εκτίμηση μόνο για σύγκριση $0.0000555555555556 εκτίμηση πριν από τη δημιουργία Αυτή η εκτίμηση δεν αποτελεί πρόσθετη χρέωση ούτε σταθερή τιμή για την ολοκληρωμένη παραγωγή. |
Το Ailoot δεσμεύει ένα εκτιμώμενο ποσό πριν από το αίτημα. Μετά το αποτέλεσμα, εκκαθαρίζει την τελική χρέωση βάσει της μετρημένης χρήσης. Η εκκαθάριση ροής χρησιμοποιεί την τελική καταγραφή χρήσης. Πώς λειτουργούν η δέσμευση και η εκκαθάριση →
Παραδείγματα αιτημάτων
Ailoot Ultra · Απομαγνητοφώνηση
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_AUDIO_FILE:?Set the path to your actual WAV recording}"
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
import base64
audio=Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()
if not (audio[:4]==b'RIFF' and audio[8:12]==b'WAVE'): raise SystemExit('Supply an actual WAV audio file')
if len(audio)>26214400: raise SystemExit('Use a documented supported large-file flow')
request={'model': 'x-ai/grok-stt-1.0', 'input_audio': {'data': '${BASE64_ACTUAL_WAV_BYTES}', 'format': 'wav'}}
request['input_audio']['data']=base64.b64encode(audio).decode('ascii')
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 $AILOOT_API_KEY" -H 'Content-Type: application/json' \
--data-binary @request.json -D response-headers.txt -o response.bin
# Keep the complete original response and headers. Read every returned segment, word and usage field.
# Preserve actual operation/task/asset IDs; continue reads of the original result without resubmitting.
Λήψη και αποθήκευση αποτελεσμάτων
Ailoot Ultra · Απομαγνητοφώνηση
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
Άλλες ανακτήσεις περιεχομένου
set -eu
: "${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 owned-assets.json
# Preserve every returned asset and follow its exact signed content URL. Do not construct a signed token.
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 X-Client-Request-ID που επιστράφηκε για τη συμφωνία των εγγραφών. Διαβάστε μόνο πραγματικές τιμές task_id/asset_id που επιστράφηκαν ή τη βιβλιοθήκη πολυμέσων που σας ανήκει· μην κατασκευάσετε ποτέ URL εργασίας από το ID της λειτουργίας και μην υποβάλετε ποτέ ξανά αίτημα δημιουργίας.
Πεδία απάντησης
| Πεδίο | Τύπος |
|---|---|
Πεδίοtext | Τύπος |
Πεδίοusage | Τύπος |
Πεδίοsegments[] | Τύπος |
Πεδίοwords[] | Τύπος |
Πεδίοspeaker fields | Τύπος |
Πεδίοtimestamps | Τύπος |
Εναλλακτικά ονόματα
Εναλλακτικά ονόματα μοντέλου
Ailoot Ultra x-ai/grok-stt-1.0
Εναλλακτικές διαδρομές μεθόδων
Χρησιμοποιήστε τις διαδρομές μεθόδων που εμφανίζονται παραπάνω.
Σχετικά ID μοντέλων
FAQ · SpaceXAI: Grok STT 1.0
- Ποιες είσοδοι και αποτελέσματα διατίθενται;
POST /v1/audio/transcriptions·x-ai/grok-stt-1.0:audio→text- Ποια πεδία χρησιμοποιεί το αίτημα;
POST /v1/audio/transcriptions·x-ai/grok-stt-1.0:model,input_audio,language,temperature,response_format,timestamp_granularities,provider- Ποια όρια ισχύουν;
POST /v1/audio/transcriptions·x-ai/grok-stt-1.0:temperature.minimum:0;temperature.maximum:1