Whisper large-v3-turbo, también llamado Turbo, es el modelo de transcripción optimizado de OpenAI derivado de Whisper large-v3. Su decodificador se reduce de 32 capas a cuatro, mientras que el codificador mantiene 32 capas. El modelo publicado tiene aproximadamente 809 millones de parámetros. El objetivo del fabricante es acelerar el reconocimiento del habla a cambio de una pequeña pérdida de precisión, no ofrecer un modo diferente de generación de audio. La entrada es habla grabada y el resultado es texto reconocido.
El anuncio del lanzamiento distingue la preparación de Turbo de la de un modelo Whisper destilado por separado: Turbo recibió ajuste fino durante dos épocas adicionales con datos de transcripción multilingüe, excluyendo los datos de traducción. Esta distinción es importante en la práctica. El repositorio de OpenAI indica que Turbo no está entrenado para traducir habla de otros idiomas al inglés y puede devolver el idioma original incluso cuando se solicita una tarea de traducción. Utiliza esta edición para obtener una transcripción en el mismo idioma; si necesitas una traducción, recurre a otro modelo adecuado o a un paso separado después de la transcripción.
La detección del idioma de origen y la selección explícita del idioma siguen siendo opciones útiles para transcribir. Si ya conoces el idioma de la grabación, indícalo en las instrucciones; de lo contrario, el flujo de trabajo documentado puede detectarlo. Conserva los nombres, las cantidades y las palabras pronunciadas antes de solicitar una revisión editorial. La minuta de una reunión, la transcripción de una entrevista o el texto de una clase se pueden buscar, anotar o resumir en una operación posterior. La tarea de reconocimiento de Turbo no debe confundirse con síntesis de voz, imitación de hablantes o un juicio semántico sobre las personas de la grabación.
El cargador de audio de OpenAI decodifica los archivos de entrada en muestras mono a 16 kHz, y el modelo utiliza una ventana acústica de 30 segundos con 128 bandas de frecuencia Mel. Las grabaciones más largas requieren inferencia sobre grabaciones largas. El procesamiento secuencial recorre las ventanas en orden; un enfoque por fragmentos transcribe partes superpuestas y une sus límites. La ficha del modelo presenta este último como útil al procesar un único archivo largo cuando la prioridad principal es el plazo de entrega, mientras que el procesamiento secuencial prioriza la precisión. Ni la ventana ni el nombre del modelo establecen un tamaño máximo fijo de archivo para subirlo a un servicio alojado.
La configuración exacta de Turbo indica 448 posiciones de decodificador para una secuencia de decodificación. El flujo de inferencia documentado puede incluir referencias temporales de segmentos o palabras junto con la transcripción; sirven para navegar y dar formato a subtítulos más adelante. No añaden automáticamente un formato de archivo de subtítulos ni etiquetas confiables de hablantes. Especifica si necesitas una transcripción simple o segmentos con referencias temporales y conserva la grabación original para comprobar los pasajes controvertidos. El procesamiento de grabaciones largas y cualquier formato final son independientes de la identidad de la versión de pesos del modelo.
Turbo reduce el trabajo de decodificación, pero el tiempo real necesario depende del equipo, la duración de la grabación, el idioma, el ritmo del habla y las opciones de inferencia. El fabricante señala una mayor degradación de la calidad en algunos idiomas, incluidos el tailandés y el cantonés, en lugar de un comportamiento uniforme en todos. Compara un fragmento representativo en el idioma previsto antes de considerar que este compromiso a favor de la velocidad es adecuado para todo el material. Para procesar un archivo de grabaciones, incluye vocabulario difícil, pausas y pasajes ruidosos o con habla superpuesta en la muestra de revisión, no solo una frase inicial clara.
La ficha publicada recoge las principales limitaciones de reconocimiento de Whisper: el texto predicho puede incluir palabras que no se pronunciaron y pueden aparecer repeticiones. Los resultados varían entre idiomas, acentos y dialectos, sobre todo cuando la cobertura del entrenamiento es limitada. La ficha no establece la diarización ni la clasificación de hablantes como capacidades estándar sólidas del modelo base. Una revisión práctica se centra en la fidelidad a la fuente: nombres y números importantes, habla omitida, texto inesperado durante los silencios y repeticiones. Una transcripción legible sigue siendo un resultado que comparar con la grabación, no una garantía de reconocimiento exacto.
El resultado final útil es una transcripción en el idioma de origen con las referencias temporales solicitadas, si procede, y un vínculo claro con su grabación. Mantén la versión reconocida separada de la versión editada para publicación, de modo que los cambios se puedan rastrear. Conserva el nombre large-v3-turbo al comparar ediciones: no es el modelo large-v3 completo y no debe heredar implícitamente la tarea de traducción al inglés de large-v3. Su condición de modelo de pesos abiertos tampoco implica los límites de carga de archivos, los contenedores de respuesta ni las promesas de transmisión en directo del servicio alojado whisper-1. Elige Turbo cuando el compromiso documentado de transcripción encaje con el material real y el plazo de entrega deseado.
", "aboutText": "Whisper large-v3-turbo, también llamado Turbo, es el modelo de transcripción optimizado de OpenAI derivado de Whisper large-v3. Su decodificador se reduce de 32 capas a cuatro, mientras que el codificador mantiene 32 capas. El modelo publicado tiene aproximadamente 809 millones de parámetros. El objetivo del fabricante es acelerar el reconocimiento del habla a cambio de una pequeña pérdida de precisión, no ofrecer un modo diferente de generación de audio. La entrada es habla grabada y el resultado es texto reconocido.\n\nEl anuncio del lanzamiento distingue la preparación de Turbo de la de un modelo Whisper destilado por separado: Turbo recibió ajuste fino durante dos épocas adicionales con datos de transcripción multilingüe, excluyendo los datos de traducción. Esta distinción es importante en la práctica. El repositorio de OpenAI indica que Turbo no está entrenado para traducir habla de otros idiomas al inglés y puede devolver el idioma original incluso cuando se solicita una tarea de traducción. Utiliza esta edición para obtener una transcripción en el mismo idioma; si necesitas una traducción, recurre a otro modelo adecuado o a un paso separado después de la transcripción.\n\nLa detección del idioma de origen y la selección explícita del idioma siguen siendo opciones útiles para transcribir. Si ya conoces el idioma de la grabación, indícalo en las instrucciones; de lo contrario, el flujo de trabajo documentado puede detectarlo. Conserva los nombres, las cantidades y las palabras pronunciadas antes de solicitar una revisión editorial. La minuta de una reunión, la transcripción de una entrevista o el texto de una clase se pueden buscar, anotar o resumir en una operación posterior. La tarea de reconocimiento de Turbo no debe confundirse con síntesis de voz, imitación de hablantes o un juicio semántico sobre las personas de la grabación.\n\nEl cargador de audio de OpenAI decodifica los archivos de entrada en muestras mono a 16 kHz, y el modelo utiliza una ventana acústica de 30 segundos con 128 bandas de frecuencia Mel. Las grabaciones más largas requieren inferencia sobre grabaciones largas. El procesamiento secuencial recorre las ventanas en orden; un enfoque por fragmentos transcribe partes superpuestas y une sus límites. La ficha del modelo presenta este último como útil al procesar un único archivo largo cuando la prioridad principal es el plazo de entrega, mientras que el procesamiento secuencial prioriza la precisión. Ni la ventana ni el nombre del modelo establecen un tamaño máximo fijo de archivo para subirlo a un servicio alojado.\n\nLa configuración exacta de Turbo indica 448 posiciones de decodificador para una secuencia de decodificación. El flujo de inferencia documentado puede incluir referencias temporales de segmentos o palabras junto con la transcripción; sirven para navegar y dar formato a subtítulos más adelante. No añaden automáticamente un formato de archivo de subtítulos ni etiquetas confiables de hablantes. Especifica si necesitas una transcripción simple o segmentos con referencias temporales y conserva la grabación original para comprobar los pasajes controvertidos. El procesamiento de grabaciones largas y cualquier formato final son independientes de la identidad de la versión de pesos del modelo.\n\nTurbo reduce el trabajo de decodificación, pero el tiempo real necesario depende del equipo, la duración de la grabación, el idioma, el ritmo del habla y las opciones de inferencia. El fabricante señala una mayor degradación de la calidad en algunos idiomas, incluidos el tailandés y el cantonés, en lugar de un comportamiento uniforme en todos. Compara un fragmento representativo en el idioma previsto antes de considerar que este compromiso a favor de la velocidad es adecuado para todo el material. Para procesar un archivo de grabaciones, incluye vocabulario difícil, pausas y pasajes ruidosos o con habla superpuesta en la muestra de revisión, no solo una frase inicial clara.\n\nLa ficha publicada recoge las principales limitaciones de reconocimiento de Whisper: el texto predicho puede incluir palabras que no se pronunciaron y pueden aparecer repeticiones. Los resultados varían entre idiomas, acentos y dialectos, sobre todo cuando la cobertura del entrenamiento es limitada. La ficha no establece la diarización ni la clasificación de hablantes como capacidades estándar sólidas del modelo base. Una revisión práctica se centra en la fidelidad a la fuente: nombres y números importantes, habla omitida, texto inesperado durante los silencios y repeticiones. Una transcripción legible sigue siendo un resultado que comparar con la grabación, no una garantía de reconocimiento exacto.\n\nEl resultado final útil es una transcripción en el idioma de origen con las referencias temporales solicitadas, si procede, y un vínculo claro con su grabación. Mantén la versión reconocida separada de la versión editada para publicación, de modo que los cambios se puedan rastrear. Conserva el nombre large-v3-turbo al comparar ediciones: no es el modelo large-v3 completo y no debe heredar implícitamente la tarea de traducción al inglés de large-v3. Su condición de modelo de pesos abiertos tampoco implica los límites de carga de archivos, los contenedores de respuesta ni las promesas de transmisión en directo del servicio alojado whisper-1. Elige Turbo cuando el compromiso documentado de transcripción encaje con el material real y el plazo de entrega deseado.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "c0c609c4672bafb1bf6f7ac99ffaabd174b4230fd0c5e0cd178d8d580d279de5", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "es-mx", "methods": [ { "html": "openai/whisper-large-v3-turboWhisper large-v3-turbo es la edición de transcripción de pesos abiertos de OpenAI, más rápida y derivada de large-v3, con cuatro capas de decodificador y 809 millones de parámetros. Está orientada a convertir habla multilingüe en texto; la documentación oficial del fabricante excluye la traducción del habla al inglés de la tarea para la que se entrenó Turbo.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Whisper large-v3-turbo, también llamado Turbo, es el modelo de transcripción optimizado de OpenAI derivado de Whisper large-v3. Su decodificador se reduce de 32 capas a cuatro, mientras que el codificador mantiene 32 capas. El modelo publicado tiene aproximadamente 809 millones de parámetros. El objetivo del fabricante es acelerar el reconocimiento del habla a cambio de una pequeña pérdida de precisión, no ofrecer un modo diferente de generación de audio. La entrada es habla grabada y el resultado es texto reconocido.
El anuncio del lanzamiento distingue la preparación de Turbo de la de un modelo Whisper destilado por separado: Turbo recibió ajuste fino durante dos épocas adicionales con datos de transcripción multilingüe, excluyendo los datos de traducción. Esta distinción es importante en la práctica. El repositorio de OpenAI indica que Turbo no está entrenado para traducir habla de otros idiomas al inglés y puede devolver el idioma original incluso cuando se solicita una tarea de traducción. Utiliza esta edición para obtener una transcripción en el mismo idioma; si necesitas una traducción, recurre a otro modelo adecuado o a un paso separado después de la transcripción.
La detección del idioma de origen y la selección explícita del idioma siguen siendo opciones útiles para transcribir. Si ya conoces el idioma de la grabación, indícalo en las instrucciones; de lo contrario, el flujo de trabajo documentado puede detectarlo. Conserva los nombres, las cantidades y las palabras pronunciadas antes de solicitar una revisión editorial. La minuta de una reunión, la transcripción de una entrevista o el texto de una clase se pueden buscar, anotar o resumir en una operación posterior. La tarea de reconocimiento de Turbo no debe confundirse con síntesis de voz, imitación de hablantes o un juicio semántico sobre las personas de la grabación.
El cargador de audio de OpenAI decodifica los archivos de entrada en muestras mono a 16 kHz, y el modelo utiliza una ventana acústica de 30 segundos con 128 bandas de frecuencia Mel. Las grabaciones más largas requieren inferencia sobre grabaciones largas. El procesamiento secuencial recorre las ventanas en orden; un enfoque por fragmentos transcribe partes superpuestas y une sus límites. La ficha del modelo presenta este último como útil al procesar un único archivo largo cuando la prioridad principal es el plazo de entrega, mientras que el procesamiento secuencial prioriza la precisión. Ni la ventana ni el nombre del modelo establecen un tamaño máximo fijo de archivo para subirlo a un servicio alojado.
La configuración exacta de Turbo indica 448 posiciones de decodificador para una secuencia de decodificación. El flujo de inferencia documentado puede incluir referencias temporales de segmentos o palabras junto con la transcripción; sirven para navegar y dar formato a subtítulos más adelante. No añaden automáticamente un formato de archivo de subtítulos ni etiquetas confiables de hablantes. Especifica si necesitas una transcripción simple o segmentos con referencias temporales y conserva la grabación original para comprobar los pasajes controvertidos. El procesamiento de grabaciones largas y cualquier formato final son independientes de la identidad de la versión de pesos del modelo.
Turbo reduce el trabajo de decodificación, pero el tiempo real necesario depende del equipo, la duración de la grabación, el idioma, el ritmo del habla y las opciones de inferencia. El fabricante señala una mayor degradación de la calidad en algunos idiomas, incluidos el tailandés y el cantonés, en lugar de un comportamiento uniforme en todos. Compara un fragmento representativo en el idioma previsto antes de considerar que este compromiso a favor de la velocidad es adecuado para todo el material. Para procesar un archivo de grabaciones, incluye vocabulario difícil, pausas y pasajes ruidosos o con habla superpuesta en la muestra de revisión, no solo una frase inicial clara.
La ficha publicada recoge las principales limitaciones de reconocimiento de Whisper: el texto predicho puede incluir palabras que no se pronunciaron y pueden aparecer repeticiones. Los resultados varían entre idiomas, acentos y dialectos, sobre todo cuando la cobertura del entrenamiento es limitada. La ficha no establece la diarización ni la clasificación de hablantes como capacidades estándar sólidas del modelo base. Una revisión práctica se centra en la fidelidad a la fuente: nombres y números importantes, habla omitida, texto inesperado durante los silencios y repeticiones. Una transcripción legible sigue siendo un resultado que comparar con la grabación, no una garantía de reconocimiento exacto.
El resultado final útil es una transcripción en el idioma de origen con las referencias temporales solicitadas, si procede, y un vínculo claro con su grabación. Mantén la versión reconocida separada de la versión editada para publicación, de modo que los cambios se puedan rastrear. Conserva el nombre large-v3-turbo al comparar ediciones: no es el modelo large-v3 completo y no debe heredar implícitamente la tarea de traducción al inglés de large-v3. Su condición de modelo de pesos abiertos tampoco implica los límites de carga de archivos, los contenedores de respuesta ni las promesas de transmisión en directo del servicio alojado whisper-1. Elige Turbo cuando el compromiso documentado de transcripción encaje con el material real y el plazo de entrega deseado.
POST /v1/audio/transcriptionsaudiotext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites openai/whisper-large-v3-turbo | Predeterminado— |
Campoinput_audio | Tipoobject | RequisitoObligatorio | Valores y límites | Predeterminado— |
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, input_audio |
Parámetromaterial_types | Contratoaudio |
Parámetromaterial_conditions | ContratoEl ejemplo lee tu archivo PCM WAV real y no vacío, codifica todos sus bytes en base64 y envía input_audio.format con el valor wav. |
Ciclo de vida: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · task_id exacto de un registro multimedia existente que te pertenece
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas.
| Configuración | Tabla de tarifas | Unidad de facturación | Cargo |
|---|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Unidad de facturación— | Cargo Entrada · Tokens de entrada — / 1K tokens Salida · Tokens de salida — / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| Configuraciónsegundo de audio de entrada | Tabla de tarifas— | Unidad de facturaciónpor segundo de audio de entrada | Cargo Entrada · segundo de audio de entrada $0.00000666 por segundo de audio de entrada |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${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.\nCuerpo completo de la respuesta original, estado y encabezados reenviados. Este manejador no agrega una estructura JSON universal, un campo de texto ni una estructura contenedora de tareas.
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva la respuesta completa y los encabezados, todas las salidas reales, los identificadores originales devueltos y todos los campos de uso. Recupera la operación original sin volver a enviar la solicitud de creación.
Conserva el X-Client-Request-ID real y la respuesta completa. Consulta los recursos originales que te pertenecen y sus URL exactas de contenido firmadas; nunca vuelvas a enviar una creación incierta.
| Campo | Tipo |
|---|---|
Campotext (when present) | Tipo |
Campousage (when present) | Tipo |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónEl cuerpo JSON o el ID canónico explícito del modelo no son válidos. | Siguiente pasoConserva la respuesta y corrige el campo indicado de la solicitud. |
Respuesta401 · authentication_error | CondiciónLa clave API de Ailoot no es válida. | Siguiente pasoUsa tu clave API autorizada de Ailoot. |
Respuesta403 · permission_error | CondiciónEl grupo de la clave no admite este método. | Siguiente pasoConserva los detalles del error devueltos. |
Respuesta404 · not_found_error | CondiciónEl método seleccionado no tiene una ruta admitida. | Siguiente pasoConserva los detalles del error devueltos. |
Respuesta422 · price_unavailable | CondiciónLa tarifa aceptada no puede obtener la cantidad de entrada o el límite que requiere. | Siguiente pasoConserva la respuesta; usa la representación de entrada que requiere la tarifa aceptada. |
Respuesta503 · | CondiciónEl almacenamiento requerido, la ruta, el precio del método o la reserva de fondos no están disponibles. | Siguiente pasoConserva la respuesta original completa. Una reserva incierta no autoriza un reenvío. |
Respuesta502 · server_error | CondiciónEl resultado original, el uso o la liquidación del cargo requieren verificación. | Siguiente pasoConserva el ID real de solicitud y la respuesta original. Consulta el registro existente que te pertenece; no vuelvas a enviar la creación. |
Ailoot Ultra openai/whisper-large-v3-turbo
Usa las rutas de método indicadas arriba.