{ "aboutHtml": "

GPT Transcribe es el modelo de OpenAI que convierte habla en texto para archivos de audio completos, transcripciones de archivos en flujo y turnos de audio confirmados en sesiones Realtime. Acepta audio con contexto textual opcional y devuelve el texto reconocido. El proveedor lo presenta para transcribir con precisión el habla grabada en su idioma original, incluido el vocabulario especializado, las grabaciones multilingües y la alternancia de idiomas. Su resultado útil es una transcripción vinculada a la grabación, con metadatos de los idiomas detectados cuando el modelo puede realizar una predicción fiable.

Preparar una grabación completa

El flujo de transcripción de archivos de OpenAI admite cargas de hasta 25 MB. La referencia actual del punto de acceso incluye los formatos de entrada FLAC, MP3, MP4, MPEG, MPGA, M4A, OGG, WAV y WebM, y recomienda aportar suficientes metadatos para identificar el formato, incluida una extensión de archivo y un tipo de contenido adecuados. Para una grabación más grande, la guía recomienda comprimirla o dividirla en archivos de 25 MB o menos. Evita cortar a mitad de una frase, ya que eliminar el habla circundante puede reducir la precisión del reconocimiento. Mantén las partes en orden y conserva sus posiciones en la grabación original.

Para una reunión, una entrevista o una presentación grabada, proporciona el audio real e identifica el tema y la terminología que probablemente se pronuncie. Un resultado útil recoge las palabras reconocidas, en lugar de un resumen inferido de la conversación. Conserva el identificador de la grabación junto con el texto devuelto para que quien revise un nombre, un número o una frase dudosa pueda volver a la fuente correcta. La transcripción puede servir después como material para otro flujo de resumen, traducción o revisión editorial.

Contexto, indicaciones de palabras clave e idiomas esperados

El proveedor distingue tres tipos de orientación. Una instrucción aporta contexto libre sobre el tema o la situación de la grabación. Las palabras clave indican palabras o expresiones literales que se espera oír. Una lista de idiomas identifica los idiomas hablados esperados. Para una conversación bilingüe sobre un producto, describe la situación en la instrucción, enumera los nombres de producto pertinentes como palabras clave y proporciona los idiomas esperados. Son indicaciones para el reconocimiento; no son instrucciones para insertar vocabulario que nadie ha pronunciado.

GPT Transcribe utiliza el campo plural languages en lugar del antiguo campo singular language; OpenAI indica que no se envíen ambos. Su guía admite los códigos ISO 639-1 compatibles, determinados códigos ISO 639-3 y códigos regionales de configuración lingüística del chino, y rechaza los valores incompatibles o mal formados. Cada palabra clave debe ocupar una sola línea y no contener ningún corchete angular, retorno de carro ni salto de línea. Una palabra clave no válida o una instrucción demasiado larga pueden provocar el rechazo de toda la solicitud. Mantén el contexto pertinente y comprueba si los nombres sugeridos aparecen realmente en el audio, en lugar de tratar la lista de indicaciones como si fuera la transcripción.

Salida JSON y predicciones de idiomas detectados

El resultado documentado de un archivo es JSON con la transcripción y los idiomas detectados. Esas predicciones de idiomas son una salida del modelo, no una copia de las indicaciones de idiomas proporcionadas. Una lista de idiomas vacía es un resultado válido cuando el modelo no puede realizar una predicción fiable; no demuestra que la grabación estuviera en silencio ni que la transcripción haya fallado. Mantén separados el texto reconocido y los metadatos de idiomas para que el procesamiento posterior utilice cada uno según su significado.

Recibir en flujo la transcripción de un archivo

Un archivo completo puede producir texto transcrito de forma incremental durante su procesamiento. OpenAI documenta los eventos transcript.text.delta para el texto parcial y transcript.text.done para la transcripción completa del archivo; el evento final también incluye los idiomas detectados. Así se recibe en flujo la salida de una grabación ya proporcionada. Resulta útil para mostrar el progreso de una carga larga, mientras que el evento final establece el texto que debe conservarse como resultado completo.

Turnos confirmados en sesiones Realtime

GPT Transcribe también tiene un flujo especializado de Realtime mediante WebSocket. El audio se añade al búfer de entrada y, después, la aplicación confirma explícitamente un turno de audio. La transcripción comienza para ese segmento confirmado y puede emitir fragmentos de texto antes de su evento de finalización, incluida información de los idiomas detectados. El modelo utiliza automáticamente los turnos transcritos previamente como contexto en este flujo de sesión del proveedor. Esto es distinto de emitir continuamente subtítulos en directo a medida que llega el audio del micrófono; OpenAI denomina GPT Live Transcribe al modelo para ese flujo continuo.

Para varios turnos, conserva el identificador del elemento de entrada junto con la transcripción correspondiente. OpenAI advierte de que los eventos de finalización de distintos turnos no tienen por qué llegar en el orden del habla; por tanto, asocia cada resultado final con su entrada confirmada, en lugar de ordenar una conversación únicamente por la hora de finalización. El entregable útil es una transcripción ordenada, compuesta con los elementos finales correctos, en la que el texto provisional se trata como progreso y no como un enunciado completo independiente.

Salidas especializadas y límites de las funciones

Este perfil no ofrece unas especificaciones universales de subtítulos, marcas de tiempo, traducción o etiquetas de hablantes. La guía de migración de OpenAI distingue esas capacidades especializadas: los formatos nativos de subtítulos y las marcas temporales de cada palabra requieren un modelo y un formato compatibles, mientras que las etiquetas de hablantes utilizan GPT-4o Transcribe Diarize. El resultado de archivo de GPT Transcribe es JSON, en lugar de una respuesta SRT, VTT o con marcas de tiempo detalladas que pueda sustituirse directamente. Su ficha exacta no publica una asignación numérica de contexto o salida máxima, por lo que no debe suponerse que una ventana de tokens de un modelo de chat se aplique a la transcripción de audio.

Contrasta con la grabación el vocabulario difícil, los números, los acentos, el ruido de fondo y los cambios de idioma. Comprueba que las indicaciones pertinentes mejoren el reconocimiento sin introducir términos no pronunciados y que la transcripción final incluya el final del audio. Para un resultado multilingüe, conserva las palabras pronunciadas antes de preparar cualquier versión traducida. Estas comprobaciones hacen que la transcripción sea útil como material fuente y permiten distinguir claramente las indicaciones de contexto, los idiomas detectados y el habla reconocida.

", "aboutText": "GPT Transcribe es el modelo de OpenAI que convierte habla en texto para archivos de audio completos, transcripciones de archivos en flujo y turnos de audio confirmados en sesiones Realtime. Acepta audio con contexto textual opcional y devuelve el texto reconocido. El proveedor lo presenta para transcribir con precisión el habla grabada en su idioma original, incluido el vocabulario especializado, las grabaciones multilingües y la alternancia de idiomas. Su resultado útil es una transcripción vinculada a la grabación, con metadatos de los idiomas detectados cuando el modelo puede realizar una predicción fiable.\n\n### Preparar una grabación completa\n\nEl flujo de transcripción de archivos de OpenAI admite cargas de hasta 25 MB. La referencia actual del punto de acceso incluye los formatos de entrada FLAC, MP3, MP4, MPEG, MPGA, M4A, OGG, WAV y WebM, y recomienda aportar suficientes metadatos para identificar el formato, incluida una extensión de archivo y un tipo de contenido adecuados. Para una grabación más grande, la guía recomienda comprimirla o dividirla en archivos de 25 MB o menos. Evita cortar a mitad de una frase, ya que eliminar el habla circundante puede reducir la precisión del reconocimiento. Mantén las partes en orden y conserva sus posiciones en la grabación original.\n\nPara una reunión, una entrevista o una presentación grabada, proporciona el audio real e identifica el tema y la terminología que probablemente se pronuncie. Un resultado útil recoge las palabras reconocidas, en lugar de un resumen inferido de la conversación. Conserva el identificador de la grabación junto con el texto devuelto para que quien revise un nombre, un número o una frase dudosa pueda volver a la fuente correcta. La transcripción puede servir después como material para otro flujo de resumen, traducción o revisión editorial.\n\n### Contexto, indicaciones de palabras clave e idiomas esperados\n\nEl proveedor distingue tres tipos de orientación. Una instrucción aporta contexto libre sobre el tema o la situación de la grabación. Las palabras clave indican palabras o expresiones literales que se espera oír. Una lista de idiomas identifica los idiomas hablados esperados. Para una conversación bilingüe sobre un producto, describe la situación en la instrucción, enumera los nombres de producto pertinentes como palabras clave y proporciona los idiomas esperados. Son indicaciones para el reconocimiento; no son instrucciones para insertar vocabulario que nadie ha pronunciado.\n\nGPT Transcribe utiliza el campo plural languages en lugar del antiguo campo singular language; OpenAI indica que no se envíen ambos. Su guía admite los códigos ISO 639-1 compatibles, determinados códigos ISO 639-3 y códigos regionales de configuración lingüística del chino, y rechaza los valores incompatibles o mal formados. Cada palabra clave debe ocupar una sola línea y no contener ningún corchete angular, retorno de carro ni salto de línea. Una palabra clave no válida o una instrucción demasiado larga pueden provocar el rechazo de toda la solicitud. Mantén el contexto pertinente y comprueba si los nombres sugeridos aparecen realmente en el audio, en lugar de tratar la lista de indicaciones como si fuera la transcripción.\n\n### Salida JSON y predicciones de idiomas detectados\n\nEl resultado documentado de un archivo es JSON con la transcripción y los idiomas detectados. Esas predicciones de idiomas son una salida del modelo, no una copia de las indicaciones de idiomas proporcionadas. Una lista de idiomas vacía es un resultado válido cuando el modelo no puede realizar una predicción fiable; no demuestra que la grabación estuviera en silencio ni que la transcripción haya fallado. Mantén separados el texto reconocido y los metadatos de idiomas para que el procesamiento posterior utilice cada uno según su significado.\n\n### Recibir en flujo la transcripción de un archivo\n\nUn archivo completo puede producir texto transcrito de forma incremental durante su procesamiento. OpenAI documenta los eventos transcript.text.delta para el texto parcial y transcript.text.done para la transcripción completa del archivo; el evento final también incluye los idiomas detectados. Así se recibe en flujo la salida de una grabación ya proporcionada. Resulta útil para mostrar el progreso de una carga larga, mientras que el evento final establece el texto que debe conservarse como resultado completo.\n\n### Turnos confirmados en sesiones Realtime\n\nGPT Transcribe también tiene un flujo especializado de Realtime mediante WebSocket. El audio se añade al búfer de entrada y, después, la aplicación confirma explícitamente un turno de audio. La transcripción comienza para ese segmento confirmado y puede emitir fragmentos de texto antes de su evento de finalización, incluida información de los idiomas detectados. El modelo utiliza automáticamente los turnos transcritos previamente como contexto en este flujo de sesión del proveedor. Esto es distinto de emitir continuamente subtítulos en directo a medida que llega el audio del micrófono; OpenAI denomina GPT Live Transcribe al modelo para ese flujo continuo.\n\nPara varios turnos, conserva el identificador del elemento de entrada junto con la transcripción correspondiente. OpenAI advierte de que los eventos de finalización de distintos turnos no tienen por qué llegar en el orden del habla; por tanto, asocia cada resultado final con su entrada confirmada, en lugar de ordenar una conversación únicamente por la hora de finalización. El entregable útil es una transcripción ordenada, compuesta con los elementos finales correctos, en la que el texto provisional se trata como progreso y no como un enunciado completo independiente.\n\n### Salidas especializadas y límites de las funciones\n\nEste perfil no ofrece unas especificaciones universales de subtítulos, marcas de tiempo, traducción o etiquetas de hablantes. La guía de migración de OpenAI distingue esas capacidades especializadas: los formatos nativos de subtítulos y las marcas temporales de cada palabra requieren un modelo y un formato compatibles, mientras que las etiquetas de hablantes utilizan GPT-4o Transcribe Diarize. El resultado de archivo de GPT Transcribe es JSON, en lugar de una respuesta SRT, VTT o con marcas de tiempo detalladas que pueda sustituirse directamente. Su ficha exacta no publica una asignación numérica de contexto o salida máxima, por lo que no debe suponerse que una ventana de tokens de un modelo de chat se aplique a la transcripción de audio.\n\nContrasta con la grabación el vocabulario difícil, los números, los acentos, el ruido de fondo y los cambios de idioma. Comprueba que las indicaciones pertinentes mejoren el reconocimiento sin introducir términos no pronunciados y que la transcripción final incluya el final del audio. Para un resultado multilingüe, conserva las palabras pronunciadas antes de preparar cualquier versión traducida. Estas comprobaciones hacen que la transcripción sea útil como material fuente y permiten distinguir claramente las indicaciones de contexto, los idiomas detectados y el habla reconocida.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "40fbd5c4558e3d0e99a540042349c054dce71134bb368581d8ad88879b0f1b3d", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "es", "methods": [ { "html": "
O

OpenAI: GPT Transcribe

OpenAI /openai/gpt-transcribe

Primeros pasos

GPT Transcribe convierte el habla grabada en texto en su idioma original, con instrucciones de contexto, indicaciones de palabras clave literales y de varios idiomas. OpenAI documenta la transcripción de archivos completos, los resultados de transcripción de archivos en flujo y la transcripción después de confirmar turnos de audio de Realtime.

Entradas aceptadas
Audio
Resultados
Texto
Sobre el modelo

Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.

GPT Transcribe es el modelo de OpenAI que convierte habla en texto para archivos de audio completos, transcripciones de archivos en flujo y turnos de audio confirmados en sesiones Realtime. Acepta audio con contexto textual opcional y devuelve el texto reconocido. El proveedor lo presenta para transcribir con precisión el habla grabada en su idioma original, incluido el vocabulario especializado, las grabaciones multilingües y la alternancia de idiomas. Su resultado útil es una transcripción vinculada a la grabación, con metadatos de los idiomas detectados cuando el modelo puede realizar una predicción fiable.

Preparar una grabación completa

El flujo de transcripción de archivos de OpenAI admite cargas de hasta 25 MB. La referencia actual del punto de acceso incluye los formatos de entrada FLAC, MP3, MP4, MPEG, MPGA, M4A, OGG, WAV y WebM, y recomienda aportar suficientes metadatos para identificar el formato, incluida una extensión de archivo y un tipo de contenido adecuados. Para una grabación más grande, la guía recomienda comprimirla o dividirla en archivos de 25 MB o menos. Evita cortar a mitad de una frase, ya que eliminar el habla circundante puede reducir la precisión del reconocimiento. Mantén las partes en orden y conserva sus posiciones en la grabación original.

Para una reunión, una entrevista o una presentación grabada, proporciona el audio real e identifica el tema y la terminología que probablemente se pronuncie. Un resultado útil recoge las palabras reconocidas, en lugar de un resumen inferido de la conversación. Conserva el identificador de la grabación junto con el texto devuelto para que quien revise un nombre, un número o una frase dudosa pueda volver a la fuente correcta. La transcripción puede servir después como material para otro flujo de resumen, traducción o revisión editorial.

Contexto, indicaciones de palabras clave e idiomas esperados

El proveedor distingue tres tipos de orientación. Una instrucción aporta contexto libre sobre el tema o la situación de la grabación. Las palabras clave indican palabras o expresiones literales que se espera oír. Una lista de idiomas identifica los idiomas hablados esperados. Para una conversación bilingüe sobre un producto, describe la situación en la instrucción, enumera los nombres de producto pertinentes como palabras clave y proporciona los idiomas esperados. Son indicaciones para el reconocimiento; no son instrucciones para insertar vocabulario que nadie ha pronunciado.

GPT Transcribe utiliza el campo plural languages en lugar del antiguo campo singular language; OpenAI indica que no se envíen ambos. Su guía admite los códigos ISO 639-1 compatibles, determinados códigos ISO 639-3 y códigos regionales de configuración lingüística del chino, y rechaza los valores incompatibles o mal formados. Cada palabra clave debe ocupar una sola línea y no contener ningún corchete angular, retorno de carro ni salto de línea. Una palabra clave no válida o una instrucción demasiado larga pueden provocar el rechazo de toda la solicitud. Mantén el contexto pertinente y comprueba si los nombres sugeridos aparecen realmente en el audio, en lugar de tratar la lista de indicaciones como si fuera la transcripción.

Salida JSON y predicciones de idiomas detectados

El resultado documentado de un archivo es JSON con la transcripción y los idiomas detectados. Esas predicciones de idiomas son una salida del modelo, no una copia de las indicaciones de idiomas proporcionadas. Una lista de idiomas vacía es un resultado válido cuando el modelo no puede realizar una predicción fiable; no demuestra que la grabación estuviera en silencio ni que la transcripción haya fallado. Mantén separados el texto reconocido y los metadatos de idiomas para que el procesamiento posterior utilice cada uno según su significado.

Recibir en flujo la transcripción de un archivo

Un archivo completo puede producir texto transcrito de forma incremental durante su procesamiento. OpenAI documenta los eventos transcript.text.delta para el texto parcial y transcript.text.done para la transcripción completa del archivo; el evento final también incluye los idiomas detectados. Así se recibe en flujo la salida de una grabación ya proporcionada. Resulta útil para mostrar el progreso de una carga larga, mientras que el evento final establece el texto que debe conservarse como resultado completo.

Turnos confirmados en sesiones Realtime

GPT Transcribe también tiene un flujo especializado de Realtime mediante WebSocket. El audio se añade al búfer de entrada y, después, la aplicación confirma explícitamente un turno de audio. La transcripción comienza para ese segmento confirmado y puede emitir fragmentos de texto antes de su evento de finalización, incluida información de los idiomas detectados. El modelo utiliza automáticamente los turnos transcritos previamente como contexto en este flujo de sesión del proveedor. Esto es distinto de emitir continuamente subtítulos en directo a medida que llega el audio del micrófono; OpenAI denomina GPT Live Transcribe al modelo para ese flujo continuo.

Para varios turnos, conserva el identificador del elemento de entrada junto con la transcripción correspondiente. OpenAI advierte de que los eventos de finalización de distintos turnos no tienen por qué llegar en el orden del habla; por tanto, asocia cada resultado final con su entrada confirmada, en lugar de ordenar una conversación únicamente por la hora de finalización. El entregable útil es una transcripción ordenada, compuesta con los elementos finales correctos, en la que el texto provisional se trata como progreso y no como un enunciado completo independiente.

Salidas especializadas y límites de las funciones

Este perfil no ofrece unas especificaciones universales de subtítulos, marcas de tiempo, traducción o etiquetas de hablantes. La guía de migración de OpenAI distingue esas capacidades especializadas: los formatos nativos de subtítulos y las marcas temporales de cada palabra requieren un modelo y un formato compatibles, mientras que las etiquetas de hablantes utilizan GPT-4o Transcribe Diarize. El resultado de archivo de GPT Transcribe es JSON, en lugar de una respuesta SRT, VTT o con marcas de tiempo detalladas que pueda sustituirse directamente. Su ficha exacta no publica una asignación numérica de contexto o salida máxima, por lo que no debe suponerse que una ventana de tokens de un modelo de chat se aplique a la transcripción de audio.

Contrasta con la grabación el vocabulario difícil, los números, los acentos, el ruido de fondo y los cambios de idioma. Comprueba que las indicaciones pertinentes mejoren el reconocimiento sin introducir términos no pronunciados y que la transcripción final incluya el final del audio. Para un resultado multilingüe, conserva las palabras pronunciadas antes de preparar cualquier versión traducida. Estas comprobaciones hacen que la transcripción sea útil como material fuente y permiten distinguir claramente las indicaciones de contexto, los idiomas detectados y el habla reconocida.

Disponible en Ailoot · entradas y métodos

Ailoot Ultra · Transcripción POST /v1/audio/transcriptions
Tipos de entrada
audio
Tipos de salida
text
CampoTipoRequisitoValores y límitesPredeterminado
CampomodelTipostringRequisitoObligatorioValores y límites
openai/gpt-transcribe
Predeterminado—
Campoinput_audioTipoobjectRequisitoObligatorioValores y límitesPredeterminado—
Parámetros del método y ciclo de vida
ParámetroContrato
Parámetrocontent_typeContratoapplication/json
ParámetrorequiredContratomodel, input_audio
Parámetromaterial_typesContratoaudio
Parámetromaterial_conditionsContratoEl ejemplo lee tu archivo PCM WAV real y no vacío, codifica todos los bytes del archivo 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 existente de medios bajo tu titularidad

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

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

Planes

Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.

Modo rápido
Sin especificar Cuando se selecciona el modo rápido
Modo flex
Sin especificar Cuando se selecciona el modo flex
Esfuerzo máximo de razonamiento
Sin especificar Cuando el esfuerzo máximo de razonamiento utiliza el ajuste predeterminado (default)

Tarifas de Ailoot

Precios por configuración

Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas.

ConfiguraciónTabla de tarifasUnidad de facturaciónCargo
ConfiguraciónTarifas base por tokenTabla de tarifasTarifa baseUnidad 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 entradaTabla de tarifas—Unidad de facturaciónpor segundo de audio de entradaCargo
Entrada · segundo de audio de entrada $0.00015 por segundo de audio de entrada

Ailoot reserva un importe 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 →

Solicitudes de ejemplo

Ailoot Ultra · Transcripción

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.\n

Recibir y guardar resultados

Ailoot Ultra · Transcripción

Cuerpo original completo de la respuesta, estado y cabeceras reenviadas. Este manejador no añade una estructura JSON universal, un campo de texto ni un contenedor de tarea.

Conserva todos los resultados completados

Conserva todas las respuestas, archivos y partes de contenido completos recibidos.

Conserva la respuesta completa y las cabeceras, 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.

Si es necesario revisar la respuesta original

Conserva el X-Client-Request-ID real y la respuesta completa. Consulta los recursos originales bajo tu titularidad y sus URL firmadas exactas de contenido; no vuelvas a enviar nunca una creación incierta.

Campos de respuesta
CampoTipo
Campotext (when present)Tipo
Campousage (when present)Tipo
Errores y siguientes pasos
RespuestaCondiciónSiguiente paso
Respuesta400 · invalid_request_errorCondiciónEl cuerpo JSON o el ID canónico explícito del modelo no es válido.Siguiente pasoConserva la respuesta y corrige el campo indicado de la solicitud.
Respuesta401 · authentication_errorCondiciónLa clave API de Ailoot no es válida.Siguiente pasoUsa tu clave API autorizada de Ailoot.
Respuesta403 · permission_errorCondiciónEl grupo de la clave no tiene acceso a este método.Siguiente pasoConserva los detalles del error devueltos.
Respuesta404 · not_found_errorCondiciónEl método seleccionado no tiene ninguna ruta admitida.Siguiente pasoConserva los detalles del error devueltos.
Respuesta422 · price_unavailableCondiciónLa tarifa aceptada no puede obtener la cantidad de entrada o el límite que necesita.Siguiente pasoConserva la respuesta; utiliza la representación de entrada exigida por la tarifa aceptada.
Respuesta503 · CondiciónEl almacenamiento, la ruta, el precio del método o la reserva necesarios no están disponibles.Siguiente pasoConserva la respuesta original completa. Una reserva incierta no autoriza un reenvío.
Respuesta502 · server_errorCondiciónEs necesario comprobar el resultado original, el uso o la liquidación.Siguiente pasoConserva el ID real de solicitud y la respuesta original. Consulta el registro existente bajo tu titularidad; no vuelvas a enviar la solicitud de creación.

Alias

Alias del modelo

Ailoot Ultra openai/gpt-transcribe

Alias de rutas de métodos

Usa las rutas de método indicadas arriba.

ID de modelo relacionados

openai/gpt-transcribe

", "method_identity": { "effective_request_model_id": "openai/gpt-transcribe", "fmt": "transcriptions", "http": "POST", "path": "/v1/audio/transcriptions", "request_model_id": "openai/gpt-transcribe", "route_label": "Ultra" }, "method_key": "Ultra|transcriptions|/v1/audio/transcriptions|openai%2Fgpt-transcribe", "ordinal": 0, "rawMethod": { "available": null, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Retain the complete response and headers, every actual output, original returned identifiers and all usage fields. Recover the original operation without submitting creation again.", "errors": [ { "code": null, "condition": "El cuerpo JSON o el ID canónico explícito del modelo no es válido.", "http_status": 400, "recovery": "Conserva la respuesta y corrige el campo indicado de la solicitud.", "type": "invalid_request_error" }, { "code": null, "condition": "La clave API de Ailoot no es válida.", "http_status": 401, "recovery": "Usa tu clave API autorizada de Ailoot.", "type": "authentication_error" }, { "code": null, "condition": "El grupo de la clave no tiene acceso a este método.", "http_status": 403, "recovery": "Conserva los detalles del error devueltos.", "type": "permission_error" }, { "code": null, "condition": "El método seleccionado no tiene ninguna ruta admitida.", "http_status": 404, "recovery": "Conserva los detalles del error devueltos.", "type": "not_found_error" }, { "code": null, "condition": "La tarifa aceptada no puede obtener la cantidad de entrada o el límite que necesita.", "http_status": 422, "recovery": "Conserva la respuesta; utiliza la representación de entrada exigida por la tarifa aceptada.", "type": "price_unavailable" }, { "code": null, "condition": "El almacenamiento, la ruta, el precio del método o la reserva necesarios no están disponibles.", "http_status": 503, "recovery": "Conserva la respuesta original completa. Una reserva incierta no autoriza un reenvío.", "type": null }, { "code": null, "condition": "Es necesario comprobar el resultado original, el uso o la liquidación.", "http_status": 502, "operation_id_source": "actual X-Client-Request-ID", "recovery": "Conserva el ID real de solicitud y la respuesta original. Consulta el registro existente bajo tu titularidad; no vuelvas a enviar la solicitud de creación.", "response_headers": { "x-should-retry": "false" }, "type": "server_error" } ], "lifecycle": { "assets": [ { "http": "GET", "path": "/v1/media/assets" }, { "http": "GET", "path": "/v1/media/assets/{asset_id}" } ], "content": [ { "http": "GET", "path": "/v1/media/assets/{asset_id}/content", "url_source": "exact returned signed content URL" } ], "dedicated_method_polling_or_cancel": false, "mode": "synchronous_result_then_owned_library", "original_POST_adds_task_envelope": false, "status": [ { "http": "GET", "id_source": "exact task_id from an existing owned media record", "path": "/v1/media/tasks/{task_id}" } ], "unknown": "Conserva el X-Client-Request-ID real y la respuesta completa. Consulta los recursos originales bajo tu titularidad y sus URL firmadas exactas de contenido; no vuelvas a enviar nunca una creación incierta." }, "outputs": { "all_results": "Conserva la respuesta completa y las cabeceras, 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.", "family": "text", "fields": [ { "description": null, "name": "text (when present)", "type": null }, { "description": null, "name": "usage (when present)", "type": null } ], "result": "Cuerpo original completo de la respuesta, estado y cabeceras reenviadas. Este manejador no añade una estructura JSON universal, un campo de texto ni un contenedor de tarea." }, "parameters": [ { "default_known": false, "enum": [ "openai/gpt-transcribe" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "default_known": false, "enum_known": false, "name": "input_audio", "required": true, "type": "object" } ], "request_schema": { "properties": { "input_audio": { "properties": { "data": { "contentEncoding": "base64", "type": "string" }, "format": { "type": "string" } }, "required": [ "data", "format" ], "type": "object" }, "model": { "enum": [ "openai/gpt-transcribe" ], "type": "string" } }, "required": [ "model", "input_audio" ], "type": "object" }, "schema_template": { "actual_file_preparation_required": true, "body": { "input_audio": { "data": "${BASE64_ACTUAL_WAV_BYTES}", "format": "wav" }, "model": "openai/gpt-transcribe" }, "content_type": "application/json" } }, "input": { "content_type": "application/json", "material_conditions": [ "El ejemplo lee tu archivo PCM WAV real y no vacío, codifica todos los bytes del archivo en base64 y envía input_audio.format con el valor wav." ], "material_types": [ "audio" ], "required": [ "model", "input_audio" ] }, "lifecycle": { "assets": [ { "http": "GET", "path": "/v1/media/assets" }, { "http": "GET", "path": "/v1/media/assets/{asset_id}" } ], "content": [ { "http": "GET", "path": "/v1/media/assets/{asset_id}/content", "url_source": "exact returned signed content URL" } ], "dedicated_method_polling_or_cancel": false, "mode": "synchronous_result_then_owned_library", "original_POST_adds_task_envelope": false, "status": [ { "http": "GET", "id_source": "task_id exacto de un registro existente de medios bajo tu titularidad", "path": "/v1/media/tasks/{task_id}" } ], "unknown": "Retain the actual X-Client-Request-ID and complete response. Read the original owned assets and their exact signed content URLs; never resubmit an uncertain creation." }, "method": { "http": "POST", "path": "/v1/audio/transcriptions" }, "output": { "all_results": "Retain the complete response and headers, every actual output, original returned identifiers and all usage fields. Recover the original operation without submitting creation again.", "family": "text", "fields": [ { "description": null, "name": "text (when present)", "type": null }, { "description": null, "name": "usage (when present)", "type": null } ], "result": "Complete original response body, status and forwarded headers. No universal JSON shape, text field or task envelope is added by this handler." } }, "ctx": null, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "quoted_unit": "per input audio second" }, "label": "input audio second", "units": [ { "amount": "0.00015", "amount_unit": "usd_per_exact_native_unit", "billing_input": true, "estimate_only": false, "key": "audio_input_second", "label": "input audio second", "native_amount_usd_per_unit": "0.00015", "native_quantity": 1, "public_unit_label": "per input audio second", "quantity": 1, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_second" } ] } ], "examples": [ { "code": "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.\n", "label": "curl · actual WAV file and complete original result", "language": "bash" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "transcriptions", "hints": [ "The example reads your actual nonempty PCM WAV file, encodes the complete file bytes as base64 and sends input_audio.format as wav.", "The format value in the example is the documented recipe; no model-specific format list, limit or default is asserted.", "Retain the complete response and headers, every actual output, original returned identifiers and all usage fields. Recover the original operation without submitting creation again." ], "http": "POST", "in": null, "input": [ "audio" ], "label": "Transcripción", "max_out": null, "max_reasoning_effort_multiplier": null, "method_aliases": [], "native_endpoint": "audio_transcriptions", "out": null, "output": [ "text" ], "path": "/v1/audio/transcriptions", "price_conditions": [ { "label": "Fast mode", "value": "Not specified", "when": "When fast mode is selected" }, { "label": "Flex mode", "value": "Not specified", "when": "When flex mode is selected" }, { "label": "Maximum reasoning effort", "value": "Not specified", "when": "When maximum reasoning effort uses the default adjustment" } ], "pricing": { "billing_mode": "per_request", "image_input_price": null, "image_output_price": null, "per_request_price": null, "unit_prices": { "audio_input_second": 0.00015 } }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "quoted_unit": "per input audio second" }, "label": "input audio second", "units": [ { "amount": "0.00015", "amount_unit": "usd_per_exact_native_unit", "billing_input": true, "estimate_only": false, "key": "audio_input_second", "label": "input audio second", "native_amount_usd_per_unit": "0.00015", "native_quantity": 1, "public_unit_label": "per input audio second", "quantity": 1, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_second" } ] } ], "request_model_id": "openai/gpt-transcribe", "route_label": "Ultra", "status_reads": [ "GET /v1/media/tasks/{task_id}" ], "tiers": [], "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" }, { "amount": "0.00015", "amount_unit": "usd_per_exact_native_unit", "billing_input": true, "estimate_only": false, "key": "audio_input_second", "label": "input audio second", "native_amount_usd_per_unit": "0.00015", "native_quantity": 1, "public_unit_label": "per input audio second", "quantity": 1, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_second" } ] } } ], "model_id": "openai/gpt-transcribe", "nativeProvenance": { "input_facts_canonical_sha256": "07bcb3880d8e7b481a7a270c1d2f86809fd7ee6a5f78d3d89a16b723dab70798", "input_html_sha256": "23ba4fc84330610b25aac9b952d347e00d10ef1c4eccf46bbce257742bbdbb17", "private_audit_sha256": "3730875661cdc109a6d17889f8bc03a25e4aadfcf13c4e1521b075653ee078b3", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/es/openai-gpt-transcribe/", "description": "GPT Transcribe convierte el habla grabada en texto en su idioma original, con instrucciones de contexto, indicaciones de palabras clave literales y de varios idiomas. OpenAI documenta la transcripción de archivos completos, los resultados de transcripción de archivos en flujo y la transcripción después de confirmar turnos de audio de Realtime.", "locale": "es", "md_url": "https://ailoot.ai/models/es/openai-gpt-transcribe/index.md", "title": "OpenAI: GPT Transcribe — Ailoot", "url": "https://ailoot.ai/models/es/openai-gpt-transcribe/" }, "rawModel": { "about": "GPT Transcribe es el modelo de OpenAI que convierte habla en texto para archivos de audio completos, transcripciones de archivos en flujo y turnos de audio confirmados en sesiones Realtime. Acepta audio con contexto textual opcional y devuelve el texto reconocido. El proveedor lo presenta para transcribir con precisión el habla grabada en su idioma original, incluido el vocabulario especializado, las grabaciones multilingües y la alternancia de idiomas. Su resultado útil es una transcripción vinculada a la grabación, con metadatos de los idiomas detectados cuando el modelo puede realizar una predicción fiable.\n\n### Preparar una grabación completa\n\nEl flujo de transcripción de archivos de OpenAI admite cargas de hasta 25 MB. La referencia actual del punto de acceso incluye los formatos de entrada FLAC, MP3, MP4, MPEG, MPGA, M4A, OGG, WAV y WebM, y recomienda aportar suficientes metadatos para identificar el formato, incluida una extensión de archivo y un tipo de contenido adecuados. Para una grabación más grande, la guía recomienda comprimirla o dividirla en archivos de 25 MB o menos. Evita cortar a mitad de una frase, ya que eliminar el habla circundante puede reducir la precisión del reconocimiento. Mantén las partes en orden y conserva sus posiciones en la grabación original.\n\nPara una reunión, una entrevista o una presentación grabada, proporciona el audio real e identifica el tema y la terminología que probablemente se pronuncie. Un resultado útil recoge las palabras reconocidas, en lugar de un resumen inferido de la conversación. Conserva el identificador de la grabación junto con el texto devuelto para que quien revise un nombre, un número o una frase dudosa pueda volver a la fuente correcta. La transcripción puede servir después como material para otro flujo de resumen, traducción o revisión editorial.\n\n### Contexto, indicaciones de palabras clave e idiomas esperados\n\nEl proveedor distingue tres tipos de orientación. Una instrucción aporta contexto libre sobre el tema o la situación de la grabación. Las palabras clave indican palabras o expresiones literales que se espera oír. Una lista de idiomas identifica los idiomas hablados esperados. Para una conversación bilingüe sobre un producto, describe la situación en la instrucción, enumera los nombres de producto pertinentes como palabras clave y proporciona los idiomas esperados. Son indicaciones para el reconocimiento; no son instrucciones para insertar vocabulario que nadie ha pronunciado.\n\nGPT Transcribe utiliza el campo plural languages en lugar del antiguo campo singular language; OpenAI indica que no se envíen ambos. Su guía admite los códigos ISO 639-1 compatibles, determinados códigos ISO 639-3 y códigos regionales de configuración lingüística del chino, y rechaza los valores incompatibles o mal formados. Cada palabra clave debe ocupar una sola línea y no contener ningún corchete angular, retorno de carro ni salto de línea. Una palabra clave no válida o una instrucción demasiado larga pueden provocar el rechazo de toda la solicitud. Mantén el contexto pertinente y comprueba si los nombres sugeridos aparecen realmente en el audio, en lugar de tratar la lista de indicaciones como si fuera la transcripción.\n\n### Salida JSON y predicciones de idiomas detectados\n\nEl resultado documentado de un archivo es JSON con la transcripción y los idiomas detectados. Esas predicciones de idiomas son una salida del modelo, no una copia de las indicaciones de idiomas proporcionadas. Una lista de idiomas vacía es un resultado válido cuando el modelo no puede realizar una predicción fiable; no demuestra que la grabación estuviera en silencio ni que la transcripción haya fallado. Mantén separados el texto reconocido y los metadatos de idiomas para que el procesamiento posterior utilice cada uno según su significado.\n\n### Recibir en flujo la transcripción de un archivo\n\nUn archivo completo puede producir texto transcrito de forma incremental durante su procesamiento. OpenAI documenta los eventos transcript.text.delta para el texto parcial y transcript.text.done para la transcripción completa del archivo; el evento final también incluye los idiomas detectados. Así se recibe en flujo la salida de una grabación ya proporcionada. Resulta útil para mostrar el progreso de una carga larga, mientras que el evento final establece el texto que debe conservarse como resultado completo.\n\n### Turnos confirmados en sesiones Realtime\n\nGPT Transcribe también tiene un flujo especializado de Realtime mediante WebSocket. El audio se añade al búfer de entrada y, después, la aplicación confirma explícitamente un turno de audio. La transcripción comienza para ese segmento confirmado y puede emitir fragmentos de texto antes de su evento de finalización, incluida información de los idiomas detectados. El modelo utiliza automáticamente los turnos transcritos previamente como contexto en este flujo de sesión del proveedor. Esto es distinto de emitir continuamente subtítulos en directo a medida que llega el audio del micrófono; OpenAI denomina GPT Live Transcribe al modelo para ese flujo continuo.\n\nPara varios turnos, conserva el identificador del elemento de entrada junto con la transcripción correspondiente. OpenAI advierte de que los eventos de finalización de distintos turnos no tienen por qué llegar en el orden del habla; por tanto, asocia cada resultado final con su entrada confirmada, en lugar de ordenar una conversación únicamente por la hora de finalización. El entregable útil es una transcripción ordenada, compuesta con los elementos finales correctos, en la que el texto provisional se trata como progreso y no como un enunciado completo independiente.\n\n### Salidas especializadas y límites de las funciones\n\nEste perfil no ofrece unas especificaciones universales de subtítulos, marcas de tiempo, traducción o etiquetas de hablantes. La guía de migración de OpenAI distingue esas capacidades especializadas: los formatos nativos de subtítulos y las marcas temporales de cada palabra requieren un modelo y un formato compatibles, mientras que las etiquetas de hablantes utilizan GPT-4o Transcribe Diarize. El resultado de archivo de GPT Transcribe es JSON, en lugar de una respuesta SRT, VTT o con marcas de tiempo detalladas que pueda sustituirse directamente. Su ficha exacta no publica una asignación numérica de contexto o salida máxima, por lo que no debe suponerse que una ventana de tokens de un modelo de chat se aplique a la transcripción de audio.\n\nContrasta con la grabación el vocabulario difícil, los números, los acentos, el ruido de fondo y los cambios de idioma. Comprueba que las indicaciones pertinentes mejoren el reconocimiento sin introducir términos no pronunciados y que la transcripción final incluya el final del audio. Para un resultado multilingüe, conserva las palabras pronunciadas antes de preparar cualquier versión traducida. Estas comprobaciones hacen que la transcripción sea útil como material fuente y permiten distinguir claramente las indicaciones de contexto, los idiomas detectados y el habla reconocida.", "alias_of": null, "aliases": [], "author": "OpenAI", "capabilities": { "context_length": 0, "manufacturer_input": [ "audio" ], "manufacturer_output": [ "transcription" ] }, "card_routes": [ { "label": "Ultra", "rates": [ { "amount": "0.00015", "amount_unit": "usd_per_exact_native_unit", "billing_input": true, "estimate_only": false, "key": "audio_input_second", "label": "input audio second", "native_amount_usd_per_unit": "0.00015", "native_quantity": 1, "public_unit_label": "per input audio second", "quantity": 1, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_second" } ], "summary": "Consulta los precios completos de la configuración en los detalles." } ], "ctx": null, "formats": [ "transcriptions" ], "id": "openai/gpt-transcribe", "input": [ "audio" ], "kind": "audio", "max_out": null, "methods": [ { "available": null, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Retain the complete response and headers, every actual output, original returned identifiers and all usage fields. Recover the original operation without submitting creation again.", "errors": [ { "code": null, "condition": "El cuerpo JSON o el ID canónico explícito del modelo no es válido.", "http_status": 400, "recovery": "Conserva la respuesta y corrige el campo indicado de la solicitud.", "type": "invalid_request_error" }, { "code": null, "condition": "La clave API de Ailoot no es válida.", "http_status": 401, "recovery": "Usa tu clave API autorizada de Ailoot.", "type": "authentication_error" }, { "code": null, "condition": "El grupo de la clave no tiene acceso a este método.", "http_status": 403, "recovery": "Conserva los detalles del error devueltos.", "type": "permission_error" }, { "code": null, "condition": "El método seleccionado no tiene ninguna ruta admitida.", "http_status": 404, "recovery": "Conserva los detalles del error devueltos.", "type": "not_found_error" }, { "code": null, "condition": "La tarifa aceptada no puede obtener la cantidad de entrada o el límite que necesita.", "http_status": 422, "recovery": "Conserva la respuesta; utiliza la representación de entrada exigida por la tarifa aceptada.", "type": "price_unavailable" }, { "code": null, "condition": "El almacenamiento, la ruta, el precio del método o la reserva necesarios no están disponibles.", "http_status": 503, "recovery": "Conserva la respuesta original completa. Una reserva incierta no autoriza un reenvío.", "type": null }, { "code": null, "condition": "Es necesario comprobar el resultado original, el uso o la liquidación.", "http_status": 502, "operation_id_source": "actual X-Client-Request-ID", "recovery": "Conserva el ID real de solicitud y la respuesta original. Consulta el registro existente bajo tu titularidad; no vuelvas a enviar la solicitud de creación.", "response_headers": { "x-should-retry": "false" }, "type": "server_error" } ], "lifecycle": { "assets": [ { "http": "GET", "path": "/v1/media/assets" }, { "http": "GET", "path": "/v1/media/assets/{asset_id}" } ], "content": [ { "http": "GET", "path": "/v1/media/assets/{asset_id}/content", "url_source": "exact returned signed content URL" } ], "dedicated_method_polling_or_cancel": false, "mode": "synchronous_result_then_owned_library", "original_POST_adds_task_envelope": false, "status": [ { "http": "GET", "id_source": "exact task_id from an existing owned media record", "path": "/v1/media/tasks/{task_id}" } ], "unknown": "Conserva el X-Client-Request-ID real y la respuesta completa. Consulta los recursos originales bajo tu titularidad y sus URL firmadas exactas de contenido; no vuelvas a enviar nunca una creación incierta." }, "outputs": { "all_results": "Conserva la respuesta completa y las cabeceras, 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.", "family": "text", "fields": [ { "description": null, "name": "text (when present)", "type": null }, { "description": null, "name": "usage (when present)", "type": null } ], "result": "Cuerpo original completo de la respuesta, estado y cabeceras reenviadas. Este manejador no añade una estructura JSON universal, un campo de texto ni un contenedor de tarea." }, "parameters": [ { "default_known": false, "enum": [ "openai/gpt-transcribe" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "default_known": false, "enum_known": false, "name": "input_audio", "required": true, "type": "object" } ], "request_schema": { "properties": { "input_audio": { "properties": { "data": { "contentEncoding": "base64", "type": "string" }, "format": { "type": "string" } }, "required": [ "data", "format" ], "type": "object" }, "model": { "enum": [ "openai/gpt-transcribe" ], "type": "string" } }, "required": [ "model", "input_audio" ], "type": "object" }, "schema_template": { "actual_file_preparation_required": true, "body": { "input_audio": { "data": "${BASE64_ACTUAL_WAV_BYTES}", "format": "wav" }, "model": "openai/gpt-transcribe" }, "content_type": "application/json" } }, "input": { "content_type": "application/json", "material_conditions": [ "El ejemplo lee tu archivo PCM WAV real y no vacío, codifica todos los bytes del archivo en base64 y envía input_audio.format con el valor wav." ], "material_types": [ "audio" ], "required": [ "model", "input_audio" ] }, "lifecycle": { "assets": [ { "http": "GET", "path": "/v1/media/assets" }, { "http": "GET", "path": "/v1/media/assets/{asset_id}" } ], "content": [ { "http": "GET", "path": "/v1/media/assets/{asset_id}/content", "url_source": "exact returned signed content URL" } ], "dedicated_method_polling_or_cancel": false, "mode": "synchronous_result_then_owned_library", "original_POST_adds_task_envelope": false, "status": [ { "http": "GET", "id_source": "task_id exacto de un registro existente de medios bajo tu titularidad", "path": "/v1/media/tasks/{task_id}" } ], "unknown": "Retain the actual X-Client-Request-ID and complete response. Read the original owned assets and their exact signed content URLs; never resubmit an uncertain creation." }, "method": { "http": "POST", "path": "/v1/audio/transcriptions" }, "output": { "all_results": "Retain the complete response and headers, every actual output, original returned identifiers and all usage fields. Recover the original operation without submitting creation again.", "family": "text", "fields": [ { "description": null, "name": "text (when present)", "type": null }, { "description": null, "name": "usage (when present)", "type": null } ], "result": "Complete original response body, status and forwarded headers. No universal JSON shape, text field or task envelope is added by this handler." } }, "ctx": null, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "quoted_unit": "per input audio second" }, "label": "input audio second", "units": [ { "amount": "0.00015", "amount_unit": "usd_per_exact_native_unit", "billing_input": true, "estimate_only": false, "key": "audio_input_second", "label": "input audio second", "native_amount_usd_per_unit": "0.00015", "native_quantity": 1, "public_unit_label": "per input audio second", "quantity": 1, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_second" } ] } ], "examples": [ { "code": "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.\n", "label": "curl · actual WAV file and complete original result", "language": "bash" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "transcriptions", "hints": [ "The example reads your actual nonempty PCM WAV file, encodes the complete file bytes as base64 and sends input_audio.format as wav.", "The format value in the example is the documented recipe; no model-specific format list, limit or default is asserted.", "Retain the complete response and headers, every actual output, original returned identifiers and all usage fields. Recover the original operation without submitting creation again." ], "http": "POST", "in": null, "input": [ "audio" ], "label": "Transcripción", "max_out": null, "max_reasoning_effort_multiplier": null, "method_aliases": [], "native_endpoint": "audio_transcriptions", "out": null, "output": [ "text" ], "path": "/v1/audio/transcriptions", "price_conditions": [ { "label": "Fast mode", "value": "Not specified", "when": "When fast mode is selected" }, { "label": "Flex mode", "value": "Not specified", "when": "When flex mode is selected" }, { "label": "Maximum reasoning effort", "value": "Not specified", "when": "When maximum reasoning effort uses the default adjustment" } ], "pricing": { "billing_mode": "per_request", "image_input_price": null, "image_output_price": null, "per_request_price": null, "unit_prices": { "audio_input_second": 0.00015 } }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "quoted_unit": "per input audio second" }, "label": "input audio second", "units": [ { "amount": "0.00015", "amount_unit": "usd_per_exact_native_unit", "billing_input": true, "estimate_only": false, "key": "audio_input_second", "label": "input audio second", "native_amount_usd_per_unit": "0.00015", "native_quantity": 1, "public_unit_label": "per input audio second", "quantity": 1, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_second" } ] } ], "request_model_id": "openai/gpt-transcribe", "route_label": "Ultra", "status_reads": [ "GET /v1/media/tasks/{task_id}" ], "tiers": [], "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" }, { "amount": "0.00015", "amount_unit": "usd_per_exact_native_unit", "billing_input": true, "estimate_only": false, "key": "audio_input_second", "label": "input audio second", "native_amount_usd_per_unit": "0.00015", "native_quantity": 1, "public_unit_label": "per input audio second", "quantity": 1, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_second" } ] } ], "model_aliases": [ { "canonical_model_id": "openai/gpt-transcribe", "request_model_id": "openai/gpt-transcribe", "route_label": "Ultra" } ], "name": "OpenAI: GPT Transcribe", "price": { "in": null, "in_label": null, "out": null, "out_label": null, "sort_in": null, "sort_out": null, "varies": true }, "short": "GPT Transcribe convierte el habla grabada en texto en su idioma original, con instrucciones de contexto, indicaciones de palabras clave literales y de varios idiomas. OpenAI documenta la transcripción de archivos completos, los resultados de transcripción de archivos en flujo y la transcripción después de confirmar turnos de audio de Realtime." }, "renderer_schema": { "method_order": "Original DTO methods order; every exact route/format/path/caller survives.", "prices": "Original public DTO fields and original native display HTML; no flattened or normalized offers." }, "representation": "exact-public-dto-and-native-renderer-html", "representationNotes": { "current_reference": { "about_json_pointer": "/aboutHtml", "methods": [ { "contract_json_pointer": "/methods/0/rawMethod/contract", "html_json_pointer": "/methods/0/html", "method_ordinal": 0 } ], "role": "current-semantic-reference" }, "raw_input": { "examples_role": "historical-input-not-current-ready-examples", "json_pointers": [ "/rawModel", "/methods/0/rawMethod" ], "role": "historical-owner-input" }, "schema": "ailoot-native-model-representations-v1" }, "schema": "ailoot-static-model-facts-v1", "schema_version": 1, "shortText": "GPT Transcribe convierte el habla grabada en texto en su idioma original, con instrucciones de contexto, indicaciones de palabras clave literales y de varios idiomas. OpenAI documenta la transcripción de archivos completos, los resultados de transcripción de archivos en flujo y la transcripción después de confirmar turnos de audio de Realtime.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "2f51152f299d9f31311be79a0f27962def451d30ef9ba23f881561d96635a3a6", "renderer_sha256": "b6d488b4bdee68568e5b17d2d4871b2ba1885e1032091b635a7a58ad2ca224e7" }, "sourceRevision": "4837a98d7f6ca97893cd9a00eb0bd9bb5283a6c5969d636390d461b1f7a30086" }