{ "aboutHtml": "

Whisper 1 es el modelo API de reconocimiento de voz de uso general de OpenAI, documentado como basado en el modelo Whisper V2 de código abierto. Acepta un archivo de audio y devuelve texto. El fabricante describe reconocimiento multilingüe, identificación de idioma y una tarea separada de traducción de voz. La transcripción conserva el idioma hablado; la interfaz separada de traducción del productor devuelve texto en inglés.

Una aplicación útil es preparar una entrevista, nota de voz o conversación grabada para búsqueda y edición posteriores. Proporciona la grabación terminada y, cuando se conozca, su idioma de entrada. OpenAI documenta 98 idiomas compatibles y señala que la precisión del reconocimiento varía según el idioma. La indicación de un solo idioma utiliza un código ISO 639-1; los campos más nuevos de varios idiomas y palabras clave de otros modelos de transcripción son controles separados.

El flujo de transcripción de archivos del productor acepta archivos de hasta 25 MB en formato MP3, MP4, MPEG, MPGA, M4A, WAV o WebM. Para una grabación más grande, utiliza un formato comprimido o divídela en fragmentos dentro del límite. Conserva los límites de frases y el orden de fragmentos para que la transcripción ensamblada siga conectada con la grabación original. Un contenedor de vídeo aporta su audio para esta tarea, en lugar de ser una entrada de descripción visual.

Un prompt puede proporcionar nombres, siglas o vocabulario específico de la grabación y contexto de un segmento anterior. El límite de prompt de Whisper es de 224 tokens y el prompt debe coincidir con el idioma del audio. El fabricante afirma que Whisper no sigue instrucciones como un modelo textual de uso general. Utiliza el prompt como contexto pertinente de transcripción y después comprueba las grafías importantes frente a la grabación, en lugar de tratar una lista terminológica como palabras que el hablante necesariamente haya dicho.

El productor documenta formatos de transcripción JSON, texto sin formato, SRT, VTT y JSON detallado. Las marcas de tiempo de palabras y segmentos requieren JSON detallado; pueden solicitarse una o ambas granularidades. La referencia API señala que los tiempos de segmento no añaden latencia extra, mientras que los tiempos de palabra requieren procesamiento adicional. Estas salidas permiten subtitulado y localización de pasajes durante la edición; las anotaciones de diarización de hablantes corresponden a un modelo especializado diferente.

Whisper 1 no admite streaming de transcripción de archivos. Su referencia también documenta una temperatura de muestreo entre cero y uno; con cero, el modelo puede aumentar automáticamente la temperatura cuando lo requieran sus umbrales de decodificación. Esto describe los controles de procesamiento del productor, en lugar de prometer que todas las grabaciones produzcan una transcripción idéntica o perfectamente precisa.

Define el artefacto final: una transcripción para búsqueda, un archivo de subtítulos o texto con tiempos de palabras o segmentos. Conserva la grabación original, el orden de fragmentos y las referencias temporales pertinentes de origen junto con el resultado. Un paso posterior de edición textual puede corregir una errata o preparar un resumen, pero compara los cambios con el audio para conservar el significado del hablante. El texto reconocido se convierte en evidencia para la siguiente tarea, en lugar de una respuesta generada a la pregunta hablada.

", "aboutText": "Whisper 1 es el modelo API de reconocimiento de voz de uso general de OpenAI, documentado como basado en el modelo Whisper V2 de código abierto. Acepta un archivo de audio y devuelve texto. El fabricante describe reconocimiento multilingüe, identificación de idioma y una tarea separada de traducción de voz. La transcripción conserva el idioma hablado; la interfaz separada de traducción del productor devuelve texto en inglés.\n\nUna aplicación útil es preparar una entrevista, nota de voz o conversación grabada para búsqueda y edición posteriores. Proporciona la grabación terminada y, cuando se conozca, su idioma de entrada. OpenAI documenta 98 idiomas compatibles y señala que la precisión del reconocimiento varía según el idioma. La indicación de un solo idioma utiliza un código ISO 639-1; los campos más nuevos de varios idiomas y palabras clave de otros modelos de transcripción son controles separados.\n\nEl flujo de transcripción de archivos del productor acepta archivos de hasta 25 MB en formato MP3, MP4, MPEG, MPGA, M4A, WAV o WebM. Para una grabación más grande, utiliza un formato comprimido o divídela en fragmentos dentro del límite. Conserva los límites de frases y el orden de fragmentos para que la transcripción ensamblada siga conectada con la grabación original. Un contenedor de vídeo aporta su audio para esta tarea, en lugar de ser una entrada de descripción visual.\n\nUn prompt puede proporcionar nombres, siglas o vocabulario específico de la grabación y contexto de un segmento anterior. El límite de prompt de Whisper es de 224 tokens y el prompt debe coincidir con el idioma del audio. El fabricante afirma que Whisper no sigue instrucciones como un modelo textual de uso general. Utiliza el prompt como contexto pertinente de transcripción y después comprueba las grafías importantes frente a la grabación, en lugar de tratar una lista terminológica como palabras que el hablante necesariamente haya dicho.\n\nEl productor documenta formatos de transcripción JSON, texto sin formato, SRT, VTT y JSON detallado. Las marcas de tiempo de palabras y segmentos requieren JSON detallado; pueden solicitarse una o ambas granularidades. La referencia API señala que los tiempos de segmento no añaden latencia extra, mientras que los tiempos de palabra requieren procesamiento adicional. Estas salidas permiten subtitulado y localización de pasajes durante la edición; las anotaciones de diarización de hablantes corresponden a un modelo especializado diferente.\n\nWhisper 1 no admite streaming de transcripción de archivos. Su referencia también documenta una temperatura de muestreo entre cero y uno; con cero, el modelo puede aumentar automáticamente la temperatura cuando lo requieran sus umbrales de decodificación. Esto describe los controles de procesamiento del productor, en lugar de prometer que todas las grabaciones produzcan una transcripción idéntica o perfectamente precisa.\n\nDefine el artefacto final: una transcripción para búsqueda, un archivo de subtítulos o texto con tiempos de palabras o segmentos. Conserva la grabación original, el orden de fragmentos y las referencias temporales pertinentes de origen junto con el resultado. Un paso posterior de edición textual puede corregir una errata o preparar un resumen, pero compara los cambios con el audio para conservar el significado del hablante. El texto reconocido se convierte en evidencia para la siguiente tarea, en lugar de una respuesta generada a la pregunta hablada.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "63bd2140f1ca5e6f8675df1a1cd13b4988ac781adc89744c54c25fa0b7ebb030", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "es", "methods": [ { "html": "
O

OpenAI: Whisper 1

OpenAI /openai/whisper-1

Primeros pasos

Whisper 1 transcribe un archivo de audio completo en texto, con reconocimiento multilingüe y marcas de tiempo de palabras o segmentos. El productor admite formatos de subtítulos y un flujo separado de traducción al inglés; la transcripción conserva el idioma de la grabación.

Entradas aceptadas
Audio
Resultados
transcription
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.

Whisper 1 es el modelo API de reconocimiento de voz de uso general de OpenAI, documentado como basado en el modelo Whisper V2 de código abierto. Acepta un archivo de audio y devuelve texto. El fabricante describe reconocimiento multilingüe, identificación de idioma y una tarea separada de traducción de voz. La transcripción conserva el idioma hablado; la interfaz separada de traducción del productor devuelve texto en inglés.

Una aplicación útil es preparar una entrevista, nota de voz o conversación grabada para búsqueda y edición posteriores. Proporciona la grabación terminada y, cuando se conozca, su idioma de entrada. OpenAI documenta 98 idiomas compatibles y señala que la precisión del reconocimiento varía según el idioma. La indicación de un solo idioma utiliza un código ISO 639-1; los campos más nuevos de varios idiomas y palabras clave de otros modelos de transcripción son controles separados.

El flujo de transcripción de archivos del productor acepta archivos de hasta 25 MB en formato MP3, MP4, MPEG, MPGA, M4A, WAV o WebM. Para una grabación más grande, utiliza un formato comprimido o divídela en fragmentos dentro del límite. Conserva los límites de frases y el orden de fragmentos para que la transcripción ensamblada siga conectada con la grabación original. Un contenedor de vídeo aporta su audio para esta tarea, en lugar de ser una entrada de descripción visual.

Un prompt puede proporcionar nombres, siglas o vocabulario específico de la grabación y contexto de un segmento anterior. El límite de prompt de Whisper es de 224 tokens y el prompt debe coincidir con el idioma del audio. El fabricante afirma que Whisper no sigue instrucciones como un modelo textual de uso general. Utiliza el prompt como contexto pertinente de transcripción y después comprueba las grafías importantes frente a la grabación, en lugar de tratar una lista terminológica como palabras que el hablante necesariamente haya dicho.

El productor documenta formatos de transcripción JSON, texto sin formato, SRT, VTT y JSON detallado. Las marcas de tiempo de palabras y segmentos requieren JSON detallado; pueden solicitarse una o ambas granularidades. La referencia API señala que los tiempos de segmento no añaden latencia extra, mientras que los tiempos de palabra requieren procesamiento adicional. Estas salidas permiten subtitulado y localización de pasajes durante la edición; las anotaciones de diarización de hablantes corresponden a un modelo especializado diferente.

Whisper 1 no admite streaming de transcripción de archivos. Su referencia también documenta una temperatura de muestreo entre cero y uno; con cero, el modelo puede aumentar automáticamente la temperatura cuando lo requieran sus umbrales de decodificación. Esto describe los controles de procesamiento del productor, en lugar de prometer que todas las grabaciones produzcan una transcripción idéntica o perfectamente precisa.

Define el artefacto final: una transcripción para búsqueda, un archivo de subtítulos o texto con tiempos de palabras o segmentos. Conserva la grabación original, el orden de fragmentos y las referencias temporales pertinentes de origen junto con el resultado. Un paso posterior de edición textual puede corregir una errata o preparar un resumen, pero compara los cambios con el audio para conservar el significado del hablante. El texto reconocido se convierte en evidencia para la siguiente tarea, en lugar de una respuesta generada a la pregunta hablada.

Disponible en Ailoot · entradas y métodos

Ailoot Ultra · Reconocimiento de voz POST /v1/audio/transcriptions
Tipos de entrada
audio
Tipos de salida
transcription
Formato de salida
json
CampoTipoRequisitoValores y límitesPredeterminado
CampomodelTipostringRequisitoObligatorioValores y límites
openai/whisper-1
Predeterminado—
CampofileTipofileRequisitoObligatorioValores y límites
Tipo de contenido: multipart/form-data
Predeterminado—
Camporesponse_formatTipostringRequisitoOpcionalValores y límites
json
Predeterminado—
Campoinput_audio.dataTipobase64_stringRequisitoObligatorioValores y límites
Se aplica cuando: Entrada JSON de WhisperOR
Predeterminado—
Campoinput_audio.formatTipostringRequisitoObligatorioValores y límites
wav, mp3, flac, ogg, m4a, webm
Se aplica cuando: Entrada JSON de WhisperOR
Predeterminado—
Combinaciones de materiales de entrada

· Obligatorio: model, file

Parámetros del método y ciclo de vida
ParámetroContrato
ParámetrocontoursContrato{"content_types":["application/json","multipart/form-data"],"required_json":["model","input_audio.data","input_audio.format"],"required_multipart":["model","file"],"file_formats":["wav","mp3","flac","ogg","m4a","webm"],"response_format_optional":["json"]}, {"content_types":["multipart/form-data"],"required":["model","file"],"file_formats":["mp3"],"response_format_option":false}
Parámetromax_bytesContrato26214400
Parámetromaterial_typesContratoaudio

Ciclo de vida: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · task_id real devuelto o registro de la biblioteca multimedia

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

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

Usa una grabación real y el formato correspondiente.

Conserva la transcripción completa, los segmentos, los ID de hablantes y los tiempos.

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 $0.0002 por segundo de audio de entrada

Detalles de la tarifa de referencia

Las tablas de referencia del modelo no cambian la selección del método, las estimaciones de coste ni los cargos. Los cargos aplicados usan las tarifas del método Ailoot seleccionado.

OpenAI: Whisper 1

Precios por configuración

ConfiguraciónCondiciones de facturaciónCargo
ConfiguraciónOpenAI: Whisper 1 · Configuración predeterminadaCondiciones de facturaciónConfiguración predeterminadaCargo
Entrada · Segundos de audio de entrada 0,0002 US$ 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 · Reconocimiento de voz

set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_AUDIO_FILE:?Set the path to your actual MP3 recording}"\nexport AILOOT_AUDIO_FILE\npython3 - <<'PY_REQUEST'\nimport os\nfrom pathlib import Path\np=Path(os.environ["AILOOT_AUDIO_FILE"])\nif not p.is_file() or p.suffix.lower()!=".mp3":raise SystemExit("Choose an existing MP3 recording")\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \\\n  -H "Authorization: Bearer $AILOOT_API_KEY" \\\n  --form-string model=openai/whisper-1 -F "file=@$AILOOT_AUDIO_FILE" \\\n  -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("result.json").read_text())))\nPY_RESULT\n

Recibir y guardar resultados

Ailoot Ultra · Reconocimiento de voz

json

Otras consultas de contenido
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \\\n  -H "Authorization: Bearer $AILOOT_API_KEY" -o media-assets.json\n
Conserva todos los resultados completados

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

Conserva el JSON completo, no solo el texto; preserva todos los segmentos, hablantes y marcas temporales disponibles y la identidad real de la tarea o recurso.

Si es necesario revisar la respuesta original

Conserva el operation_id/X-Client-Request-ID original para la conciliación sin volver a enviar la solicitud; no hay una ruta dedicada para consultar periódicamente el audio.

Campos de respuesta
CampoTipo
CampotextTipostring
Camposegments[]Tipoobject
Campotask_idTipostring
Campoasset_urlTipostring
CampousageTipoobject
Errores y siguientes pasos
RespuestaCondiciónSiguiente paso
Respuesta400 · invalid_request_errorCondiciónCampos obligatorios, representación del material o valor del parámetro no válidosSiguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación.
Respuestaserver_errorCondiciónLa respuesta devuelta indica que la operación o el resultado requiere una comprobaciónSiguiente pasoConserva el ID original de operación o tarea devuelto, las cabeceras de la solicitud y la respuesta; continúa con las lecturas admitidas de esa operación original. No vuelvas a enviar la solicitud de creación.

Alias

Alias del modelo

Ailoot Ultra openai/whisper-1

Alias de rutas de métodos

Usa las rutas de método indicadas arriba.

ID de modelo relacionados

openai/whisper-1

", "method_identity": { "effective_request_model_id": "openai/whisper-1", "fmt": "transcriptions", "http": "POST", "path": "/v1/audio/transcriptions", "request_model_id": "openai/whisper-1", "route_label": "Ultra" }, "method_key": "Ultra|transcriptions|/v1/audio/transcriptions|openai%2Fwhisper-1", "ordinal": 0, "rawMethod": { "available": null, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Retain complete JSON, not only text; preserve every available segment/speaker/timestamp and actual task/asset identity.", "errors": [ { "code": null, "condition": "Campos obligatorios, representación del material o valor del parámetro no válidos", "http_status": 400, "recovery": "Corrige los campos indicados antes de una nueva solicitud de creación.", "type": "invalid_request_error" }, { "code": null, "condition": "La respuesta devuelta indica que la operación o el resultado requiere una comprobación", "http_status": null, "recovery": "Conserva el ID original de operación o tarea devuelto, las cabeceras de la solicitud y la respuesta; continúa con las lecturas admitidas de esa operación original. No vuelvas a enviar la solicitud de creación.", "type": "server_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "all_results": "Follow everyactualreturnedoutputandownedasset; no result is discardedbecauseindex0orcontent_urlalreadyexists.", "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 URL; never construct token" } ], "mode": "synchronous_result_then_owned_library", "operation_id_is_not_task_id": true, "status": [ { "http": "GET", "id_source": "actual returned task_id or media library record", "path": "/v1/media/tasks/{task_id}" } ], "unknown": "Conserva el operation_id/X-Client-Request-ID original para la conciliación sin volver a enviar la solicitud; no hay una ruta dedicada para consultar periódicamente el audio." }, "limits": { "decoded_audio_max_bytes": 26214400 }, "material_combinations": [ { "content_types": [ "application/json", "multipart/form-data" ], "file_formats": [ "wav", "mp3", "flac", "ogg", "m4a", "webm" ], "required_json": [ "model", "input_audio.data", "input_audio.format" ], "required_multipart": [ "model", "file" ], "response_format_optional": [ "json" ] }, { "content_types": [ "multipart/form-data" ], "file_formats": [ "mp3" ], "required": [ "model", "file" ], "response_format_option": false } ], "media_library": { "asset": { "fields": [ { "description": null, "name": "asset_id", "type": "string" }, { "description": null, "name": "task_id", "type": "string" }, { "description": null, "name": "output_key", "type": "string" }, { "description": null, "name": "family", "type": "string" }, { "description": null, "name": "model", "type": "string" }, { "description": null, "name": "method", "type": "string" }, { "description": null, "name": "status", "type": "string" }, { "description": null, "name": "content_type", "type": "string" }, { "description": null, "name": "sha256", "type": "string" }, { "description": null, "name": "size_bytes", "type": "integer" }, { "description": null, "name": "content_url", "type": "string" } ], "http": "GET", "id_source": "actual returned asset_id", "path": "/v1/media/assets/{asset_id}" }, "content": { "http": "GET", "path": "/v1/media/assets/{asset_id}/content", "range_header_supported": true, "url_source": "Use exact returned signed content_url including its token; do not construct a token." }, "expired_link": { "code": "link_expired", "http_status": 404, "recovery": "Read the asset again to obtain its refreshed signed content_url, then fetch that URL. Do not regenerate." }, "list": { "all_pages": "Follow every returned next_cursor, then select records by their actual task_id/output_key.", "http": "GET", "output_fields": [ { "description": null, "name": "object", "type": "string" }, { "description": null, "name": "data", "type": "asset[]" }, { "description": null, "name": "next_cursor", "type": "string|null" } ], "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "family", "required": false, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "cursor", "required": false, "type": "string" }, { "availability": "source_interface", "default": 20, "default_known": true, "enum": null, "enum_known": false, "maximum": 100, "minimum": 1, "name": "limit", "required": false, "type": "integer" } ], "path": "/v1/media/assets" }, "revoke": { "http": "DELETE", "meaning": "Revokes/deletes the existing owned file; this is not generation cancellation.", "path": "/v1/media/assets/{asset_id}", "pending_status": "revoking", "success_statuses": [ 202, 204 ] }, "task": { "http": "GET", "id_source": "actual returned task_id or media library record; operation_id is not task_id", "path": "/v1/media/tasks/{task_id}" } }, "operation_modes": [ "speech_to_text" ], "outputs": { "all_results": "Conserva el JSON completo, no solo el texto; preserva todos los segmentos, hablantes y marcas temporales disponibles y la identidad real de la tarea o recurso.", "family": "transcription", "fields": [ { "description": null, "name": "text", "type": "string" }, { "description": null, "name": "segments[]", "type": "object" }, { "description": null, "name": "task_id", "type": "string" }, { "description": null, "name": "asset_url", "type": "string" }, { "description": null, "name": "usage", "type": "object" } ], "format": "json" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "openai/whisper-1" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "content_type": "multipart/form-data", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "file", "required": true, "type": "file" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "json" ], "enum_known": true, "name": "response_format", "required": false, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "input_audio.data", "required": true, "type": "base64_string", "when": "Entrada JSON de WhisperOR" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "wav", "mp3", "flac", "ogg", "m4a", "webm" ], "enum_known": true, "name": "input_audio.format", "required": true, "type": "string", "when": "Entrada JSON de WhisperOR" } ], "profile_binding": "Exact existing Ailoot model and method; interface constraints below do not assert provider qualification.", "unsupported": [ "unlistedtranscriptionoptions", "formatlabelthatdiffersfromactualbytes" ] }, "hints": [ "Usa una grabación real y el formato correspondiente.", "Conserva la transcripción completa, los segmentos, los ID de hablantes y los tiempos." ], "input": { "contours": [ { "content_types": [ "application/json", "multipart/form-data" ], "file_formats": [ "wav", "mp3", "flac", "ogg", "m4a", "webm" ], "required_json": [ "model", "input_audio.data", "input_audio.format" ], "required_multipart": [ "model", "file" ], "response_format_optional": [ "json" ] }, { "content_types": [ "multipart/form-data" ], "file_formats": [ "mp3" ], "required": [ "model", "file" ], "response_format_option": false } ], "material_types": [ "audio" ], "max_bytes": 26214400 }, "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 URL; never construct token" } ], "mode": "synchronous_result_then_owned_library", "operation_id_is_not_task_id": true, "status": [ { "http": "GET", "id_source": "task_id real devuelto o registro de la biblioteca multimedia", "path": "/v1/media/tasks/{task_id}" } ], "unknown": "Retain original operation_id/X-Client-Request-ID for reconciliation without resubmission; no dedicated audio poll route." }, "manufacturer_capability": null, "method": { "http": "POST", "path": "/v1/audio/transcriptions" }, "method_aliases": [], "operation_modes": [ "speech_to_text" ], "output": { "family": "transcription", "format": "json", "http_success": 200, "owned_result_fields_302": [ "task_id", "asset_url" ], "result": "owned complete JSON transcript" } }, "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": "0.0002", "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": "0.0002", "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" } ] } ], "declared_tariff_references": [ { "client_selectable": false, "key": "9f485f9d704ef2cd14f1", "label": "OpenAI: Whisper 1", "profiles": [ { "basis": "", "dimensions": { "conditions": "Configuración predeterminada" }, "label": "OpenAI: Whisper 1 · Configuración predeterminada", "units": [ { "amount": "0.0002", "amount_unit": "usd_per_exact_physical_unit", "billing_input": false, "key": "d4e53ea51572a9d8f9fcc8e4", "label": "Input audio seconds", "public_unit_label": "per input audio second", "quantity": "1", "rate_role": "declared_tariff_rate", "side": "in", "unit": "input_audio_second" } ] } ] } ], "examples": [ { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\n: \"${AILOOT_AUDIO_FILE:?Set the path to your actual MP3 recording}\"\nexport AILOOT_AUDIO_FILE\npython3 - <<'PY_REQUEST'\nimport os\nfrom pathlib import Path\np=Path(os.environ[\"AILOOT_AUDIO_FILE\"])\nif not p.is_file() or p.suffix.lower()!=\".mp3\":raise SystemExit(\"Choose an existing MP3 recording\")\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \\\n -H \"Authorization: Bearer $AILOOT_API_KEY\" \\\n --form-string model=openai/whisper-1 -F \"file=@$AILOOT_AUDIO_FILE\" \\\n -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path(\"result.json\").read_text())))\nPY_RESULT\n", "label": "curl", "language": "bash" }, { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \\\n -H \"Authorization: Bearer $AILOOT_API_KEY\" -o media-assets.json\n", "label": "List actual media assets", "language": "bash" }, { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\n: \"${AILOOT_MEDIA_TASK_ID:?Set the actual ID returned by the response or media-library metadata}\"\nexport AILOOT_MEDIA_TASK_ID\nresource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ[\"AILOOT_MEDIA_TASK_ID\"],safe=\"\"))')\ncurl --fail-with-body --silent --show-error \"https://api.ailoot.ai/v1/media/tasks/$resource_id\" \\\n -H \"Authorization: Bearer $AILOOT_API_KEY\" -o media-task.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path(\"media-task.json\").read_text())))\nPY_RESULT\n", "label": "Read actual media task", "language": "bash" }, { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\n: \"${AILOOT_ASSET_ID:?Set the actual ID returned by the response or media-library metadata}\"\nexport AILOOT_ASSET_ID\nresource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ[\"AILOOT_ASSET_ID\"],safe=\"\"))')\ncurl --fail-with-body --silent --show-error \"https://api.ailoot.ai/v1/media/assets/$resource_id\" \\\n -H \"Authorization: Bearer $AILOOT_API_KEY\" -o media-asset.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path(\"media-asset.json\").read_text())))\nPY_RESULT\n", "label": "Read actual asset metadata", "language": "bash" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "transcriptions", "hints": [ "Use actual recording and matching format.", "Preserve full transcript, segments, speaker IDs and timing." ], "http": "POST", "in": null, "input": [ "audio" ], "label": "Распознавание речи", "max_out": null, "max_reasoning_effort_multiplier": null, "method_aliases": [], "out": null, "output": [ "transcription" ], "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": 0.0002 } }, "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": "0.0002", "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": "0.0002", "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/whisper-1", "route_label": "Ultra", "status_reads": [ "GET /v1/media/tasks/{task_id}", "GET /v1/media/assets/{asset_id}/content" ], "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": "0.0002", "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": "0.0002", "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/whisper-1", "nativeProvenance": { "input_facts_canonical_sha256": "e8316c9bf2014c8d8f96e271eb89bedd4bfcb0d1a58105c85fb12f212baa8c68", "input_html_sha256": "a31a7d02fda3be85a70535cfd38ec0c1970e5b4ac1a90bf15722fc6e63d31d47", "private_audit_sha256": "7d51457e522b2d21841e0e473d02c865ea28a2f63fba8a6c9168085a3fea1800", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/es/openai-whisper-1/", "description": "Whisper 1 transcribe un archivo de audio completo en texto, con reconocimiento multilingüe y marcas de tiempo de palabras o segmentos. El productor admite formatos de subtítulos y un flujo separado de traducción al inglés; la transcripción conserva el idioma de la grabación.", "locale": "es", "md_url": "https://ailoot.ai/models/es/openai-whisper-1/index.md", "title": "OpenAI: Whisper 1 — Ailoot", "url": "https://ailoot.ai/models/es/openai-whisper-1/" }, "rawModel": { "about": "Whisper 1 es el modelo API de reconocimiento de voz de uso general de OpenAI, documentado como basado en el modelo Whisper V2 de código abierto. Acepta un archivo de audio y devuelve texto. El fabricante describe reconocimiento multilingüe, identificación de idioma y una tarea separada de traducción de voz. La transcripción conserva el idioma hablado; la interfaz separada de traducción del productor devuelve texto en inglés.\n\nUna aplicación útil es preparar una entrevista, nota de voz o conversación grabada para búsqueda y edición posteriores. Proporciona la grabación terminada y, cuando se conozca, su idioma de entrada. OpenAI documenta 98 idiomas compatibles y señala que la precisión del reconocimiento varía según el idioma. La indicación de un solo idioma utiliza un código ISO 639-1; los campos más nuevos de varios idiomas y palabras clave de otros modelos de transcripción son controles separados.\n\nEl flujo de transcripción de archivos del productor acepta archivos de hasta 25 MB en formato MP3, MP4, MPEG, MPGA, M4A, WAV o WebM. Para una grabación más grande, utiliza un formato comprimido o divídela en fragmentos dentro del límite. Conserva los límites de frases y el orden de fragmentos para que la transcripción ensamblada siga conectada con la grabación original. Un contenedor de vídeo aporta su audio para esta tarea, en lugar de ser una entrada de descripción visual.\n\nUn prompt puede proporcionar nombres, siglas o vocabulario específico de la grabación y contexto de un segmento anterior. El límite de prompt de Whisper es de 224 tokens y el prompt debe coincidir con el idioma del audio. El fabricante afirma que Whisper no sigue instrucciones como un modelo textual de uso general. Utiliza el prompt como contexto pertinente de transcripción y después comprueba las grafías importantes frente a la grabación, en lugar de tratar una lista terminológica como palabras que el hablante necesariamente haya dicho.\n\nEl productor documenta formatos de transcripción JSON, texto sin formato, SRT, VTT y JSON detallado. Las marcas de tiempo de palabras y segmentos requieren JSON detallado; pueden solicitarse una o ambas granularidades. La referencia API señala que los tiempos de segmento no añaden latencia extra, mientras que los tiempos de palabra requieren procesamiento adicional. Estas salidas permiten subtitulado y localización de pasajes durante la edición; las anotaciones de diarización de hablantes corresponden a un modelo especializado diferente.\n\nWhisper 1 no admite streaming de transcripción de archivos. Su referencia también documenta una temperatura de muestreo entre cero y uno; con cero, el modelo puede aumentar automáticamente la temperatura cuando lo requieran sus umbrales de decodificación. Esto describe los controles de procesamiento del productor, en lugar de prometer que todas las grabaciones produzcan una transcripción idéntica o perfectamente precisa.\n\nDefine el artefacto final: una transcripción para búsqueda, un archivo de subtítulos o texto con tiempos de palabras o segmentos. Conserva la grabación original, el orden de fragmentos y las referencias temporales pertinentes de origen junto con el resultado. Un paso posterior de edición textual puede corregir una errata o preparar un resumen, pero compara los cambios con el audio para conservar el significado del hablante. El texto reconocido se convierte en evidencia para la siguiente tarea, en lugar de una respuesta generada a la pregunta hablada.", "alias_of": null, "aliases": [], "author": "OpenAI", "available": null, "canonical_model": "openai/whisper-1", "capabilities": { "context_length": 0, "manufacturer_input": [ "audio" ], "manufacturer_output": [ "transcription" ] }, "card_routes": [ { "label": "Ultra", "rates": [ { "amount": "0.0002", "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": "0.0002", "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, "entity_type": "model", "formats": [ "transcriptions" ], "id": "openai/whisper-1", "input": [ "audio" ], "kind": "transcription", "max_out": null, "methods": [ { "available": null, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Retain complete JSON, not only text; preserve every available segment/speaker/timestamp and actual task/asset identity.", "errors": [ { "code": null, "condition": "Campos obligatorios, representación del material o valor del parámetro no válidos", "http_status": 400, "recovery": "Corrige los campos indicados antes de una nueva solicitud de creación.", "type": "invalid_request_error" }, { "code": null, "condition": "La respuesta devuelta indica que la operación o el resultado requiere una comprobación", "http_status": null, "recovery": "Conserva el ID original de operación o tarea devuelto, las cabeceras de la solicitud y la respuesta; continúa con las lecturas admitidas de esa operación original. No vuelvas a enviar la solicitud de creación.", "type": "server_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "all_results": "Follow everyactualreturnedoutputandownedasset; no result is discardedbecauseindex0orcontent_urlalreadyexists.", "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 URL; never construct token" } ], "mode": "synchronous_result_then_owned_library", "operation_id_is_not_task_id": true, "status": [ { "http": "GET", "id_source": "actual returned task_id or media library record", "path": "/v1/media/tasks/{task_id}" } ], "unknown": "Conserva el operation_id/X-Client-Request-ID original para la conciliación sin volver a enviar la solicitud; no hay una ruta dedicada para consultar periódicamente el audio." }, "limits": { "decoded_audio_max_bytes": 26214400 }, "material_combinations": [ { "content_types": [ "application/json", "multipart/form-data" ], "file_formats": [ "wav", "mp3", "flac", "ogg", "m4a", "webm" ], "required_json": [ "model", "input_audio.data", "input_audio.format" ], "required_multipart": [ "model", "file" ], "response_format_optional": [ "json" ] }, { "content_types": [ "multipart/form-data" ], "file_formats": [ "mp3" ], "required": [ "model", "file" ], "response_format_option": false } ], "media_library": { "asset": { "fields": [ { "description": null, "name": "asset_id", "type": "string" }, { "description": null, "name": "task_id", "type": "string" }, { "description": null, "name": "output_key", "type": "string" }, { "description": null, "name": "family", "type": "string" }, { "description": null, "name": "model", "type": "string" }, { "description": null, "name": "method", "type": "string" }, { "description": null, "name": "status", "type": "string" }, { "description": null, "name": "content_type", "type": "string" }, { "description": null, "name": "sha256", "type": "string" }, { "description": null, "name": "size_bytes", "type": "integer" }, { "description": null, "name": "content_url", "type": "string" } ], "http": "GET", "id_source": "actual returned asset_id", "path": "/v1/media/assets/{asset_id}" }, "content": { "http": "GET", "path": "/v1/media/assets/{asset_id}/content", "range_header_supported": true, "url_source": "Use exact returned signed content_url including its token; do not construct a token." }, "expired_link": { "code": "link_expired", "http_status": 404, "recovery": "Read the asset again to obtain its refreshed signed content_url, then fetch that URL. Do not regenerate." }, "list": { "all_pages": "Follow every returned next_cursor, then select records by their actual task_id/output_key.", "http": "GET", "output_fields": [ { "description": null, "name": "object", "type": "string" }, { "description": null, "name": "data", "type": "asset[]" }, { "description": null, "name": "next_cursor", "type": "string|null" } ], "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "family", "required": false, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "cursor", "required": false, "type": "string" }, { "availability": "source_interface", "default": 20, "default_known": true, "enum": null, "enum_known": false, "maximum": 100, "minimum": 1, "name": "limit", "required": false, "type": "integer" } ], "path": "/v1/media/assets" }, "revoke": { "http": "DELETE", "meaning": "Revokes/deletes the existing owned file; this is not generation cancellation.", "path": "/v1/media/assets/{asset_id}", "pending_status": "revoking", "success_statuses": [ 202, 204 ] }, "task": { "http": "GET", "id_source": "actual returned task_id or media library record; operation_id is not task_id", "path": "/v1/media/tasks/{task_id}" } }, "operation_modes": [ "speech_to_text" ], "outputs": { "all_results": "Conserva el JSON completo, no solo el texto; preserva todos los segmentos, hablantes y marcas temporales disponibles y la identidad real de la tarea o recurso.", "family": "transcription", "fields": [ { "description": null, "name": "text", "type": "string" }, { "description": null, "name": "segments[]", "type": "object" }, { "description": null, "name": "task_id", "type": "string" }, { "description": null, "name": "asset_url", "type": "string" }, { "description": null, "name": "usage", "type": "object" } ], "format": "json" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "openai/whisper-1" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "content_type": "multipart/form-data", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "file", "required": true, "type": "file" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "json" ], "enum_known": true, "name": "response_format", "required": false, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "input_audio.data", "required": true, "type": "base64_string", "when": "Entrada JSON de WhisperOR" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "wav", "mp3", "flac", "ogg", "m4a", "webm" ], "enum_known": true, "name": "input_audio.format", "required": true, "type": "string", "when": "Entrada JSON de WhisperOR" } ], "profile_binding": "Exact existing Ailoot model and method; interface constraints below do not assert provider qualification.", "unsupported": [ "unlistedtranscriptionoptions", "formatlabelthatdiffersfromactualbytes" ] }, "hints": [ "Usa una grabación real y el formato correspondiente.", "Conserva la transcripción completa, los segmentos, los ID de hablantes y los tiempos." ], "input": { "contours": [ { "content_types": [ "application/json", "multipart/form-data" ], "file_formats": [ "wav", "mp3", "flac", "ogg", "m4a", "webm" ], "required_json": [ "model", "input_audio.data", "input_audio.format" ], "required_multipart": [ "model", "file" ], "response_format_optional": [ "json" ] }, { "content_types": [ "multipart/form-data" ], "file_formats": [ "mp3" ], "required": [ "model", "file" ], "response_format_option": false } ], "material_types": [ "audio" ], "max_bytes": 26214400 }, "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 URL; never construct token" } ], "mode": "synchronous_result_then_owned_library", "operation_id_is_not_task_id": true, "status": [ { "http": "GET", "id_source": "task_id real devuelto o registro de la biblioteca multimedia", "path": "/v1/media/tasks/{task_id}" } ], "unknown": "Retain original operation_id/X-Client-Request-ID for reconciliation without resubmission; no dedicated audio poll route." }, "manufacturer_capability": null, "method": { "http": "POST", "path": "/v1/audio/transcriptions" }, "method_aliases": [], "operation_modes": [ "speech_to_text" ], "output": { "family": "transcription", "format": "json", "http_success": 200, "owned_result_fields_302": [ "task_id", "asset_url" ], "result": "owned complete JSON transcript" } }, "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": "0.0002", "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": "0.0002", "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" } ] } ], "declared_tariff_references": [ { "client_selectable": false, "key": "9f485f9d704ef2cd14f1", "label": "OpenAI: Whisper 1", "profiles": [ { "basis": "", "dimensions": { "conditions": "Configuración predeterminada" }, "label": "OpenAI: Whisper 1 · Configuración predeterminada", "units": [ { "amount": "0.0002", "amount_unit": "usd_per_exact_physical_unit", "billing_input": false, "key": "d4e53ea51572a9d8f9fcc8e4", "label": "Input audio seconds", "public_unit_label": "per input audio second", "quantity": "1", "rate_role": "declared_tariff_rate", "side": "in", "unit": "input_audio_second" } ] } ] } ], "examples": [ { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\n: \"${AILOOT_AUDIO_FILE:?Set the path to your actual MP3 recording}\"\nexport AILOOT_AUDIO_FILE\npython3 - <<'PY_REQUEST'\nimport os\nfrom pathlib import Path\np=Path(os.environ[\"AILOOT_AUDIO_FILE\"])\nif not p.is_file() or p.suffix.lower()!=\".mp3\":raise SystemExit(\"Choose an existing MP3 recording\")\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \\\n -H \"Authorization: Bearer $AILOOT_API_KEY\" \\\n --form-string model=openai/whisper-1 -F \"file=@$AILOOT_AUDIO_FILE\" \\\n -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path(\"result.json\").read_text())))\nPY_RESULT\n", "label": "curl", "language": "bash" }, { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \\\n -H \"Authorization: Bearer $AILOOT_API_KEY\" -o media-assets.json\n", "label": "List actual media assets", "language": "bash" }, { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\n: \"${AILOOT_MEDIA_TASK_ID:?Set the actual ID returned by the response or media-library metadata}\"\nexport AILOOT_MEDIA_TASK_ID\nresource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ[\"AILOOT_MEDIA_TASK_ID\"],safe=\"\"))')\ncurl --fail-with-body --silent --show-error \"https://api.ailoot.ai/v1/media/tasks/$resource_id\" \\\n -H \"Authorization: Bearer $AILOOT_API_KEY\" -o media-task.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path(\"media-task.json\").read_text())))\nPY_RESULT\n", "label": "Read actual media task", "language": "bash" }, { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\n: \"${AILOOT_ASSET_ID:?Set the actual ID returned by the response or media-library metadata}\"\nexport AILOOT_ASSET_ID\nresource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ[\"AILOOT_ASSET_ID\"],safe=\"\"))')\ncurl --fail-with-body --silent --show-error \"https://api.ailoot.ai/v1/media/assets/$resource_id\" \\\n -H \"Authorization: Bearer $AILOOT_API_KEY\" -o media-asset.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path(\"media-asset.json\").read_text())))\nPY_RESULT\n", "label": "Read actual asset metadata", "language": "bash" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "transcriptions", "hints": [ "Use actual recording and matching format.", "Preserve full transcript, segments, speaker IDs and timing." ], "http": "POST", "in": null, "input": [ "audio" ], "label": "Распознавание речи", "max_out": null, "max_reasoning_effort_multiplier": null, "method_aliases": [], "out": null, "output": [ "transcription" ], "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": 0.0002 } }, "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": "0.0002", "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": "0.0002", "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/whisper-1", "route_label": "Ultra", "status_reads": [ "GET /v1/media/tasks/{task_id}", "GET /v1/media/assets/{asset_id}/content" ], "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": "0.0002", "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": "0.0002", "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/whisper-1", "request_model_id": "openai/whisper-1", "route_label": "Ultra" } ], "name": "OpenAI: Whisper 1", "price": { "in": null, "in_label": null, "out": null, "out_label": null, "sort_in": null, "sort_out": null, "varies": true }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Ultra", "units": [ { "amount": "0.0002", "amount_unit": "usd_per_declared_unit", "conditions": {}, "key": "prompt", "label": "prompt", "quantity": "1", "rate_role": "typed_active_maker_rate", "side": "in", "unit": "input_audio_second" } ] } ], "public_id": "openai/whisper-1", "short": "Whisper 1 transcribe un archivo de audio completo en texto, con reconocimiento multilingüe y marcas de tiempo de palabras o segmentos. El productor admite formatos de subtítulos y un flujo separado de traducción al inglés; la transcripción conserva el idioma de la grabación." }, "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": "Whisper 1 transcribe un archivo de audio completo en texto, con reconocimiento multilingüe y marcas de tiempo de palabras o segmentos. El productor admite formatos de subtítulos y un flujo separado de traducción al inglés; la transcripción conserva el idioma de la grabación.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "7f72d9f5c031decf4a7972f6e182d459cd5e3b1f03dc4af746b317dc8d4a82f2", "renderer_sha256": "b6d488b4bdee68568e5b17d2d4871b2ba1885e1032091b635a7a58ad2ca224e7" }, "sourceRevision": "b11fde7677b3b227dadf9cdd00f437478d79ff2712a7bc593f48fc00ccd78b4b" }