Deepgram: Nova-3
Nova-3 on Deepgramin yleiskäyttöinen puheentunnistusmalli tallennetulle ja suoratoistetulle äänelle. Se tukee yksikielistä tunnistusta, määriteltyä monikielistä kielenvaihtotilaa ja avaintermeillä ohjaamista sekä palauttaa litteroinnit sanakohtaisine ajoitus- ja varmuustietoineen.
Tietoa mallista
Tämä kuvaus kattaa mallin ominaisuudet. Ailootissa saatavilla olevat syötteet, tulosteet ja asetukset luetellaan alla valitulle menetelmälle.
Nova-3 on Deepgramin yleiskäyttöinen puheentunnistusmalli äänen muuntamiseen tekstiksi. Tuottaja suosittelee sitä kokouksiin, tapahtumien tekstityksiin, usean puhujan tallenteisiin ja haastaviin olosuhteisiin, kuten meluun tai kaukana oleviin mikrofoneihin, käyttäen joko ennalta tallennetun äänen tai suoratoiston litterointia. Sen hyödyllinen tulos on tunnistettu puhe ajoitus- ja varmuustietoineen, joka säilyy yhdistettynä lähdeääneen.
Valitse kielityönkulku
Dokumentoitu oletuskieli on englanti. Yksikielisessä pyynnössä valitaan puhuttu kieli tai tuettu kielialueen variantti. Yleismallin nykyinen taulukko sisältää englannin alueellisia variantteja, espanjan, ranskan, saksan, venäjän, portugalin, japanin, italian, hollannin, arabian, kiinan kirjoitusjärjestelmiä ja monia muita kieliä, myös kazakin. Valitse tuottajan tukemista koodeista sen sijaan, että olettaisit minkä tahansa kielialueen nimen kelpaavan.
Monikielinen asetus on erillinen kielenvaihtotyönkulku. Nykyinen Nova-3-taulukko luettelee sille kymmenen kieltä: englanti, espanja, ranska, saksa, hindi, venäjä, portugali, japani, italia ja hollanti. Tämä joukko ei ole sama kuin laajempi yksikielisten vaihtoehtojen luettelo. Valmistele tuettujen kielten välillä vaihtelevalle tallenteelle monikielinen tila sen sijaan, että pakottaisit koko keskustelun siihen sopimattomaan yksikieliseen asetukseen. Säilytä puhuttu sisältö ennen käännetyn tai tiivistetyn version valmistelua.
Tallennettu ääni ja litteroinnin valmistelu
Deepgramin tiedostotyönkulku hyväksyy ladatut äänitavut tai viitteen äänitiedostoon. Tallenna palautettu litterointi pyynnön valmistuttua; tuottaja ei säilytä litterointeja myöhempää hakua varten. Tavallisia dokumentoituja syötemuotoja ja koodauksia ovat MP3, MP4, MP2, AAC, WAV, FLAC, PCM, M4A, Ogg, Opus ja WebM. Säilytä todellinen muoto ja kanavatiedot tallenteen yhteydessä. Anna tallenteelle pysyvä tunniste ja pidä tulos yhdistettynä oikeaan lähteeseen ja sen kanavatietoihin. Tarkista kokouksen osallistujien nimet ja tekniset termit kuuntelemalla alkuperäistä ääntä. Säilytä luennon tai tapahtuman äänen järjestys, jotta myöhempi tekstitys tai hakutulos voi paikantaa olennaisen kohdan.
Tuottajan tallennetun äänen opas ilmoittaa tiedoston enimmäiskooksi 2 GB ja suosittelee äänivirran poimimista suuresta videotiedostosta. Se dokumentoi myös Nova-pyyntöjen kymmenen minuutin käsittelyaikakatkaisun. Tämä aikakatkaisu koskee pyynnön käsittelyaikaa, ei tallenteen kymmenen minuutin enimmäiskestoa. Hyödyllinen tulos sisältää tarkoitetun tallenteen loppuosan; osittain säilynyttä litterointia ei tule käsitellä koko tekstinä.
Lue sanat, ajat ja varmuus
Dokumentoitu JSON-vastaus sisältää litterointivaihtoehdot ja tunnistetut sanat. Jokaisella sanalla on alku- ja loppuaika sekunteina äänen alusta sekä varmuusarvo. Usean puhujan litteroinnissa tuottajan valinnainen puhujanerottelu määrittää puhujatunnisteen jokaiselle sanalle. Tallennetun äänen puhujanerottelu palauttaa myös puhujamäärityksen varmuuden; suoratoiston puhujanerottelu palauttaa puhujatunnisteen. Tarkista nämä tunnisteet tallenteen ääniä vasten. Myös koko litteroinnin varmuus ilmoitetaan asteikolla 0–1. Kun älykästä muotoilua pyydetään, tulos voi sisältää välimerkkejä ja isoja alkukirjaimia välimerkitettyinä sanoina sekä luettavaa kappaletietoa.
Käytä kenttiä niiden merkityksen mukaisesti. Sanan aika paikantaa tunnistetun puheen, kun taas varmuus on mallin arvio luotettavuudesta, ei todiste siitä, että vaikea nimi tai määrä kuultiin oikein. Säilytä tekstitystä valmisteltaessa ajoitus tarkistetun sanamuodon rinnalla ja tarkastele rajoja ääntä vasten. Pidä luettavaa toimitettua versiota varten muutokset erotettavina tunnistetusta litteroinnista sen sijaan, että korvaisit epävarmoja sanoja huomaamatta uskottavalla tarinalla.
Suoratoiston tunnistus ja lopulliset segmentit
Novan suoratoistotyönkulku palauttaa tekstiä äänen saapuessa sekä välituloksina että lopullisina tuloksina. is_final-ilmaisin erottaa vielä muuttuvan tekstin lopullisesta segmentistä. speech_final-ilmaisin liittyy puhejakson päättymisen tunnistamiseen. Pidä nämä signaalit erillään pelkästä ei-tyhjän litteroinnin vastaanottamisesta ja säilytä lopulliset segmentit äänen järjestyksessä valmista tietuetta kootessasi.
Nova-3 on yleinen automaattinen puheentunnistusmalli, ei erillinen keskustelumalli Flux, jossa on malliin sisäänrakennettu puheenvuorojen tunnistus. Nova merkitsee litteroinnin lopullisuuden ja puheen päättymiskohdat; Flux antaa omat keskusteluvuoron tilatapahtumansa. Valitse litterointityönkulku sen mukaan, onko ääni jo tallennettu vai saapuuko se reaaliaikaisesti, ja säilytä tuotoksena varsinainen lopullinen tuloste.
Avaintermit tärkeää sanastoa varten
Nova-3:n dokumentoitu Keyterm Prompting tukee yksikielistä ja monikielistä litterointia ja mukauttaa tunnistusta tärkeisiin termeihin ilman mallin uudelleenkoulutusta. Anna olennaisia nimiä, tuotetermejä, lyhenteitä tai monisanaisia ilmauksia, joita saatetaan todella sanoa. Opas rajoittaa avaintermien yhteenlasketun syötteen 500 tokeniin ja suosittelee keskittymään tärkeimpään sanastoon tavallisten sanojen summittaisen lisäämisen sijaan.
Tuottajan syntaksi käyttää tavallisia termejä ja erillistä keyterm-merkintää jokaiselle termille. Monisanainen ilmaus pysyy yhtenä ilmauksena. Vanhemmat avainsanapainot tai vahvistimet sekä erillisten termien yhdistäminen pilkuilla, puolipisteillä tai rivinvaihdoilla eivät vastaa tätä: rajapinta voi hyväksyä ne yhtenä kirjaimellisena arvona antamatta tarkoitettua painotusta. Käytä nimissä oikeaa kirjainkokoa ja tarkista sitten litterointi, sillä äänikonteksti ja älykäs muotoilu voivat silti muuttaa lopullista kirjoitusasua.
Malliperheen rajat ja hyödylliset tulokset
Yleinen Nova-3-profiili on erillinen nimetyistä Medical- ja Pharma-vaihtoehdoista. Sanastolla ohjaaminen ei muuta sitä toiseksi versioksi, eikä erikoismallien kielikattavuutta tai toimintaa tule olettaa yleismallin ominaisuuksiksi. Litteroinnin lisäkäsittelyominaisuudet ovat valintoja tuottajan puhetyönkulussa, eivät näyttöä siitä, että tunnistus olisi tuottanut yhteenvedon, käännöksen tai muun tuotoksen, jota ei koskaan pyydetty.
Hyödyllinen Nova-3-tuotos voi olla hakukelpoinen kokouslitterointi, tekstitysvalmis sanamuoto sana-ajoituksineen tai monikielisen keskustelun tallennettu tekstiesitys. Säilytä äänitunniste, valittu kielityönkulku, lopullinen teksti ja hyödylliset varmuus- tai ajoituskentät. Tarkista epäselvät nimet, luvut, päällekkäiset äänet ja kielenvaihdokset alkuperäisestä tallenteesta ja pidä varsinainen tunnistettu puhe saatavilla seuraavaa sisällönkäsittelyvaihetta varten.
Ailoot Ultra · Puheentunnistus POST /v1/audio/transcriptions deepgram/nova-3
deepgram/nova-3Aloitus
Nova-3 on Deepgramin yleiskäyttöinen puheentunnistusmalli tallennetulle ja suoratoistetulle äänelle. Se tukee yksikielistä tunnistusta, määriteltyä monikielistä kielenvaihtotilaa ja avaintermeillä ohjaamista sekä palauttaa litteroinnit sanakohtaisine ajoitus- ja varmuustietoineen.
- Hyväksytyt syötteet
- Ääni
- Tulokset
- transcription
Saatavilla Ailootissa · syötteet & menetelmät
Ailoot Ultra · Puheentunnistus POST /v1/audio/transcriptions
- Syötetyypit
audio- Tulostyypit
transcription- Tulosteen muoto
- json
| Kenttä | Tyyppi | Vaatimus | Arvot & rajat | Oletus |
|---|---|---|---|---|
Kenttämodel | Tyyppistring | VaatimusPakollinen | Arvot & rajat deepgram/nova-3 | Oletus— |
Kenttäinput_audio | Tyyppiobject | VaatimusPakollinen | Arvot & rajat | Oletus— |
Kenttälanguage | Tyyppistring | VaatimusValinnainen | Arvot & rajat | Oletus— |
Kenttätemperature | Tyyppinumber | VaatimusValinnainen | Arvot & rajat Vähimmäismäärä: 0 Enimmäismäärä: 1 | Oletus— |
Kenttäresponse_format | Tyyppistring | VaatimusValinnainen | Arvot & rajat json, verbose_json | Oletusjson |
Kenttätimestamp_granularities | Tyyppiarray | VaatimusValinnainen | Arvot & rajat | Oletus— |
Kenttäprovider | Tyyppiobject | VaatimusValinnainen | Arvot & rajat | Oletus— |
Syöteaineistojen yhdistelmät
speech_to_text · Pakollinen: actual matching-format audio file
Menetelmän parametrit ja elinkaari
| Parametri | Sopimus |
|---|---|
Parametricontent_types | Sopimusapplication/json, multipart/form-data |
Parametrirequired | Sopimusmodel, input_audio |
Parametrimaterial_types | Sopimusaudio |
ParametriJSON_audio | Sopimustodelliset raakaäänen tavut base64-muodossa ja niitä vastaava muoto |
Parametrimultipart_required | Sopimusmodel, file |
Parametrimultipart_cap_bytes | Sopimus26214400 |
Parametrioptional_controls | Sopimuslanguage, temperature, response_format, timestamp_granularities, provider |
Parametridefault_response_format | Sopimusjson |
Parametrioptional_features | SopimusYksityiskohtainen tulos, diarize/keyterms sekä URL tai suurempi suoraan pyyntöön sisällytetty ääni edellyttävät juuri kyseisen mallin ja palveluntarjoajan ominaisuutta sekä hinnastoa. |
Elinkaari: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · todellisuudessa palautettu task_id tai mediakirjaston tietue
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Käytä täsmällistä mallia ja dokumentoituja syötekenttiä.
Säilytä koko vastaus, jokainen todellinen tulos ja alkuperäiset palautetut tunnisteet.
Hinnoittelu
Hintatiedot eivät lisää pyyntövalintoja. Tuetut parametrit on lueteltu valitulle menetelmälle.
- Nopea tila
- Ei määritetty Kun nopea tila on valittu
- Flex-tila
- Ei määritetty Kun flex-tila on valittu
- Päättelyn enimmäisteho
- Ei määritetty Kun päättelyn enimmäistehoon sovelletaan default-oletussäätöä
Ailoot-hinnat
Hinnat asetusten mukaan
Kohdista kukin veloitus näytettyihin ehtoihin. Käytä yhtä hintaa kutakin vaihtoehtoisten asetusten ryhmää kohden.
| Asetukset | Hinnasto | Laskutusyksikkö | Veloitus |
|---|---|---|---|
| AsetuksetTokenien perushinnat | HinnastoPerushinta | Laskutusyksikkö— | Veloitus Syöte · Syötetokenit — / 1K tokenia Tuloste · Tulostokenit — / 1K tokenia Syöte · Välimuistin luku — / 1K tokenia Syöte · Välimuistiin kirjoitus — / 1K tokenia Syöte · Välimuistiin kirjoitus, 1 tunti — / 1K tokenia |
| AsetuksetUltra | Hinnasto— | Laskutusyksikköäänisyötteen sekuntia kohden | Veloitus Syöte · äänisyötteen sekunti $0.0001433333333334 äänisyötteen sekuntia kohden |
Ailoot varaa arvioidun summan ennen pyyntöä. Tuloksen jälkeen lopullinen veloitus toteutetaan mitatun käytön perusteella. Suoratoiston veloituksessa käytetään lopullista käyttötietuetta. Varauksen ja lopullisen veloituksen toiminta →
Viitehinnaston tiedot
Mallitason viitehinnastot eivät muuta menetelmän valintaa, hinta-arvioita tai veloituksia. Käytössä olevat veloitukset käyttävät valitun Ailoot-menetelmän hintoja.
Deepgram: Nova-3
Hinnat asetusten mukaan
| Asetukset | Laskutusehdot | Veloitus |
|---|---|---|
| AsetuksetDeepgram: Nova-3 · Oletusasetukset | LaskutusehdotOletuskokoonpano | Veloitus Syöte · Äänisyötteen sekunnit ≈0,000143 $ syöteäänen sekuntia kohden |
Esimerkkipyynnöt
Ailoot Ultra · Puheentunnistus
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_AUDIO_FILE:?Set the path to your actual WAV recording}"
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
import base64
audio=Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()
if not (audio[:4]==b'RIFF' and audio[8:12]==b'WAVE'): raise SystemExit('Supply an actual WAV audio file')
if len(audio)>26214400: raise SystemExit('Use a documented supported large-file flow')
request={'model': 'deepgram/nova-3', 'input_audio': {'data': '${BASE64_ACTUAL_WAV_BYTES}', 'format': 'wav'}}
request['input_audio']['data']=base64.b64encode(audio).decode('ascii')
Path('request.json').write_text(json.dumps(request,ensure_ascii=False),encoding='utf-8')
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \
-H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
--data-binary @request.json -D response-headers.txt -o response.bin
# Keep the complete original response and headers. Read every returned segment, word and usage field.
# Preserve actual operation/task/asset IDs; continue reads of the original result without resubmitting.
Vastaanota ja tallenna tulokset
Ailoot Ultra · Puheentunnistus
json
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
Säilytä kaikki valmistuneet tulokset
Säilytä jokainen kokonainen palautettu vastaus, tiedosto ja sisällön osa.
Koko alkuperäinen JSON, kaikki saatavilla olevat tekstit, segmentit, sanat, puhujat, aikaleimat ja käyttötiedot.
Jos alkuperäinen vastaus on tarkistettava
Säilytä alkuperäinen operation_id/X-Client-Request-ID ja alkuperäinen vastaus. Lue todellisia käyttäjälle kuuluvia tehtävä- ja aineistotietueita lähettämättä pyyntöä uudelleen; erillistä äänen tilakyselyn URL-osoitetta ei muodosteta.
Vastauksen kentät
| Kenttä | Tyyppi |
|---|---|
Kenttätext | Tyyppistring |
Kenttäusage | Tyyppiobject |
Kenttäsegments[] | Tyyppiobject |
Kenttäwords[] | Tyyppiobject |
Aliakset
Mallin aliakset
Ailoot Ultra deepgram/nova-3
Menetelmäpolkujen aliakset
Käytä yllä näytettyjä menetelmäpolkuja.
Liittyvät kutsujan ID:t
FAQ · Deepgram: Nova-3
- Mitä syötteitä ja tuloksia on saatavilla?
POST /v1/audio/transcriptions·deepgram/nova-3:audio→transcription- Mitä kenttiä pyyntö käyttää?
POST /v1/audio/transcriptions·deepgram/nova-3:model,input_audio,language,temperature,response_format,timestamp_granularities,provider- Mitä rajoja sovelletaan?
POST /v1/audio/transcriptions·deepgram/nova-3:temperature.minimum:0;temperature.maximum:1