gpt-4o-transcribe-diarize

GPT-4o Transcribe Diarize muuttaa tallennetun puheen tekstiksi, jossa on puhujatunnisteiset jaksot ja ajoitus. Se sopii kokouksiin, haastatteluihin ja usean henkilön tallenteisiin, kun tekstin tulee näyttää, kuka puhui milloinkin. Tunnetuille puhujille voi antaa lyhyitä ääniviitteitä.

Ailoot Ultra · Puheentunnistus POST /v1/audio/transcriptions openai/gpt-4o-transcribe-diarize

Tietoa mallista

Tämä kuvaus kattaa mallin ominaisuudet. Ailootissa saatavilla olevat syötteet, tulosteet ja asetukset luetellaan alla valitulle menetelmälle.

GPT-4o Transcribe Diarize on OpenAI:n automaattinen puheentunnistusmalli, jossa on sisäänrakennettu puhujien erottelu. Se yhdistää litteroidut äänijaksot keskustelun eri puhujiin. Hyödyllinen tulos on puhujan ja ajan mukaan järjestetty teksti pelkän yhtenäisen sanamassan sijaan. Se on tarkoitettu tallennetulle puheelle, joka tarvitsee puhujatunnisteet, kuten kokoukselle, haastattelulle tai usean henkilön keskustelulle.

Valmistele valmis tallenne

Anna litteroitava tallenne. Dokumentoitu tiedostotyönkulku hyväksyy MP3-, MP4-, MPEG-, MPGA-, M4A-, WAV- ja WebM-tiedostot, joiden kokoraja on 25 MB. Säilytä lähdetallenne saatavilla, jotta puhujan vuoro, nimi tai epäselvä ilmaus voidaan tarkistaa todellista ääntä vasten.

Säilytä kokouksessa keskustelun järjestys sen sijaan, että poistaisit vuorojen erottelua auttavat lyhyet tauot. Pidä haastattelun kysymys ja vastaus yhdessä, kun tehtävä tarvitsee niiden suhdetta. Äänen valmistelun tulee tehdä puheesta kuultavaa poistamatta puhujatunnisteisen tuloksen kannalta tärkeää tietoa.

Tämä on tiedoston litterointityönkulku. Valmiin tallenteen käsittely ja yhä saapuvan äänivirran tunnistaminen ovat eri tehtäviä; mallin puhujatunnisteita ei tueta Realtime-litterointi-istunnoissa.

Pyydä puhujatunnisteinen teksti

diarized_json-tulosmuoto palauttaa jaksoja, joissa on puhujan tunniste sekä alku- ja loppuajat. Jokainen jakso sisältää myös litteroidun tekstinsä. Pidä kentät yhdessä, jotta sanat voidaan yhdistää tallenteen oikeaan osaan.

Säilytä hyödyllisessä kokoustekstissä jaksojen järjestys ja näytä kunkin puhujan sanat niiden ajoituksen kanssa. Myöhempi tehtävä voi käyttää tekstiä pöytäkirjan tai toimenpideluettelon valmisteluun, mutta puhujien erottelu ei itsessään ratkaise, mistä kokouksessa sovittiin, tai generoi vahvistettua yhteenvetoa.

Puhujatunnisteet kuvaavat mallin puheelle tekemää ryhmittelyä. Tarkasta siirtymät, joissa ihmiset keskeyttävät toisensa, puhuvat lyhyesti tai päällekkäin. Hyvin jäsennelty tulos auttaa selaamisessa ja tarkastuksessa, mutta tietty puhujan kohdistus voi edelleen vaatia alkuperäisen äänen kuuntelemista.

Tunnettujen puhujien viitteet

Dokumentoitu työnkulku voi hyväksyä enintään neljä nimettyä puhujaviitettä. Jokainen viite on lyhyt 2–10 sekunnin äänikatkelma muodossa, jota varsinainen lataus tukee. Nimet ja viitteet annetaan yhdessä, jotta jaksot voidaan liittää tunnettuihin puhujiin.

Valmistele viite, joka sisältää selvästi tarkoitetun puhujan, ja pidä sen nimi yhdenmukaisena tekstin tavoiteltujen tunnisteiden kanssa. Haastattelussa juontajan viite voi auttaa puhujatunnisteisen tuloksen järjestämisessä tekemättä jokaisesta osallistujasta nimetöntä tunnistetta. Viite on puhujan kohdistamisen syöte; se ei ole yleinen äänen kloonausoperaatio tai todiste henkilön identiteetistä.

Älä sekoita puhujan nimeämistä puhuttujen sanojen muokkaamiseen. Hyödyllisen tulosteen tulee edelleen säilyttää tallenteen sisältö ja vuorojen todellinen järjestys.

Paloittelu ja mallin rajat

Yli 30 sekunnin ääni edellyttää tuottajan mukaan paloittelustrategiaa: joko automaattista paloittelua tai puheaktiivisuuden tunnistukseen perustuvaa määritystä. Tämä vaatimus ei ole tallenteen enimmäiskesto. Se kuvaa pidemmän syötteen jakamista käsittelyä varten.

Mallikortti ilmoittaa konteksti-ikkunaksi 16000 tokenia ja enimmäistulosteeksi 2000 tokenia. Nämä ovat mallin tokenirajoja, jotka eroavat tiedostotyönkulun 25 MB:n latausrajasta ja paloittelukynnyksestä. Niitä ei pidä muuttaa keksityksi minuuttimääräksi, joka koskisi jokaista tallennetta.

Säilytä ajoitus ja jaksojen tunnisteet pidempää tekstiä koottaessa tai tarkastettaessa. Jos tallenne on jaettu ennen lähettämistä, säilytä kunkin osan suhde alkuperäiseen ääneen, jotta paikallista aikaleimaa ei sekoiteta sen sijaintiin koko keskustelussa.

Valmiiden jaksojen suoratoisto

Tiedoston litterointityönkulku voi suoratoistaa tekstiä tallenteen käsittelyn aikana. Puhujatunnisteisessa suoratoistossa valmiit jaksot tuottavat jaksotapahtumia. Tekstin osittaiset päivitykset sisältävät jakson tunnisteen mutta eivät osittaisia puhujakohdistuksia; puhuja määritetään, kun jakso valmistuu.

Ero on tärkeä esityksessä. Näytä alustava teksti ja valmis puhujavuoro eri tiloina sen sijaan, että liittäisit epävarman puhujatunnisteen ennen jakson valmistumista. Säilytä valmis tulos, kun tekstiä tarvitaan myöhempään muokkaukseen tai analyysiin.

Mallin ja tulosteen rajat

Tämä profiili on puhujien erotteluun tarkoitettu malli, joka eroaa tavallisesta GPT-4o-litteroinnista, Mini-litteroinnista, puhesynteesistä ja suorista keskustelumalleista. Se ei tue litterointikehotteita; pidä terminologian tarkastus tai korjaus erillisenä vaiheena, joka tarkistetaan alkuperäistä ääntä vasten. Sen tuottajan rajapinta muuttaa tallennetun äänen tekstiksi. Se ei generoi äänivastausta tai käännä tallennetta erillisen äänenkäännöstyönkulun kautta.

Käytä sitä teksteihin, jotka tarvitsevat sekä sisällön että puhujarakenteen. Tarkista nimet, tekniset termit, numerot, vuororajat ja puhujakohdistukset tallennetta vasten. Säilytä ääni, valittu tulosmuoto, viitteet ja valmis teksti, jotta korjaus voi kohdistua yhteen konkreettiseen ilmaukseen tai puhujakohdistukseen.

Ailoot Ultra · Puheentunnistus POST /v1/audio/transcriptions openai/gpt-4o-transcribe-diarize

openai/gpt-4o-transcribe-diarize

OpenAI /openai/gpt-4o-transcribe-diarize

Aloitus

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
Kenttä`model`	Tyyppi`string`	VaatimusPakollinen	Arvot & rajat openai/gpt-4o-transcribe-diarize	Oletus—
Kenttä`file`	Tyyppi`file`	VaatimusPakollinen	Arvot & rajat Tavujen enimmäismäärä: 26 214 400 MIME-tyypit: audio/mpeg Tiedostopääte: .mp3 Enimmäiskesto, sekuntia: 30	Oletus—
Kenttä`response_format`	Tyyppi`string`	VaatimusPakollinen	Arvot & rajat diarized_json	Oletus—

Syöteaineistojen yhdistelmät

diarized_transcription

Menetelmän parametrit ja elinkaari

Parametri	Sopimus
Parametri`content_type`	Sopimusmultipart/form-data
Parametri`required`	Sopimusmodel, file, response_format
Parametri`file_formats`	Sopimusmp3
Parametri`max_audio_seconds`	Sopimus30
Parametri`max_bytes`	Sopimus26214400
Parametri`response_format`	Sopimusdiarized_json
Parametri`other_options`	Sopimusfalse
Parametri`material_types`	Sopimusaudio
Parametri`additional_properties`	Sopimusfalse
Parametri`form_string_maximum_bytes`	Sopimus256

Menetelmien aliakset: /audio/transcriptions

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 todellista tallennetta ja sitä vastaavaa muotoa.

Säilytä koko litterointi, segmentit, puhujatunnisteet ja ajoitustiedot.

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—	Laskutusyksikkö/ 1K äänitokenia	Veloitus Syöte · äänisyötteen token $0.012 / 1K äänitokenia
AsetuksetUltra	Hinnasto—	Laskutusyksikkö/ 1K äänitokenia	Veloitus Tuloste · äänitulosteen token $0.02 / 1K äänitokenia

Ailoot varaa arvioidun summan ennen pyyntöä. Tuloksen jälkeen lopullinen veloitus toteutetaan mitatun käytön perusteella. Suoratoiston veloituksessa käytetään lopullista käyttötietuetta. Varauksen ja lopullisen veloituksen toiminta →

Esimerkkipyynnöt

Ailoot Ultra · Puheentunnistus

curl · säilytetty luontipyyntö sellaisenaan

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_AUDIO_FILE:?Set the path to your actual MP3 recording}"
export AILOOT_AUDIO_FILE
python3 - <<'PY_REQUEST'
import os
from pathlib import Path
p=Path(os.environ["AILOOT_AUDIO_FILE"])
if not p.is_file() or p.suffix.lower()!=".mp3":raise SystemExit("Choose an existing MP3 recording")
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \
  -H "Authorization: Bearer $AILOOT_API_KEY" \
  --form-string model=openai/gpt-4o-transcribe-diarize -F "file=@$AILOOT_AUDIO_FILE" --form-string response_format=diarized_json \
  -D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
print(json.dumps(json.loads(Path("result.json").read_text())))
PY_RESULT

Vastaanota ja tallenna tulokset

Ailoot Ultra · Puheentunnistus

json

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

Muut sisällön lukukerrat

Tallenna jokainen palautettu omistamasi litterointiMediakirjastoTehtävän tilaAineiston tiedot

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
export AILOOT_API_KEY
python3 - <<'PY_ASSETS'
import json,os,subprocess
from pathlib import Path
from urllib.parse import urljoin,urlsplit
r=json.loads(Path('result.json').read_text())
urls=[]
if isinstance(r.get('asset_url'),str) and r['asset_url']:urls.append(('transcript',r['asset_url']))
for label,path in urls:
    u=urljoin('https://api.ailoot.ai',path);z=urlsplit(u)
    if z.scheme!='https' or z.netloc!='api.ailoot.ai' or z.username or z.password:raise SystemExit('Use the actual returned Ailoot owned content URL')
    target=Path('owned-'+label+'.bin')
    subprocess.run(['curl','--fail-with-body','--silent','--show-error',u,'-H','Authorization: Bearer '+os.environ['AILOOT_API_KEY'],'-D',str(target)+'.headers','-o',str(target)],check=True)
print('All returned owned URLs saved; complete metadata, timing and usage remain in the JSON.')
PY_ASSETS

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \
  -H "Authorization: Bearer $AILOOT_API_KEY" -o media-assets.json

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_MEDIA_TASK_ID:?Set the actual ID returned by the response or media-library metadata}"
export AILOOT_MEDIA_TASK_ID
resource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_MEDIA_TASK_ID"],safe=""))')
curl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/tasks/$resource_id" \
  -H "Authorization: Bearer $AILOOT_API_KEY" -o media-task.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
print(json.dumps(json.loads(Path("media-task.json").read_text())))
PY_RESULT

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_ASSET_ID:?Set the actual ID returned by the response or media-library metadata}"
export AILOOT_ASSET_ID
resource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_ASSET_ID"],safe=""))')
curl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/assets/$resource_id" \
  -H "Authorization: Bearer $AILOOT_API_KEY" -o media-asset.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
print(json.dumps(json.loads(Path("media-asset.json").read_text())))
PY_RESULT

Säilytä kaikki valmistuneet tulokset

Säilytä jokainen kokonainen palautettu vastaus, tiedosto ja sisällön osa.

Säilytä koko JSON, älä pelkkää tekstiä; säilytä jokainen saatavilla oleva segmentti, puhuja ja aikaleima sekä todellinen tehtävä- ja aineistotunniste.

Jos alkuperäinen vastaus on tarkistettava

Säilytä alkuperäinen operation_id/X-Client-Request-ID täsmäytystä varten lähettämättä pyyntöä uudelleen; erillistä äänen tilakyselyreittiä ei ole.

Vastauksen kentät

Kenttä	Tyyppi
Kenttä`text`	Tyyppistring
Kenttä`segments[]`	Tyyppiobject
Kenttä`task_id`	Tyyppistring
Kenttä`asset_url`	Tyyppistring
Kenttä`usage`	Tyyppiobject
Kenttä`segments[].speaker`	Tyyppistring
Kenttä`segments[].start`	Tyyppinumber
Kenttä`segments[].end`	Tyyppinumber

Virheet ja seuraavat vaiheet

Vastaus	Ehto	Seuraava vaihe
Vastaus400 · `invalid_request_error`	EhtoVirheelliset pakolliset kentät, aineiston esitysmuoto tai parametrin arvo	Seuraava vaiheKorjaa ilmoitetut kentät ennen uutta luontipyyntöä.
Vastaus`server_error`	EhtoPalautettu vastaus ilmoittaa, että operaatio tai tulos edellyttää tarkistusta	Seuraava vaiheSäilytä alkuperäinen palautettu operaation tai tehtävän ID, pyynnön otsakkeet ja vastaus; jatka kyseisen alkuperäisen operaation tuettuja lukutoimintoja. Älä lähetä luontipyyntöä uudelleen.

Aliakset

Mallin aliakset

Ailoot Ultra openai/gpt-4o-transcribe-diarize

Menetelmäpolkujen aliakset

/audio/transcriptions

Liittyvät kutsujan ID:t

openai/gpt-4o-transcribe-diarize

FAQ · gpt-4o-transcribe-diarize

Mitä syötteitä ja tuloksia on saatavilla?: POST /v1/audio/transcriptions · openai/gpt-4o-transcribe-diarize: audio → transcription
Mitä kenttiä pyyntö käyttää?: POST /v1/audio/transcriptions · openai/gpt-4o-transcribe-diarize: model, file, response_format

gpt-4o-transcribe-diarize