OpenAI: GPT Transcribe

GPT Transcribe muuttaa tallennetun puheen tekstiksi alkuperäisellä kielellä käyttäen kontekstikehotteita, täsmällisiä avainsanavihjeitä ja useita kielivihjeitä. OpenAI dokumentoi valmiiden tiedostojen litteroinnin, tiedostotulosten suoratoiston ja litteroinnin Realtime-äänivuorojen vahvistamisen jälkeen.

Ailoot Ultra · Litterointi POST /v1/audio/transcriptions openai/gpt-transcribe

Tietoa mallista

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

GPT Transcribe on OpenAI:n puheesta tekstiksi -malli valmiille äänitiedostoille, suoratoistettaville tiedostolitteroinneille ja vahvistetuille äänivuoroille Realtime-istunnoissa. Se ottaa vastaan ääntä ja valinnaista tekstikontekstia ja palauttaa tunnistettua tekstiä. Tuottaja asemoi sen tallennetun puheen tarkkaan litterointiin alkuperäisellä kielellä, myös alakohtaisessa sanastossa, monikielisissä tallenteissa ja puheen sisäisessä kielten vaihtelussa. Hyödyllinen tulos on tallenteeseen yhdistetty litterointi sekä tunnistettujen kielten metatiedot silloin, kun malli pystyy ennustamaan kielen luotettavasti.

Valmiin tallenteen valmistelu

OpenAI:n tiedostolitteroinnin työnkulku hyväksyy enintään 25 MB:n lataukset. Nykyinen päätepisteviite luettelee syötemuodot FLAC, MP3, MP4, MPEG, MPGA, M4A, OGG, WAV ja WebM ja suosittelee riittäviä tiedostometatietoja muodon tunnistamiseen, kuten sopivaa tiedostopäätettä ja sisältötyyppiä. Suuremmalle tallenteelle ohje suosittelee pakkaamista tai jakamista enintään 25 MB:n tiedostoiksi. Vältä katkaisemista kesken lauseen, sillä ympäröivän puheen poistaminen voi heikentää tunnistustarkkuutta. Säilytä osien järjestys ja niiden sijainnit alkuperäisessä tallenteessa.

Anna kokousta, haastattelua tai tallennettua esitystä varten todellinen ääni ja kerro aihe sekä todennäköisesti puhuttu terminologia. Hyödyllinen tulos on tunnistettu sanamuoto eikä keskustelusta päätelty yhteenveto. Säilytä tallenteen tunniste palautetun tekstin mukana, jotta nimeä, lukua tai epävarmaa ilmausta tarkistava henkilö voi palata oikeaan lähteeseen. Litterointi voi sitten toimia erillisen yhteenveto-, käännös- tai toimitustyönkulun aineistona.

Konteksti, avainsanavihjeet ja odotetut kielet

Tuottaja erottaa kolme ohjaustapaa. Kehote antaa vapaamuotoista kontekstia tallenteen aiheesta tai tilanteesta. Avainsanat antavat puheessa odotettuja täsmällisiä sanoja tai ilmauksia. languages-luettelo kertoo odotetut puhutut kielet. Kuvaa kaksikielisessä tuotekeskustelussa tilanne kehotteessa, luettele olennaiset tuotenimet avainsanoina ja anna odotetut kielet. Nämä ovat tunnistusvihjeitä, eivät ohjeita lisätä sanastoa, jota kukaan ei käyttänyt.

GPT Transcribe käyttää monikollista languages-kenttää vanhemman yksiköllisen language-kentän sijaan; OpenAI ohjeistaa, ettei molempia saa lähettää. Sen ohje hyväksyy tuetut ISO 639-1 -koodit, valitut ISO 639-3 -koodit ja alueelliset kiinan kielialuekoodit ja hylkää tukemattomat tai virheelliset arvot. Jokaisen avainsanan on pysyttävä yhdellä rivillä, eikä se saa sisältää kulmasulkua, rivinpalautusmerkkiä tai rivinvaihtomerkkiä. Virheellinen avainsana tai liian pitkä kehote voi johtaa koko pyynnön hylkäämiseen. Pidä konteksti olennaisena ja tarkista, esiintyvätkö vihjeinä annetut nimet todella äänessä, sen sijaan että pitäisit vihjeluetteloa litterointina.

JSON-tulos ja tunnistettujen kielten ennusteet

Dokumentoitu tiedostotulos on JSON, joka sisältää litteroinnin ja tunnistetut kielet. Nämä kieliennusteet ovat mallin tulos eivätkä annettujen kielivihjeiden kopio. Tyhjä kieliluettelo on kelvollinen tulos, kun malli ei voi tehdä luotettavaa ennustetta; se ei osoita tallenteen olleen hiljainen tai litteroinnin epäonnistuneen. Pidä tunnistettu teksti ja kielimetatiedot erillään, jotta jatkokäsittely voi käyttää kumpaakin merkityksensä mukaisesti.

Tiedostolitteroinnin suoratoisto

Valmiin tiedoston litterointiteksti voi valmistua vähitellen käsittelyn aikana. OpenAI dokumentoi tapahtumat transcript.text.delta osittaiselle tekstille ja transcript.text.done koko tiedoston litteroinnille; lopullinen tapahtuma sisältää myös tunnistetut kielet. Tämä suoratoistaa jo annetun tallenteen tulosta. Se auttaa näyttämään pitkän latauksen etenemisen, ja lopullinen tapahtuma määrittää tekstin, joka säilytetään valmiina tuloksena.

Vahvistetut vuorot Realtime-istunnoissa

GPT Transcribe tarjoaa myös erikoistuneen Realtime-työnkulun WebSocketin kautta. Ääntä lisätään syötepuskuriin, minkä jälkeen sovellus vahvistaa äänivuoron nimenomaisesti. Litterointi alkaa tästä vahvistetusta osasta ja voi lähettää osittaisia tekstituloksia ennen valmistumistapahtumaa, joka sisältää myös tunnistetun kielen tiedot. Malli käyttää automaattisesti aiempia litteroituja vuoroja kontekstina tässä tuottajan istuntokulussa. Tämä eroaa jatkuvasta reaaliaikaisen tekstityksen tuottamisesta mikrofonin äänen saapuessa; OpenAI nimeää GPT Live Transcribe -mallin tähän jatkuvaan työnkulkuun.

Säilytä useiden vuorojen käsittelyssä syötealkion tunniste sitä vastaavan litteroinnin mukana. OpenAI varoittaa, ettei eri vuorojen valmistumistapahtumien tarvitse saapua puhejärjestyksessä, joten yhdistä jokainen lopullinen tulos sen vahvistettuun syötteeseen sen sijaan, että järjestäisit keskustelun pelkän valmistumisajan mukaan. Hyödyllinen tuotos on oikeista lopullisista alkioista koottu järjestetty litterointi, jossa väliteksti käsitellään etenemistietona eikä erillisenä valmiina lausumana.

Erikoistuneet tulokset ja olennaiset rajat

Tämä profiili ei tarjoa yleistä tekstitys-, aikaleima-, käännös- tai puhujatunnistesopimusta. OpenAI:n siirtymäohje erottaa nämä erikoistuneet ominaisuudet: mallin omat tekstitysmuodot ja sanakohtainen ajoitus tarvitsevat yhteensopivan mallin ja muodon, kun taas puhujatunnisteet käyttävät GPT-4o Transcribe Diarize -mallia. GPT Transcribe palauttaa tiedostolle JSON-tuloksen eikä suoraan korvaa SRT-, VTT- tai yksityiskohtaisia aikaleimavastauksia. Sen täsmällinen mallikortti ei julkaise numeerista konteksti- tai enimmäistulostekiintiötä, joten keskustelumallin tokeni-ikkunaa ei pidä olettaa äänen litteroinnille.

Vertaa vaikeaa sanastoa, lukuja, aksentteja, taustamelua ja kielenvaihdoksia tallenteeseen. Tarkista, että olennaiset vihjeet paransivat tunnistusta lisäämättä puheessa esiintymättömiä termejä ja että lopullinen litterointi sisältää äänen loppuosan. Säilytä monikielisessä tuloksessa puhutut sanamuodot ennen käännetyn version valmistelua. Näillä tarkistuksilla litteroinnista tulee hyödyllistä lähdeaineistoa, ja kontekstivihjeet, tunnistetut kielet ja tunnistettu puhe pysyvät selkeästi erillisinä.

Ailoot Ultra · Litterointi POST /v1/audio/transcriptions openai/gpt-transcribe

openai/gpt-transcribe

OpenAI /openai/gpt-transcribe

Aloitus

Hyväksytyt syötteet: Ääni
Tulokset: Teksti

Saatavilla Ailootissa · syötteet & menetelmät

Ailoot Ultra · Litterointi POST /v1/audio/transcriptions

Syötetyypit: audio
Tulostyypit: text

Kenttä	Tyyppi	Vaatimus	Arvot & rajat	Oletus
Kenttä`model`	Tyyppi`string`	VaatimusPakollinen	Arvot & rajat openai/gpt-transcribe	Oletus—
Kenttä`input_audio`	Tyyppi`object`	VaatimusPakollinen	Arvot & rajat	Oletus—

Menetelmän parametrit ja elinkaari

Parametri	Sopimus
Parametri`content_type`	Sopimusapplication/json
Parametri`required`	Sopimusmodel, input_audio
Parametri`material_types`	Sopimusaudio
Parametri`material_conditions`	SopimusEsimerkki lukee todellisen, ei-tyhjän PCM WAV -tiedostosi, koodaa tiedoston kaikki tavut base64-muotoon ja lähettää input_audio.format-kentän arvona wav.

Elinkaari: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · täsmällinen task_id olemassa olevasta käyttäjälle kuuluvasta mediatietueesta

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

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

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
Asetuksetäänisyötteen sekunti	Hinnasto—	Laskutusyksikkösyöteäänen sekuntia kohden	Veloitus Syöte · äänisyötteen sekunti $0.00015 syöteäänen 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 →

Esimerkkipyynnöt

Ailoot Ultra · Litterointi

curl · todellinen WAV-tiedosto ja koko alkuperäinen tulos

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_AUDIO_FILE:?Set the path to your actual PCM WAV recording}"
export AILOOT_AUDIO_FILE
python3 - <<'PY_REQUEST'
import base64, io, json, os, wave
from pathlib import Path
audio = Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()
if not (audio[:4] == b'RIFF' and audio[8:12] == b'WAVE'):
    raise SystemExit('Supply your actual PCM WAV audio file')
with wave.open(io.BytesIO(audio), 'rb') as recording:
    if recording.getcomptype() != 'NONE' or recording.getnframes() <= 0:
        raise SystemExit('Supply a nonempty PCM WAV recording')
request = {'model': 'openai/gpt-transcribe', 'input_audio': {'data': base64.b64encode(audio).decode('ascii'), 'format': 'wav'}}
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
# Retain the complete original response, headers and actual X-Client-Request-ID.
# Read existing owned records for recovery; do not resubmit an uncertain operation.

Vastaanota ja tallenna tulokset

Ailoot Ultra · Litterointi

Koko alkuperäinen vastaussisältö, tila ja välitetyt otsakkeet. Tämä käsittelijä ei lisää yleistä JSON-rakennetta, tekstikenttää tai tehtävän käärettä.

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

Säilytä kaikki valmistuneet tulokset

Säilytä jokainen kokonainen palautettu vastaus, tiedosto ja sisällön osa.

Säilytä koko vastaus ja otsakkeet, jokainen todellinen tuloste, alkuperäiset palautetut tunnisteet ja kaikki käyttötietokentät. Selvitä alkuperäisen operaation tila lähettämättä luontipyyntöä uudelleen.

Jos alkuperäinen vastaus on tarkistettava

Säilytä todellinen X-Client-Request-ID ja koko vastaus. Lue alkuperäisiä käyttäjälle kuuluvia aineistoja ja niiden täsmällisiä allekirjoitettuja sisällön URL-osoitteita; älä koskaan lähetä epävarmaa luontipyyntöä uudelleen.

Vastauksen kentät

Kenttä	Tyyppi
Kenttä`text (when present)`	Tyyppi
Kenttä`usage (when present)`	Tyyppi

Virheet ja seuraavat vaiheet

Vastaus	Ehto	Seuraava vaihe
Vastaus400 · `invalid_request_error`	EhtoJSON-sisältö tai nimenomainen kanoninen mallin tunniste on virheellinen.	Seuraava vaiheSäilytä vastaus ja korjaa ilmoitettu pyyntökenttä.
Vastaus401 · `authentication_error`	EhtoAiloot API -avain on virheellinen.	Seuraava vaiheKäytä käyttöön oikeutettua Ailoot API -avaintasi.
Vastaus403 · `permission_error`	EhtoAvaimen ryhmällä ei ole käyttöoikeutta tähän menetelmään.	Seuraava vaiheSäilytä palautetut virheen lisätiedot.
Vastaus404 · `not_found_error`	EhtoValitulla menetelmällä ei ole käyttöön hyväksyttyä reittiä.	Seuraava vaiheSäilytä palautetut virheen lisätiedot.
Vastaus422 · `price_unavailable`	EhtoHyväksytyn hinnaston edellyttämää syötemäärää tai sen rajaa ei saada selville.	Seuraava vaiheSäilytä vastaus; käytä hyväksytyn hinnaston edellyttämää syötteen esitysmuotoa.
Vastaus503 ·	EhtoVaadittu tallennustila, reitti, menetelmän hinta tai katevaraus ei ole saatavilla.	Seuraava vaiheSäilytä koko alkuperäinen vastaus. Epävarma katevaraus ei oikeuta uudelleenlähetykseen.
Vastaus502 · `server_error`	EhtoAlkuperäinen tulos, käyttötiedot tai veloituksen lopullinen kirjaus on tarkistettava.	Seuraava vaiheSäilytä todellinen pyynnön tunniste ja alkuperäinen vastaus. Lue olemassa olevaa käyttäjälle kuuluvaa tietuetta; älä lähetä luontipyyntöä uudelleen.

Aliakset

Mallin aliakset

Ailoot Ultra openai/gpt-transcribe

Menetelmäpolkujen aliakset

Käytä yllä näytettyjä menetelmäpolkuja.

Liittyvät kutsujan ID:t

openai/gpt-transcribe

FAQ · OpenAI: GPT Transcribe

Mitä syötteitä ja tuloksia on saatavilla?: POST /v1/audio/transcriptions · openai/gpt-transcribe: audio → text
Mitä kenttiä pyyntö käyttää?: POST /v1/audio/transcriptions · openai/gpt-transcribe: model, input_audio

OpenAI: GPT Transcribe