Transcribe 1 est le modèle général de reconnaissance vocale de Fish Audio destiné aux enregistrements courts. Il accepte un fichier audio et renvoie les paroles reconnues sous forme de texte, avec la durée de l’enregistrement, des segments horodatés facultatifs et des informations linguistiques lorsqu’elles sont connues. Il convient à une courte note vocale, une instruction parlée, un extrait d’enregistrement ou un clip audio nécessitant une représentation textuelle lisible.
Un exemple de parcours pour une note vocale conserve l’enregistrement avec sa transcription intégrale et un identifiant du clip d’origine. Une étape applicative ultérieure peut rechercher dans ce texte, organiser la note ou élaborer un résumé tout en préservant la source parlée. Pour une commande, la transcription fournit les mots reconnus à l’application ; toute action relève d’une étape distincte d’interprétation et d’exécution. Pour un extrait d’entretien, enregistrez la position du clip dans l’audio complet afin de vérifier une citation au bon endroit.
Le producteur accepte WAV, MP3, AAC, y compris M4A/MP4, FLAC et Ogg contenant Opus ou Vorbis. Pour ce modèle, les enregistrements de navigateur en WebM doivent être convertis en Ogg/Opus, MP3 ou WAV ; Pro documente une prise en charge native de conteneurs supplémentaires. Fournissez un fichier audio par requête. La limite documentée du modèle de base est de 50 Mio par requête, les fichiers MP3 et Opus devant rester sous 25 Mio. Taille du fichier et durée d’enregistrement sont deux aspects différents : un fichier compressé peut respecter la limite de téléversement tout en prenant trop de temps à traiter.
Transcribe 1 est conçu pour les enregistrements courts. Le producteur recommande Pro pour un audio dépassant quelques minutes ; une longue requête au modèle de base peut échouer si elle dépasse la limite de traitement. Lorsque vous découpez une source longue pour la transcrire en clips courts, conservez le décalage de début de chaque clip et vérifiez que la transcription couvre tout le clip avant de réunir les résultats. Ajoutez ce décalage d’origine aux temps locaux des segments pour conserver une navigation reliée à l’enregistrement complet. Les recommandations du modèle de base ne doivent pas être interprétées comme la limite distincte de 60 minutes de Pro.
La réponse du producteur comprend le texte, la durée et les segments. La durée est exprimée en secondes et la transcription intégrale lisible doit rester la formulation de référence du clip. Les horodatages sont facultatifs : ignore_timestamps vaut true par défaut dans l’API du producteur, tandis que false demande des segments au niveau des mots, avec texte et temps de début et de fin en secondes. Demander l’alignement augmente le temps de traitement. Un tableau segments vide peut correspondre à un horodatage ignoré, à une absence de parole ou à un alignement temporairement indisponible ; il ne faut donc pas l’interpréter automatiquement comme une transcription intégrale vide.
Les segments sont généralement des mots, ou un caractère ou quelques caractères en chinois et en japonais. Leur texte omet la ponctuation et peut normaliser une valeur autrement que la transcription intégrale ; il ne reproduit pas la réponse lisible caractère par caractère. Un segment peut avoir des temps de début et de fin identiques. Utilisez les segments pour retrouver une position dans l’enregistrement ou préparer un affichage synchronisé, et le texte intégral lorsque la formulation et la ponctuation comptent. Gardez ces deux représentations distinctes dans le livrable.
La langue est détectée automatiquement, qu’une indication linguistique facultative soit fournie ou non. Le producteur documente des codes ISO 639-1 en minuscules pour ces indications et renvoie, lorsqu’ils sont connus, un code de langue pour la logique applicative ainsi qu’un nom de langue pour l’affichage. La réponse indique une langue, et non toutes les langues d’un enregistrement multilingue. Conservez la formulation d’origine et les métadonnées linguistiques disponibles avec le résultat, sans traiter la requête de transcription comme une traduction.
Pour des sous-titres, regroupez les segments horodatés consécutifs en unités lisibles plutôt que d’afficher un seul mot à la fois. Un livrable utile est un fichier SRT ou WebVTT lié au clip d’origine, avec des limites de sous-titres adaptées aux pauses et une quantité de texte raisonnable à l’écran. Vérifiez les horodatages manquants et assurez-vous que la fin de chaque sous-titre suit son début. Le regroupement et le formatage sont des étapes applicatives construites à partir de l’alignement renvoyé ; les choix d’affichage doivent convenir au lecteur et au public.
Les commandes documentées de Transcribe 1 concernent l’audio, l’indication de langue et le choix d’horodatage. Les marqueurs de locuteur, les tours de parole structurés, les commandes d’événements émotionnels et les indications de nombre de locuteurs de Pro sont des fonctions distinctes ; ils n’appartiennent pas au contrat de réponse documenté de ce modèle de base. Choisissez le livrable requis avant le traitement : texte lisible pour une note, ou texte avec alignement pour la navigation audio et les sous-titres. Préserver l’identifiant du clip, sa transcription et les horodatages disponibles rend le résultat utile à l’étape applicative suivante.
", "aboutText": "Transcribe 1 est le modèle général de reconnaissance vocale de Fish Audio destiné aux enregistrements courts. Il accepte un fichier audio et renvoie les paroles reconnues sous forme de texte, avec la durée de l’enregistrement, des segments horodatés facultatifs et des informations linguistiques lorsqu’elles sont connues. Il convient à une courte note vocale, une instruction parlée, un extrait d’enregistrement ou un clip audio nécessitant une représentation textuelle lisible.\n\nUn exemple de parcours pour une note vocale conserve l’enregistrement avec sa transcription intégrale et un identifiant du clip d’origine. Une étape applicative ultérieure peut rechercher dans ce texte, organiser la note ou élaborer un résumé tout en préservant la source parlée. Pour une commande, la transcription fournit les mots reconnus à l’application ; toute action relève d’une étape distincte d’interprétation et d’exécution. Pour un extrait d’entretien, enregistrez la position du clip dans l’audio complet afin de vérifier une citation au bon endroit.\n\nLe producteur accepte WAV, MP3, AAC, y compris M4A/MP4, FLAC et Ogg contenant Opus ou Vorbis. Pour ce modèle, les enregistrements de navigateur en WebM doivent être convertis en Ogg/Opus, MP3 ou WAV ; Pro documente une prise en charge native de conteneurs supplémentaires. Fournissez un fichier audio par requête. La limite documentée du modèle de base est de 50 Mio par requête, les fichiers MP3 et Opus devant rester sous 25 Mio. Taille du fichier et durée d’enregistrement sont deux aspects différents : un fichier compressé peut respecter la limite de téléversement tout en prenant trop de temps à traiter.\n\nTranscribe 1 est conçu pour les enregistrements courts. Le producteur recommande Pro pour un audio dépassant quelques minutes ; une longue requête au modèle de base peut échouer si elle dépasse la limite de traitement. Lorsque vous découpez une source longue pour la transcrire en clips courts, conservez le décalage de début de chaque clip et vérifiez que la transcription couvre tout le clip avant de réunir les résultats. Ajoutez ce décalage d’origine aux temps locaux des segments pour conserver une navigation reliée à l’enregistrement complet. Les recommandations du modèle de base ne doivent pas être interprétées comme la limite distincte de 60 minutes de Pro.\n\nLa réponse du producteur comprend le texte, la durée et les segments. La durée est exprimée en secondes et la transcription intégrale lisible doit rester la formulation de référence du clip. Les horodatages sont facultatifs : ignore_timestamps vaut true par défaut dans l’API du producteur, tandis que false demande des segments au niveau des mots, avec texte et temps de début et de fin en secondes. Demander l’alignement augmente le temps de traitement. Un tableau segments vide peut correspondre à un horodatage ignoré, à une absence de parole ou à un alignement temporairement indisponible ; il ne faut donc pas l’interpréter automatiquement comme une transcription intégrale vide.\n\nLes segments sont généralement des mots, ou un caractère ou quelques caractères en chinois et en japonais. Leur texte omet la ponctuation et peut normaliser une valeur autrement que la transcription intégrale ; il ne reproduit pas la réponse lisible caractère par caractère. Un segment peut avoir des temps de début et de fin identiques. Utilisez les segments pour retrouver une position dans l’enregistrement ou préparer un affichage synchronisé, et le texte intégral lorsque la formulation et la ponctuation comptent. Gardez ces deux représentations distinctes dans le livrable.\n\nLa langue est détectée automatiquement, qu’une indication linguistique facultative soit fournie ou non. Le producteur documente des codes ISO 639-1 en minuscules pour ces indications et renvoie, lorsqu’ils sont connus, un code de langue pour la logique applicative ainsi qu’un nom de langue pour l’affichage. La réponse indique une langue, et non toutes les langues d’un enregistrement multilingue. Conservez la formulation d’origine et les métadonnées linguistiques disponibles avec le résultat, sans traiter la requête de transcription comme une traduction.\n\nPour des sous-titres, regroupez les segments horodatés consécutifs en unités lisibles plutôt que d’afficher un seul mot à la fois. Un livrable utile est un fichier SRT ou WebVTT lié au clip d’origine, avec des limites de sous-titres adaptées aux pauses et une quantité de texte raisonnable à l’écran. Vérifiez les horodatages manquants et assurez-vous que la fin de chaque sous-titre suit son début. Le regroupement et le formatage sont des étapes applicatives construites à partir de l’alignement renvoyé ; les choix d’affichage doivent convenir au lecteur et au public.\n\nLes commandes documentées de Transcribe 1 concernent l’audio, l’indication de langue et le choix d’horodatage. Les marqueurs de locuteur, les tours de parole structurés, les commandes d’événements émotionnels et les indications de nombre de locuteurs de Pro sont des fonctions distinctes ; ils n’appartiennent pas au contrat de réponse documenté de ce modèle de base. Choisissez le livrable requis avant le traitement : texte lisible pour une note, ou texte avec alignement pour la navigation audio et les sous-titres. Préserver l’identifiant du clip, sa transcription et les horodatages disponibles rend le résultat utile à l’étape applicative suivante.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "d941ce821b987fb08c129ba3ae6d854801405db377376d87c266c657f766bcff", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr-be", "methods": [ { "html": "fish-audio/transcribe-1Transcribe 1 convertit de courts enregistrements audio en texte, avec détection automatique de la langue et horodatages facultatifs au niveau des mots. Utilisez la transcription pour des notes vocales, des extraits consultables par recherche ou la préparation de sous-titres, en séparant les segments horodatés du texte intégral lisible.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Transcribe 1 est le modèle général de reconnaissance vocale de Fish Audio destiné aux enregistrements courts. Il accepte un fichier audio et renvoie les paroles reconnues sous forme de texte, avec la durée de l’enregistrement, des segments horodatés facultatifs et des informations linguistiques lorsqu’elles sont connues. Il convient à une courte note vocale, une instruction parlée, un extrait d’enregistrement ou un clip audio nécessitant une représentation textuelle lisible.
Un exemple de parcours pour une note vocale conserve l’enregistrement avec sa transcription intégrale et un identifiant du clip d’origine. Une étape applicative ultérieure peut rechercher dans ce texte, organiser la note ou élaborer un résumé tout en préservant la source parlée. Pour une commande, la transcription fournit les mots reconnus à l’application ; toute action relève d’une étape distincte d’interprétation et d’exécution. Pour un extrait d’entretien, enregistrez la position du clip dans l’audio complet afin de vérifier une citation au bon endroit.
Le producteur accepte WAV, MP3, AAC, y compris M4A/MP4, FLAC et Ogg contenant Opus ou Vorbis. Pour ce modèle, les enregistrements de navigateur en WebM doivent être convertis en Ogg/Opus, MP3 ou WAV ; Pro documente une prise en charge native de conteneurs supplémentaires. Fournissez un fichier audio par requête. La limite documentée du modèle de base est de 50 Mio par requête, les fichiers MP3 et Opus devant rester sous 25 Mio. Taille du fichier et durée d’enregistrement sont deux aspects différents : un fichier compressé peut respecter la limite de téléversement tout en prenant trop de temps à traiter.
Transcribe 1 est conçu pour les enregistrements courts. Le producteur recommande Pro pour un audio dépassant quelques minutes ; une longue requête au modèle de base peut échouer si elle dépasse la limite de traitement. Lorsque vous découpez une source longue pour la transcrire en clips courts, conservez le décalage de début de chaque clip et vérifiez que la transcription couvre tout le clip avant de réunir les résultats. Ajoutez ce décalage d’origine aux temps locaux des segments pour conserver une navigation reliée à l’enregistrement complet. Les recommandations du modèle de base ne doivent pas être interprétées comme la limite distincte de 60 minutes de Pro.
La réponse du producteur comprend le texte, la durée et les segments. La durée est exprimée en secondes et la transcription intégrale lisible doit rester la formulation de référence du clip. Les horodatages sont facultatifs : ignore_timestamps vaut true par défaut dans l’API du producteur, tandis que false demande des segments au niveau des mots, avec texte et temps de début et de fin en secondes. Demander l’alignement augmente le temps de traitement. Un tableau segments vide peut correspondre à un horodatage ignoré, à une absence de parole ou à un alignement temporairement indisponible ; il ne faut donc pas l’interpréter automatiquement comme une transcription intégrale vide.
Les segments sont généralement des mots, ou un caractère ou quelques caractères en chinois et en japonais. Leur texte omet la ponctuation et peut normaliser une valeur autrement que la transcription intégrale ; il ne reproduit pas la réponse lisible caractère par caractère. Un segment peut avoir des temps de début et de fin identiques. Utilisez les segments pour retrouver une position dans l’enregistrement ou préparer un affichage synchronisé, et le texte intégral lorsque la formulation et la ponctuation comptent. Gardez ces deux représentations distinctes dans le livrable.
La langue est détectée automatiquement, qu’une indication linguistique facultative soit fournie ou non. Le producteur documente des codes ISO 639-1 en minuscules pour ces indications et renvoie, lorsqu’ils sont connus, un code de langue pour la logique applicative ainsi qu’un nom de langue pour l’affichage. La réponse indique une langue, et non toutes les langues d’un enregistrement multilingue. Conservez la formulation d’origine et les métadonnées linguistiques disponibles avec le résultat, sans traiter la requête de transcription comme une traduction.
Pour des sous-titres, regroupez les segments horodatés consécutifs en unités lisibles plutôt que d’afficher un seul mot à la fois. Un livrable utile est un fichier SRT ou WebVTT lié au clip d’origine, avec des limites de sous-titres adaptées aux pauses et une quantité de texte raisonnable à l’écran. Vérifiez les horodatages manquants et assurez-vous que la fin de chaque sous-titre suit son début. Le regroupement et le formatage sont des étapes applicatives construites à partir de l’alignement renvoyé ; les choix d’affichage doivent convenir au lecteur et au public.
Les commandes documentées de Transcribe 1 concernent l’audio, l’indication de langue et le choix d’horodatage. Les marqueurs de locuteur, les tours de parole structurés, les commandes d’événements émotionnels et les indications de nombre de locuteurs de Pro sont des fonctions distinctes ; ils n’appartiennent pas au contrat de réponse documenté de ce modèle de base. Choisissez le livrable requis avant le traitement : texte lisible pour une note, ou texte avec alignement pour la navigation audio et les sous-titres. Préserver l’identifiant du clip, sa transcription et les horodatages disponibles rend le résultat utile à l’étape applicative suivante.
POST /v1/audio/transcriptionsaudiotext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites fish-audio/transcribe-1 | Par défaut— |
Champinput_audio | Typeobject | ExigenceObligatoire | Valeurs et limites | Par défaut— |
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, input_audio |
Paramètrematerial_types | Contrataudio |
Paramètrematerial_conditions | ContratL’exemple lit votre fichier PCM WAV réel et non vide, encode l’intégralité de ses octets en base64 et transmet input_audio.format avec la valeur wav. |
Cycle de vie : synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · task_id exact d’un enregistrement média existant dont vous êtes propriétaire
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Unité de facturation | Coût |
|---|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Unité de facturation— | Coût Entrée · Tokens en entrée — / 1K tokens Sortie · Tokens en sortie — / 1K tokens Entrée · Lecture du cache — / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| Configurationseconde d’audio en entrée | Barème tarifaire— | Unité de facturationpar seconde d’audio en entrée | Coût Entrée · seconde d’audio en entrée $0.0002 par seconde d’audio en entrée |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_AUDIO_FILE:?Set the path to your actual PCM WAV recording}"\nexport AILOOT_AUDIO_FILE\npython3 - <<'PY_REQUEST'\nimport base64, io, json, os, wave\nfrom pathlib import Path\naudio = Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()\nif not (audio[:4] == b'RIFF' and audio[8:12] == b'WAVE'):\n raise SystemExit('Supply your actual PCM WAV audio file')\nwith wave.open(io.BytesIO(audio), 'rb') as recording:\n if recording.getcomptype() != 'NONE' or recording.getnframes() <= 0:\n raise SystemExit('Supply a nonempty PCM WAV recording')\nrequest = {'model': 'fish-audio/transcribe-1', 'input_audio': {'data': base64.b64encode(audio).decode('ascii'), 'format': 'wav'}}\nPath('request.json').write_text(json.dumps(request, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o response.bin\n# Retain the complete original response, headers and actual X-Client-Request-ID.\n# Read existing owned records for recovery; do not resubmit an uncertain operation.\nCorps de réponse d’origine complet, état et en-têtes transmis. Ce gestionnaire n’ajoute aucune structure JSON universelle, aucun champ de texte ni aucune enveloppe de tâche.
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez la réponse complète et les en-têtes, chaque sortie effective, les identifiants initialement renvoyés et tous les champs d’utilisation. Récupérez l’opération d’origine sans soumettre à nouveau sa création.
Conservez la valeur réelle X-Client-Request-ID et la réponse complète. Consultez les ressources d’origine dont vous êtes propriétaire et leurs URL de contenu signées exactes ; ne soumettez jamais de nouveau une création incertaine.
| Champ | Type |
|---|---|
Champtext (when present) | Type |
Champusage (when present) | Type |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionLe corps JSON ou l’ID canonique explicite du modèle est invalide. | Étape suivanteConservez la réponse et corrigez le champ indiqué de la requête. |
Réponse401 · authentication_error | ConditionLa clé API Ailoot est invalide. | Étape suivanteUtilisez votre clé API Ailoot autorisée. |
Réponse403 · permission_error | ConditionLe groupe de la clé n’autorise pas cette méthode. | Étape suivanteConservez les détails de l’erreur renvoyés. |
Réponse404 · not_found_error | ConditionLa méthode sélectionnée ne dispose d’aucune route autorisée. | Étape suivanteConservez les détails de l’erreur renvoyés. |
Réponse422 · price_unavailable | ConditionLe tarif accepté ne permet pas d’obtenir la quantité d’entrée ou la borne requise. | Étape suivanteConservez la réponse ; utilisez la représentation d’entrée requise par le tarif accepté. |
Réponse503 · | ConditionLe stockage, la route, le tarif de la méthode ou la réservation requis est indisponible. | Étape suivanteConservez la réponse d’origine complète. Une réservation incertaine n’autorise pas une nouvelle soumission. |
Réponse502 · server_error | ConditionLe résultat, la consommation ou le règlement d’origine nécessite une vérification. | Étape suivanteConservez l’ID réel de la requête et la réponse d’origine. Consultez l’enregistrement existant dont vous êtes propriétaire ; ne soumettez pas de nouveau la création. |
Ailoot Ultra fish-audio/transcribe-1
Utilisez les chemins de méthode indiqués ci-dessus.