Transcribe 1 Pro est le modèle de transcription audio de Fish Audio pour les extraits courts, les conversations à plusieurs locuteurs et les enregistrements longs. Il reçoit de l’audio enregistré et renvoie une transcription, avec un horodatage facultatif et des tours de parole structurés. Ses caractéristiques distinctives sont les changements de locuteur marqués dans le texte et les indices d’émotion ou d’événements vocaux, qui préservent davantage la structure conversationnelle de l’enregistrement qu’une simple suite de mots.
Pour un entretien, une réunion ou un podcast, gardez la conversation complète dans un seul fichier afin que les locuteurs qui reprennent la parole puissent conserver des libellés cohérents au sein de la réponse. Un artefact de vérification utile est une transcription liée à l’enregistrement d’origine, avec les tours affichés séparément et un horodatage disponible pour vérifier une citation. Un résumé ou une liste d’actions constituent une étape ultérieure de l’application : gardez-les séparés de la transcription afin que la source parlée reste disponible pour comparaison.
Le producteur accepte des enregistrements jusqu’à 60 minutes et décrit le traitement de fichiers longs avec de l’audio compressé, tel que MP3, Opus ou AAC. Les formats pris en charge comprennent WAV, MP3, AAC dans M4A ou MP4, FLAC, Ogg avec Opus ou Vorbis, WebM/Matroska et MOV. Pour un fichier vidéo, il utilise la première piste audio. AIFF, CAF, WMA, AMR, AC-3 et le PCM brut sans en-tête ne sont pas pris en charge. Un fichier audio est fourni par requête ; le résultat arrive après la transcription de l’enregistrement entier, et un enregistrement long peut prendre plusieurs minutes. Les extraits plus courts qu’environ 0,08 seconde sont rejetés.
La réponse du producteur contient le texte complet, la durée de l’enregistrement en secondes et un tableau segments. Pro marque les changements de locuteur directement dans le texte avec des libellés tels que <|speaker:0|> et <|speaker:1|> ; un libellé s’applique au texte suivant jusqu’au prochain marqueur. Ce sont des identifiants au sein d’une réponse, plutôt que des noms ou des identités vérifiés pouvant être rapprochés entre les requêtes. Si la transcription ne possède aucun marqueur de locuteur, le guide la considère comme un résultat à un seul locuteur. Gardez tout texte précédant le premier marqueur avec le premier tour, plutôt que de le supprimer.
Les horodatages au niveau des mots sont facultatifs. Dans la requête au producteur, ignore_timestamps vaut true par défaut ; le définir sur false demande des segments contenant le texte et les temps de début et de fin en secondes. Un segment est généralement un mot, ou un caractère ou quelques caractères en chinois et en japonais. Le texte des segments omet la ponctuation, les marqueurs de locuteur et les indices d’événements, et peut normaliser une valeur prononcée différemment de la transcription complète. Un segment de mot peut avoir des temps de début et de fin identiques. Un tableau segments vide peut signifier que les horodatages n’ont pas été demandés, qu’aucune parole n’a été trouvée ou que l’horodatage était temporairement indisponible. Utilisez la transcription complète pour une formulation lisible et les segments pour l’alignement, plutôt que de supposer que les deux chaînes correspondent caractère par caractère.
Le réglage diarize vaut auto par défaut. Lorsque les horodatages sont demandés et que diarize ne vaut pas false, Pro renvoie aussi speaker_turns. Chaque tour contient son libellé de locuteur, son texte et ses temps de début et de fin, en préservant la ponctuation et les indices conservés, sans le marqueur de locuteur intégré au texte. Si l’horodatage des mots n’est pas disponible, les temps des tours peuvent être approximatifs et couvrir l’enregistrement entier ; les tours adjacents ne sont pas nécessairement contigus ou sans chevauchement. Désactiver diarize supprime la liste structurée des tours, mais laisse les marqueurs de locuteur dans le texte complet. Un nombre connu de locuteurs, ou des nombres minimal et maximal, peuvent guider la diarisation des enregistrements longs dans la mesure du possible. Le nombre exact ne peut pas être combiné aux bornes de nombre, et les indications de nombre ne peuvent pas être utilisées lorsque diarize est désactivé.
Les indices d’émotion et d’événements vocaux apparaissent sous forme de texte entre crochets, par exemple [laughter], avec la parole reconnue. Ce sont des inférences tirées de l’audio, plutôt que des mots que l’utilisateur doit ajouter avant la transcription. Le réglage tag_audio_events de Pro vaut true par défaut ; le désactiver supprime ces indices de la transcription et du texte des tours sans modifier l’horodatage. Il n’existe aucun champ d’émotion distinct ni aucune énumération fixe d’émotions. Préservez la transcription annotée lorsque la manière dont une remarque est prononcée importe et utilisez une version sans indices lorsque l’artefact en aval nécessite uniquement les paroles.
La langue est détectée automatiquement. Une indication facultative en code ISO 639-1 minuscule ne force pas de traduction et ne modifie pas la transcription de Pro. Si la langue ne peut pas être déterminée, le code de langue renvoyé peut refléter l’indication sans la vérifier au regard de l’audio. Le producteur rapporte une langue, plutôt qu’un inventaire de toutes les langues d’un enregistrement multilingue. Gardez la formulation d’origine et les métadonnées linguistiques ensemble lorsque vous préparez une archive interrogeable, particulièrement lorsque différentes parties d’une conversation changent de langue.
Pour les sous-titres, regroupez les mots consécutifs horodatés en blocs SRT ou WebVTT lisibles, plutôt que de produire un sous-titre par mot. Séparez les blocs autour des pauses et choisissez leur longueur et leur durée d’affichage selon le lecteur et le public. Les limites des tours de parole peuvent garder les différents locuteurs dans des blocs séparés. Vérifiez la présence d’un résultat d’horodatage vide et les blocs dont la fin doit être postérieure au début. La mise en forme des sous-titres, les noms attribués aux libellés anonymes de locuteur et tout résumé ultérieur sont des artefacts applicatifs construits à partir du résultat de transcription.
Pour un processus concret d’enregistrement, décidez avant la transcription si vous avez besoin d’une transcription simplement lisible, de tours de conversation annotés ou de sous-titres horodatés. Gardez l’identifiant audio avec le résultat, conservez le texte complet renvoyé lorsque la ponctuation et les indices importent et utilisez les champs structurés d’horodatage pour la navigation. Les capacités de Pro pour les enregistrements longs et les conversations à plusieurs locuteurs sont distinctes du modèle général Transcribe 1 pour les enregistrements courts ; leurs limites et leurs commandes ne doivent pas être traitées comme interchangeables.
", "aboutText": "Transcribe 1 Pro est le modèle de transcription audio de Fish Audio pour les extraits courts, les conversations à plusieurs locuteurs et les enregistrements longs. Il reçoit de l’audio enregistré et renvoie une transcription, avec un horodatage facultatif et des tours de parole structurés. Ses caractéristiques distinctives sont les changements de locuteur marqués dans le texte et les indices d’émotion ou d’événements vocaux, qui préservent davantage la structure conversationnelle de l’enregistrement qu’une simple suite de mots.\n\nPour un entretien, une réunion ou un podcast, gardez la conversation complète dans un seul fichier afin que les locuteurs qui reprennent la parole puissent conserver des libellés cohérents au sein de la réponse. Un artefact de vérification utile est une transcription liée à l’enregistrement d’origine, avec les tours affichés séparément et un horodatage disponible pour vérifier une citation. Un résumé ou une liste d’actions constituent une étape ultérieure de l’application : gardez-les séparés de la transcription afin que la source parlée reste disponible pour comparaison.\n\nLe producteur accepte des enregistrements jusqu’à 60 minutes et décrit le traitement de fichiers longs avec de l’audio compressé, tel que MP3, Opus ou AAC. Les formats pris en charge comprennent WAV, MP3, AAC dans M4A ou MP4, FLAC, Ogg avec Opus ou Vorbis, WebM/Matroska et MOV. Pour un fichier vidéo, il utilise la première piste audio. AIFF, CAF, WMA, AMR, AC-3 et le PCM brut sans en-tête ne sont pas pris en charge. Un fichier audio est fourni par requête ; le résultat arrive après la transcription de l’enregistrement entier, et un enregistrement long peut prendre plusieurs minutes. Les extraits plus courts qu’environ 0,08 seconde sont rejetés.\n\nLa réponse du producteur contient le texte complet, la durée de l’enregistrement en secondes et un tableau segments. Pro marque les changements de locuteur directement dans le texte avec des libellés tels que <|speaker:0|> et <|speaker:1|> ; un libellé s’applique au texte suivant jusqu’au prochain marqueur. Ce sont des identifiants au sein d’une réponse, plutôt que des noms ou des identités vérifiés pouvant être rapprochés entre les requêtes. Si la transcription ne possède aucun marqueur de locuteur, le guide la considère comme un résultat à un seul locuteur. Gardez tout texte précédant le premier marqueur avec le premier tour, plutôt que de le supprimer.\n\nLes horodatages au niveau des mots sont facultatifs. Dans la requête au producteur, ignore_timestamps vaut true par défaut ; le définir sur false demande des segments contenant le texte et les temps de début et de fin en secondes. Un segment est généralement un mot, ou un caractère ou quelques caractères en chinois et en japonais. Le texte des segments omet la ponctuation, les marqueurs de locuteur et les indices d’événements, et peut normaliser une valeur prononcée différemment de la transcription complète. Un segment de mot peut avoir des temps de début et de fin identiques. Un tableau segments vide peut signifier que les horodatages n’ont pas été demandés, qu’aucune parole n’a été trouvée ou que l’horodatage était temporairement indisponible. Utilisez la transcription complète pour une formulation lisible et les segments pour l’alignement, plutôt que de supposer que les deux chaînes correspondent caractère par caractère.\n\nLe réglage diarize vaut auto par défaut. Lorsque les horodatages sont demandés et que diarize ne vaut pas false, Pro renvoie aussi speaker_turns. Chaque tour contient son libellé de locuteur, son texte et ses temps de début et de fin, en préservant la ponctuation et les indices conservés, sans le marqueur de locuteur intégré au texte. Si l’horodatage des mots n’est pas disponible, les temps des tours peuvent être approximatifs et couvrir l’enregistrement entier ; les tours adjacents ne sont pas nécessairement contigus ou sans chevauchement. Désactiver diarize supprime la liste structurée des tours, mais laisse les marqueurs de locuteur dans le texte complet. Un nombre connu de locuteurs, ou des nombres minimal et maximal, peuvent guider la diarisation des enregistrements longs dans la mesure du possible. Le nombre exact ne peut pas être combiné aux bornes de nombre, et les indications de nombre ne peuvent pas être utilisées lorsque diarize est désactivé.\n\nLes indices d’émotion et d’événements vocaux apparaissent sous forme de texte entre crochets, par exemple [laughter], avec la parole reconnue. Ce sont des inférences tirées de l’audio, plutôt que des mots que l’utilisateur doit ajouter avant la transcription. Le réglage tag_audio_events de Pro vaut true par défaut ; le désactiver supprime ces indices de la transcription et du texte des tours sans modifier l’horodatage. Il n’existe aucun champ d’émotion distinct ni aucune énumération fixe d’émotions. Préservez la transcription annotée lorsque la manière dont une remarque est prononcée importe et utilisez une version sans indices lorsque l’artefact en aval nécessite uniquement les paroles.\n\nLa langue est détectée automatiquement. Une indication facultative en code ISO 639-1 minuscule ne force pas de traduction et ne modifie pas la transcription de Pro. Si la langue ne peut pas être déterminée, le code de langue renvoyé peut refléter l’indication sans la vérifier au regard de l’audio. Le producteur rapporte une langue, plutôt qu’un inventaire de toutes les langues d’un enregistrement multilingue. Gardez la formulation d’origine et les métadonnées linguistiques ensemble lorsque vous préparez une archive interrogeable, particulièrement lorsque différentes parties d’une conversation changent de langue.\n\nPour les sous-titres, regroupez les mots consécutifs horodatés en blocs SRT ou WebVTT lisibles, plutôt que de produire un sous-titre par mot. Séparez les blocs autour des pauses et choisissez leur longueur et leur durée d’affichage selon le lecteur et le public. Les limites des tours de parole peuvent garder les différents locuteurs dans des blocs séparés. Vérifiez la présence d’un résultat d’horodatage vide et les blocs dont la fin doit être postérieure au début. La mise en forme des sous-titres, les noms attribués aux libellés anonymes de locuteur et tout résumé ultérieur sont des artefacts applicatifs construits à partir du résultat de transcription.\n\nPour un processus concret d’enregistrement, décidez avant la transcription si vous avez besoin d’une transcription simplement lisible, de tours de conversation annotés ou de sous-titres horodatés. Gardez l’identifiant audio avec le résultat, conservez le texte complet renvoyé lorsque la ponctuation et les indices importent et utilisez les champs structurés d’horodatage pour la navigation. Les capacités de Pro pour les enregistrements longs et les conversations à plusieurs locuteurs sont distinctes du modèle général Transcribe 1 pour les enregistrements courts ; leurs limites et leurs commandes ne doivent pas être traitées comme interchangeables.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "52e0351ba27b3f0a0ad93b6b1fb1ca1b0680f6373b1cde84f321c6436d5155cf", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr-ca", "methods": [ { "html": "fish-audio/transcribe-1-proTranscribe 1 Pro transforme des enregistrements de 60 minutes au maximum en texte avec des marqueurs de locuteur et un horodatage facultatif au niveau des mots. Il préserve les indices d’émotion inférée et d’événements vocaux, ce qui facilite la vérification, la recherche ou la préparation de sous-titres pour les entretiens, réunions et podcasts.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Transcribe 1 Pro est le modèle de transcription audio de Fish Audio pour les extraits courts, les conversations à plusieurs locuteurs et les enregistrements longs. Il reçoit de l’audio enregistré et renvoie une transcription, avec un horodatage facultatif et des tours de parole structurés. Ses caractéristiques distinctives sont les changements de locuteur marqués dans le texte et les indices d’émotion ou d’événements vocaux, qui préservent davantage la structure conversationnelle de l’enregistrement qu’une simple suite de mots.
Pour un entretien, une réunion ou un podcast, gardez la conversation complète dans un seul fichier afin que les locuteurs qui reprennent la parole puissent conserver des libellés cohérents au sein de la réponse. Un artefact de vérification utile est une transcription liée à l’enregistrement d’origine, avec les tours affichés séparément et un horodatage disponible pour vérifier une citation. Un résumé ou une liste d’actions constituent une étape ultérieure de l’application : gardez-les séparés de la transcription afin que la source parlée reste disponible pour comparaison.
Le producteur accepte des enregistrements jusqu’à 60 minutes et décrit le traitement de fichiers longs avec de l’audio compressé, tel que MP3, Opus ou AAC. Les formats pris en charge comprennent WAV, MP3, AAC dans M4A ou MP4, FLAC, Ogg avec Opus ou Vorbis, WebM/Matroska et MOV. Pour un fichier vidéo, il utilise la première piste audio. AIFF, CAF, WMA, AMR, AC-3 et le PCM brut sans en-tête ne sont pas pris en charge. Un fichier audio est fourni par requête ; le résultat arrive après la transcription de l’enregistrement entier, et un enregistrement long peut prendre plusieurs minutes. Les extraits plus courts qu’environ 0,08 seconde sont rejetés.
La réponse du producteur contient le texte complet, la durée de l’enregistrement en secondes et un tableau segments. Pro marque les changements de locuteur directement dans le texte avec des libellés tels que <|speaker:0|> et <|speaker:1|> ; un libellé s’applique au texte suivant jusqu’au prochain marqueur. Ce sont des identifiants au sein d’une réponse, plutôt que des noms ou des identités vérifiés pouvant être rapprochés entre les requêtes. Si la transcription ne possède aucun marqueur de locuteur, le guide la considère comme un résultat à un seul locuteur. Gardez tout texte précédant le premier marqueur avec le premier tour, plutôt que de le supprimer.
Les horodatages au niveau des mots sont facultatifs. Dans la requête au producteur, ignore_timestamps vaut true par défaut ; le définir sur false demande des segments contenant le texte et les temps de début et de fin en secondes. Un segment est généralement un mot, ou un caractère ou quelques caractères en chinois et en japonais. Le texte des segments omet la ponctuation, les marqueurs de locuteur et les indices d’événements, et peut normaliser une valeur prononcée différemment de la transcription complète. Un segment de mot peut avoir des temps de début et de fin identiques. Un tableau segments vide peut signifier que les horodatages n’ont pas été demandés, qu’aucune parole n’a été trouvée ou que l’horodatage était temporairement indisponible. Utilisez la transcription complète pour une formulation lisible et les segments pour l’alignement, plutôt que de supposer que les deux chaînes correspondent caractère par caractère.
Le réglage diarize vaut auto par défaut. Lorsque les horodatages sont demandés et que diarize ne vaut pas false, Pro renvoie aussi speaker_turns. Chaque tour contient son libellé de locuteur, son texte et ses temps de début et de fin, en préservant la ponctuation et les indices conservés, sans le marqueur de locuteur intégré au texte. Si l’horodatage des mots n’est pas disponible, les temps des tours peuvent être approximatifs et couvrir l’enregistrement entier ; les tours adjacents ne sont pas nécessairement contigus ou sans chevauchement. Désactiver diarize supprime la liste structurée des tours, mais laisse les marqueurs de locuteur dans le texte complet. Un nombre connu de locuteurs, ou des nombres minimal et maximal, peuvent guider la diarisation des enregistrements longs dans la mesure du possible. Le nombre exact ne peut pas être combiné aux bornes de nombre, et les indications de nombre ne peuvent pas être utilisées lorsque diarize est désactivé.
Les indices d’émotion et d’événements vocaux apparaissent sous forme de texte entre crochets, par exemple [laughter], avec la parole reconnue. Ce sont des inférences tirées de l’audio, plutôt que des mots que l’utilisateur doit ajouter avant la transcription. Le réglage tag_audio_events de Pro vaut true par défaut ; le désactiver supprime ces indices de la transcription et du texte des tours sans modifier l’horodatage. Il n’existe aucun champ d’émotion distinct ni aucune énumération fixe d’émotions. Préservez la transcription annotée lorsque la manière dont une remarque est prononcée importe et utilisez une version sans indices lorsque l’artefact en aval nécessite uniquement les paroles.
La langue est détectée automatiquement. Une indication facultative en code ISO 639-1 minuscule ne force pas de traduction et ne modifie pas la transcription de Pro. Si la langue ne peut pas être déterminée, le code de langue renvoyé peut refléter l’indication sans la vérifier au regard de l’audio. Le producteur rapporte une langue, plutôt qu’un inventaire de toutes les langues d’un enregistrement multilingue. Gardez la formulation d’origine et les métadonnées linguistiques ensemble lorsque vous préparez une archive interrogeable, particulièrement lorsque différentes parties d’une conversation changent de langue.
Pour les sous-titres, regroupez les mots consécutifs horodatés en blocs SRT ou WebVTT lisibles, plutôt que de produire un sous-titre par mot. Séparez les blocs autour des pauses et choisissez leur longueur et leur durée d’affichage selon le lecteur et le public. Les limites des tours de parole peuvent garder les différents locuteurs dans des blocs séparés. Vérifiez la présence d’un résultat d’horodatage vide et les blocs dont la fin doit être postérieure au début. La mise en forme des sous-titres, les noms attribués aux libellés anonymes de locuteur et tout résumé ultérieur sont des artefacts applicatifs construits à partir du résultat de transcription.
Pour un processus concret d’enregistrement, décidez avant la transcription si vous avez besoin d’une transcription simplement lisible, de tours de conversation annotés ou de sous-titres horodatés. Gardez l’identifiant audio avec le résultat, conservez le texte complet renvoyé lorsque la ponctuation et les indices importent et utilisez les champs structurés d’horodatage pour la navigation. Les capacités de Pro pour les enregistrements longs et les conversations à plusieurs locuteurs sont distinctes du modèle général Transcribe 1 pour les enregistrements courts ; leurs limites et leurs commandes ne doivent pas être traitées comme interchangeables.
POST /v1/audio/transcriptionsaudiotext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites fish-audio/transcribe-1-pro | Par défaut— |
Champinput_audio | Typeobject | ExigenceObligatoire | Valeurs et limites Clés exactes: data, format | Par défaut— |
Champinput_audio.data | Typebase64_string | ExigenceObligatoire | Valeurs et limites Nombre maximal d’octets décodés: 26 214 400 Base64 strict: Oui | Par défaut— |
Champinput_audio.format | Typestring | ExigenceObligatoire | Valeurs et limites Conditions: Doit correspondre au format réel déterminé par l’analyse du fichier | Par défaut— |
Champresponse_format | Typestring | ExigenceFacultatif | Valeurs et limites json | Par défaut— |
speech_to_text · Obligatoire : input_audio.data, input_audio.format
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, input_audio |
Paramètreadditional_properties | Contratfalse |
Paramètreparameters | Contrat{"name":"model","type":"string","required":true,"enum":["fish-audio/transcribe-1-pro"]}, {"name":"input_audio","type":"object","required":true,"exact_keys":["data","format"],"data":"base64 strict des octets réels d’un format audio pris en charge","format":"format de fichier exact déterminé par l’analyse; doit correspondre aux octets réels"}, {"name":"response_format","type":"string","required":false,"enum":["json"]} |
Paramètremax_audio_bytes | Contrat26214400 |
Paramètremultipart_for_this_profile | Contratfalse |
Paramètrematerial_types | Contrataudio |
Cycle de vie : synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · task_id effectivement renvoyé ou enregistrement de la bibliothèque multimédia
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Conservez la réponse complète et les identifiants d’origine retournés.
Ne soumettez jamais de nouveau une création dont l’état est inconnu.
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 · Jetons en entrée — / 1K jetons Sortie · Jetons en sortie — / 1K jetons Entrée · Lecture du cache — / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| Configurationseconde d’audio en entrée | Barème tarifaire— | Unité de facturationpar seconde d’audio en entrée | Coût Entrée · seconde d’audio en entrée $0.0002 par seconde d’audio en entrée |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
Les barèmes de référence du modèle ne modifient ni la sélection de méthode, ni les devis, ni les coûts. Les frais actifs utilisent les tarifs de la méthode Ailoot sélectionnée.
| Configuration | Conditions de facturation | Coût |
|---|---|---|
| ConfigurationFish Audio: Transcribe 1 Pro · Configuration par défaut | Conditions de facturationConfiguration par défaut | Coût Entrée · Secondes d’audio en entrée 0,0002 USD par seconde d’audio en entrée |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_AUDIO_FILE:?Set your actual audio file}"\n: "${AILOOT_AUDIO_FORMAT:?Set its actual probed file format}"\nexport AILOOT_AUDIO_FILE AILOOT_AUDIO_FORMAT\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "fish-audio/transcribe-1-pro", "response_format": "json"}')\nimport base64\nf=Path(os.environ['AILOOT_AUDIO_FILE'])\nraw=f.read_bytes()\nif not raw or len(raw)>26214400:raise SystemExit('Use actual audio bytes within 25 MiB')\nfmt=os.environ['AILOOT_AUDIO_FORMAT'].strip()\nif not fmt:raise SystemExit('Use the actual probed format; the server checks it against the bytes')\np['input_audio']={'data':base64.b64encode(raw).decode(),'format':fmt}\nPath('request.json').write_text(json.dumps(p,ensure_ascii=False))\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 result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path('result.json').read_text())\nprint(json.dumps(r,ensure_ascii=False,indent=2))\nprint('Keep the complete JSON and response headers; do not resubmit an unknown creation.')\nPY_RESULT\njson
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 le JSON complet, les en-têtes de réponse, le texte et chaque champ d’utilisation réel retourné. Utilisez les identifiants réels de tâche et de ressource de la réponse ou de la bibliothèque de votre compte; operation_id n’est pas task_id.
Conservez l’operation_id/X-Client-Request-ID d’origine pour le rapprochement sans nouvelle soumission ; aucune route dédiée à l’interrogation du statut audio.
| Champ | Type | Signification |
|---|---|---|
Champtext | Typestring | SignificationTexte transcrit. |
Champusage | Typeobject | SignificationUtilisation audio. |
Champusage.seconds | Typenumber | SignificationDurée audio en secondes. |
Champduration | Typenumber | SignificationDurée audio en secondes. |
Champtask_id | Typestring | SignificationIdentifiant de tâche de transcription; retourné avec asset_url lorsqu’une transcription non vide est stockée, publiée et associée à une URL de contenu signée. |
Champasset_url | Typestring | SignificationURL signée du contenu de transcription; retournée avec task_id lorsqu’une transcription non vide est stockée, publiée et associée à une URL de contenu signée. |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des éléments fournis ou valeur de paramètre invalides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Réponseserver_error | ConditionLa réponse renvoyée indique que l’opération ou le résultat nécessite une vérification | Étape suivanteConservez l’identifiant d’opération/de tâche initialement renvoyé, les en-têtes de la requête et la réponse ; poursuivez les lectures prises en charge de cette opération d’origine. Ne soumettez pas à nouveau la requête de création. |
Ailoot Ultra fish-audio/transcribe-1-pro
Utilisez les chemins de méthode indiqués ci-dessus.