Whisper large-v3-turbo, également appelé Turbo, est le modèle de transcription optimisé d’OpenAI dérivé de Whisper large-v3. Son décodeur passe de 32 couches à quatre, tandis que l’encodeur reste à 32 couches. Le modèle publié comporte environ 809 millions de paramètres. L’objectif du développeur est une reconnaissance vocale plus rapide avec un compromis modeste sur la précision, et non un mode différent de génération audio. La parole enregistrée est l’entrée et le texte reconnu constitue le résultat.
L’annonce distingue la préparation de Turbo de celle d’un modèle Whisper distillé séparément : Turbo a été ajusté pendant deux époques supplémentaires sur des données de transcription multilingue, sans données de traduction. Cette distinction est importante en pratique. Le dépôt d’OpenAI précise que Turbo n’est pas entraîné à traduire la parole non anglophone vers l’anglais et peut renvoyer la langue d’origine même lorsqu’une tâche de traduction est demandée. Utilisez cette édition pour une transcription dans la langue d’origine ; une exigence de traduction relève d’un autre modèle adapté ou d’une étape distincte après la transcription.
La détection de la langue source et la sélection explicite de la langue restent des choix utiles de transcription. Si la langue de l’enregistrement est déjà connue, indiquez-la dans la consigne ; sinon, le flux de travail documenté peut la détecter. Préservez les noms, les quantités et les mots prononcés avant de demander un nettoyage éditorial. Un compte rendu de réunion, une transcription d’entretien ou le texte d’un cours peuvent ensuite faire l’objet d’une recherche, d’annotations ou d’un résumé lors d’une opération ultérieure. La tâche de reconnaissance de Turbo ne doit pas être confondue avec la synthèse vocale, l’imitation d’un locuteur ou un jugement sémantique sur les personnes enregistrées.
Le chargeur audio d’OpenAI décode les fichiers d’entrée en échantillons mono à 16 kHz, et le modèle utilise une fenêtre acoustique de 30 secondes avec 128 bandes de fréquences Mel. Les enregistrements plus longs nécessitent une inférence sur de longs enregistrements. Le traitement séquentiel parcourt les fenêtres dans l’ordre ; une approche par fragments transcrit des portions qui se chevauchent et raccorde leurs limites. La fiche du modèle présente cette dernière comme utile pour le traitement d’un seul fichier long lorsque le délai constitue la priorité principale, tandis que le traitement séquentiel privilégie la précision. Ni la fenêtre ni le nom du modèle n’établissent une taille maximale fixe de fichier envoyé à un service hébergé.
La configuration exacte de Turbo indique 448 positions de décodeur pour une séquence de décodage. Le flux de travail d’inférence documenté peut fournir les repères temporels des segments ou des mots avec la transcription ; ils servent à la navigation et à la mise en forme ultérieure des sous-titres. Cela n’ajoute pas automatiquement un format de fichier de sous-titres ou des identifications fiables de locuteurs. Précisez si vous souhaitez une transcription simple ou des segments horodatés, et gardez l’enregistrement original disponible pour vérifier les passages contestés. Le traitement des longs enregistrements et la mise en forme finale éventuelle restent distincts de l’identité de la version des poids du modèle.
Turbo réduit le travail de décodage, mais le temps réellement nécessaire dépend du matériel, de la durée de l’enregistrement, de la langue, du débit de parole et des choix d’inférence. Le développeur note une dégradation de qualité plus forte pour certaines langues, notamment le thaï et le cantonais, plutôt qu’un comportement uniforme partout. Comparez un extrait représentatif dans la langue visée avant de considérer le compromis privilégiant la vitesse comme adapté à tous les contenus. Pour une tâche de traitement d’archives, incluez du vocabulaire difficile, des pauses et des passages bruyants ou des paroles qui se chevauchent dans l’échantillon de vérification, et pas seulement une phrase d’ouverture nette.
La fiche publiée reprend les limites importantes de reconnaissance de Whisper : le texte prédit peut contenir des mots qui n’ont pas été prononcés, et des répétitions peuvent apparaître. Les résultats varient selon les langues, les accents et les dialectes, surtout lorsque la couverture d’entraînement est limitée. La fiche n’établit pas la diarisation ou la classification des locuteurs comme des capacités standard robustes du modèle de base. Une vérification pratique porte sur la fidélité à la source : noms et nombres importants, paroles omises, texte inattendu pendant les silences et répétitions. Une transcription lisible reste un résultat à comparer à l’enregistrement, sans garantie de reconnaissance exacte.
Le livrable achevé utile est une transcription dans la langue source avec les repères temporels demandés et un lien clair avec son enregistrement. Gardez la version reconnue séparée de la version éditée pour publication afin de rendre les modifications traçables. Conservez le nom large-v3-turbo lorsque vous comparez les éditions : ce n’est pas le modèle large-v3 complet, et il ne doit pas hériter silencieusement de la tâche de traduction vers l’anglais de large-v3. Cette identité à poids ouverts n’emporte pas non plus les limites d’envoi, les conteneurs de réponse ou les promesses de diffusion en direct du service hébergé whisper-1. Choisissez Turbo lorsque le compromis documenté de transcription convient aux contenus réels et au délai souhaité.
", "aboutText": "Whisper large-v3-turbo, également appelé Turbo, est le modèle de transcription optimisé d’OpenAI dérivé de Whisper large-v3. Son décodeur passe de 32 couches à quatre, tandis que l’encodeur reste à 32 couches. Le modèle publié comporte environ 809 millions de paramètres. L’objectif du développeur est une reconnaissance vocale plus rapide avec un compromis modeste sur la précision, et non un mode différent de génération audio. La parole enregistrée est l’entrée et le texte reconnu constitue le résultat.\n\nL’annonce distingue la préparation de Turbo de celle d’un modèle Whisper distillé séparément : Turbo a été ajusté pendant deux époques supplémentaires sur des données de transcription multilingue, sans données de traduction. Cette distinction est importante en pratique. Le dépôt d’OpenAI précise que Turbo n’est pas entraîné à traduire la parole non anglophone vers l’anglais et peut renvoyer la langue d’origine même lorsqu’une tâche de traduction est demandée. Utilisez cette édition pour une transcription dans la langue d’origine ; une exigence de traduction relève d’un autre modèle adapté ou d’une étape distincte après la transcription.\n\nLa détection de la langue source et la sélection explicite de la langue restent des choix utiles de transcription. Si la langue de l’enregistrement est déjà connue, indiquez-la dans la consigne ; sinon, le flux de travail documenté peut la détecter. Préservez les noms, les quantités et les mots prononcés avant de demander un nettoyage éditorial. Un compte rendu de réunion, une transcription d’entretien ou le texte d’un cours peuvent ensuite faire l’objet d’une recherche, d’annotations ou d’un résumé lors d’une opération ultérieure. La tâche de reconnaissance de Turbo ne doit pas être confondue avec la synthèse vocale, l’imitation d’un locuteur ou un jugement sémantique sur les personnes enregistrées.\n\nLe chargeur audio d’OpenAI décode les fichiers d’entrée en échantillons mono à 16 kHz, et le modèle utilise une fenêtre acoustique de 30 secondes avec 128 bandes de fréquences Mel. Les enregistrements plus longs nécessitent une inférence sur de longs enregistrements. Le traitement séquentiel parcourt les fenêtres dans l’ordre ; une approche par fragments transcrit des portions qui se chevauchent et raccorde leurs limites. La fiche du modèle présente cette dernière comme utile pour le traitement d’un seul fichier long lorsque le délai constitue la priorité principale, tandis que le traitement séquentiel privilégie la précision. Ni la fenêtre ni le nom du modèle n’établissent une taille maximale fixe de fichier envoyé à un service hébergé.\n\nLa configuration exacte de Turbo indique 448 positions de décodeur pour une séquence de décodage. Le flux de travail d’inférence documenté peut fournir les repères temporels des segments ou des mots avec la transcription ; ils servent à la navigation et à la mise en forme ultérieure des sous-titres. Cela n’ajoute pas automatiquement un format de fichier de sous-titres ou des identifications fiables de locuteurs. Précisez si vous souhaitez une transcription simple ou des segments horodatés, et gardez l’enregistrement original disponible pour vérifier les passages contestés. Le traitement des longs enregistrements et la mise en forme finale éventuelle restent distincts de l’identité de la version des poids du modèle.\n\nTurbo réduit le travail de décodage, mais le temps réellement nécessaire dépend du matériel, de la durée de l’enregistrement, de la langue, du débit de parole et des choix d’inférence. Le développeur note une dégradation de qualité plus forte pour certaines langues, notamment le thaï et le cantonais, plutôt qu’un comportement uniforme partout. Comparez un extrait représentatif dans la langue visée avant de considérer le compromis privilégiant la vitesse comme adapté à tous les contenus. Pour une tâche de traitement d’archives, incluez du vocabulaire difficile, des pauses et des passages bruyants ou des paroles qui se chevauchent dans l’échantillon de vérification, et pas seulement une phrase d’ouverture nette.\n\nLa fiche publiée reprend les limites importantes de reconnaissance de Whisper : le texte prédit peut contenir des mots qui n’ont pas été prononcés, et des répétitions peuvent apparaître. Les résultats varient selon les langues, les accents et les dialectes, surtout lorsque la couverture d’entraînement est limitée. La fiche n’établit pas la diarisation ou la classification des locuteurs comme des capacités standard robustes du modèle de base. Une vérification pratique porte sur la fidélité à la source : noms et nombres importants, paroles omises, texte inattendu pendant les silences et répétitions. Une transcription lisible reste un résultat à comparer à l’enregistrement, sans garantie de reconnaissance exacte.\n\nLe livrable achevé utile est une transcription dans la langue source avec les repères temporels demandés et un lien clair avec son enregistrement. Gardez la version reconnue séparée de la version éditée pour publication afin de rendre les modifications traçables. Conservez le nom large-v3-turbo lorsque vous comparez les éditions : ce n’est pas le modèle large-v3 complet, et il ne doit pas hériter silencieusement de la tâche de traduction vers l’anglais de large-v3. Cette identité à poids ouverts n’emporte pas non plus les limites d’envoi, les conteneurs de réponse ou les promesses de diffusion en direct du service hébergé whisper-1. Choisissez Turbo lorsque le compromis documenté de transcription convient aux contenus réels et au délai souhaité.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "6a4f38ad23b4c5a5649c1b3952e3bd4a31a6b31c5214ebc32171322fd24cd8f6", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr-ca", "methods": [ { "html": "openai/whisper-large-v3-turboWhisper large-v3-turbo est l’édition de transcription à poids ouverts d’OpenAI, plus rapide et dérivée de large-v3, avec quatre couches de décodeur et 809 millions de paramètres. Elle vise la transcription multilingue de la parole ; la documentation officielle du développeur exclut la traduction de la parole vers l’anglais des tâches d’entraînement de Turbo.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Whisper large-v3-turbo, également appelé Turbo, est le modèle de transcription optimisé d’OpenAI dérivé de Whisper large-v3. Son décodeur passe de 32 couches à quatre, tandis que l’encodeur reste à 32 couches. Le modèle publié comporte environ 809 millions de paramètres. L’objectif du développeur est une reconnaissance vocale plus rapide avec un compromis modeste sur la précision, et non un mode différent de génération audio. La parole enregistrée est l’entrée et le texte reconnu constitue le résultat.
L’annonce distingue la préparation de Turbo de celle d’un modèle Whisper distillé séparément : Turbo a été ajusté pendant deux époques supplémentaires sur des données de transcription multilingue, sans données de traduction. Cette distinction est importante en pratique. Le dépôt d’OpenAI précise que Turbo n’est pas entraîné à traduire la parole non anglophone vers l’anglais et peut renvoyer la langue d’origine même lorsqu’une tâche de traduction est demandée. Utilisez cette édition pour une transcription dans la langue d’origine ; une exigence de traduction relève d’un autre modèle adapté ou d’une étape distincte après la transcription.
La détection de la langue source et la sélection explicite de la langue restent des choix utiles de transcription. Si la langue de l’enregistrement est déjà connue, indiquez-la dans la consigne ; sinon, le flux de travail documenté peut la détecter. Préservez les noms, les quantités et les mots prononcés avant de demander un nettoyage éditorial. Un compte rendu de réunion, une transcription d’entretien ou le texte d’un cours peuvent ensuite faire l’objet d’une recherche, d’annotations ou d’un résumé lors d’une opération ultérieure. La tâche de reconnaissance de Turbo ne doit pas être confondue avec la synthèse vocale, l’imitation d’un locuteur ou un jugement sémantique sur les personnes enregistrées.
Le chargeur audio d’OpenAI décode les fichiers d’entrée en échantillons mono à 16 kHz, et le modèle utilise une fenêtre acoustique de 30 secondes avec 128 bandes de fréquences Mel. Les enregistrements plus longs nécessitent une inférence sur de longs enregistrements. Le traitement séquentiel parcourt les fenêtres dans l’ordre ; une approche par fragments transcrit des portions qui se chevauchent et raccorde leurs limites. La fiche du modèle présente cette dernière comme utile pour le traitement d’un seul fichier long lorsque le délai constitue la priorité principale, tandis que le traitement séquentiel privilégie la précision. Ni la fenêtre ni le nom du modèle n’établissent une taille maximale fixe de fichier envoyé à un service hébergé.
La configuration exacte de Turbo indique 448 positions de décodeur pour une séquence de décodage. Le flux de travail d’inférence documenté peut fournir les repères temporels des segments ou des mots avec la transcription ; ils servent à la navigation et à la mise en forme ultérieure des sous-titres. Cela n’ajoute pas automatiquement un format de fichier de sous-titres ou des identifications fiables de locuteurs. Précisez si vous souhaitez une transcription simple ou des segments horodatés, et gardez l’enregistrement original disponible pour vérifier les passages contestés. Le traitement des longs enregistrements et la mise en forme finale éventuelle restent distincts de l’identité de la version des poids du modèle.
Turbo réduit le travail de décodage, mais le temps réellement nécessaire dépend du matériel, de la durée de l’enregistrement, de la langue, du débit de parole et des choix d’inférence. Le développeur note une dégradation de qualité plus forte pour certaines langues, notamment le thaï et le cantonais, plutôt qu’un comportement uniforme partout. Comparez un extrait représentatif dans la langue visée avant de considérer le compromis privilégiant la vitesse comme adapté à tous les contenus. Pour une tâche de traitement d’archives, incluez du vocabulaire difficile, des pauses et des passages bruyants ou des paroles qui se chevauchent dans l’échantillon de vérification, et pas seulement une phrase d’ouverture nette.
La fiche publiée reprend les limites importantes de reconnaissance de Whisper : le texte prédit peut contenir des mots qui n’ont pas été prononcés, et des répétitions peuvent apparaître. Les résultats varient selon les langues, les accents et les dialectes, surtout lorsque la couverture d’entraînement est limitée. La fiche n’établit pas la diarisation ou la classification des locuteurs comme des capacités standard robustes du modèle de base. Une vérification pratique porte sur la fidélité à la source : noms et nombres importants, paroles omises, texte inattendu pendant les silences et répétitions. Une transcription lisible reste un résultat à comparer à l’enregistrement, sans garantie de reconnaissance exacte.
Le livrable achevé utile est une transcription dans la langue source avec les repères temporels demandés et un lien clair avec son enregistrement. Gardez la version reconnue séparée de la version éditée pour publication afin de rendre les modifications traçables. Conservez le nom large-v3-turbo lorsque vous comparez les éditions : ce n’est pas le modèle large-v3 complet, et il ne doit pas hériter silencieusement de la tâche de traduction vers l’anglais de large-v3. Cette identité à poids ouverts n’emporte pas non plus les limites d’envoi, les conteneurs de réponse ou les promesses de diffusion en direct du service hébergé whisper-1. Choisissez Turbo lorsque le compromis documenté de transcription convient aux contenus réels et au délai souhaité.
POST /v1/audio/transcriptionsaudiotext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites openai/whisper-large-v3-turbo | 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 tous les octets du fichier en base64 et envoie 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 appartenant à votre compte
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 · 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 $0.00000666 par seconde d’audio en entrée |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${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': 'openai/whisper-large-v3-turbo', '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 et 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 le X-Client-Request-ID réel et la réponse complète. Consultez les ressources d’origine appartenant à votre compte et leurs URL exactes de contenu signées; 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’identifiant canonique explicite du modèle est invalide. | Étape suivanteConservez la réponse et corrigez le champ de demande indiqué. |
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 d’erreur retournés. |
Réponse404 · not_found_error | ConditionLa méthode sélectionnée ne possède aucune route autorisée. | Étape suivanteConservez les détails d’erreur retournés. |
Réponse422 · price_unavailable | ConditionLe tarif accepté ne peut pas obtenir la quantité d’entrée ou la borne dont il a besoin. | Étape suivanteConservez la réponse; utilisez la représentation d’entrée exigée par le tarif accepté. |
Réponse503 · | ConditionLe stockage, la route, le tarif de la méthode ou la réservation requis n’est pas disponible. | Étape suivanteConservez la réponse d’origine complète. Une réservation incertaine n’autorise pas une nouvelle soumission. |
Réponse502 · server_error | ConditionLe résultat d’origine, l’utilisation ou le règlement doit être vérifié. | Étape suivanteConservez l’identifiant réel de demande et la réponse d’origine. Consultez l’enregistrement existant appartenant à votre compte; ne soumettez pas de nouveau la demande de création. |
Ailoot Ultra openai/whisper-large-v3-turbo
Utilisez les chemins de méthode indiqués ci-dessus.