Deepgram: Nova-3
Nova-3 הוא מודל הדיבור לטקסט הכללי של Deepgram לאודיו מוקלט ולזרמי אודיו. הוא תומך בזיהוי חד־לשוני, במצב מוגדר של מעבר בין שפות ובהכוונה באמצעות מונחי מפתח, ומחזיר תמלילים עם תזמון מילים ומידע על רמת ביטחון.
על המודל
התיאור הזה מציג את יכולות המודל. הקלט, הפלט והאפשרויות הזמינים ב-Ailoot מפורטים בהמשך לפי השיטה שנבחרה.
Nova-3 הוא מודל זיהוי הדיבור הכללי של Deepgram להמרת אודיו לטקסט. היצרן ממליץ עליו לפגישות, לכתוביות באירועים, להקלטות מרובות דוברים ולתנאים מאתגרים כגון רעש או מיקרופונים מרוחקים, בתמלול הקלטות או בתמלול זורם. התוצאה השימושית שלו היא הדיבור שזוהה עם מידע על תזמון ורמת ביטחון, המקושר לאודיו המקורי.
בחרו את תהליך השפה
שפת ברירת המחדל המתועדת היא אנגלית. בקשה חד־לשונית בוחרת את השפה המדוברת או את הגרסה המקומית הנתמכת. טבלת המודל הכללי הנוכחית כוללת גרסאות אזוריות של אנגלית, ספרדית, צרפתית, גרמנית, רוסית, פורטוגזית, יפנית, איטלקית, הולנדית, ערבית, כתבים סיניים ושפות רבות נוספות, ובהן קזחית. בחרו מתוך הקודים הנתמכים של היצרן במקום להניח שכל שם שפה או אזור מתקבל.
ההגדרה הרב־לשונית היא תהליך נפרד למעבר בין שפות. טבלת Nova-3 הנוכחית מציינת עבורה עשר שפות: אנגלית, ספרדית, צרפתית, גרמנית, הינדי, רוסית, פורטוגזית, יפנית, איטלקית והולנדית. קבוצה זו אינה זהה לרשימה החד־לשונית הרחבה יותר. עבור הקלטה המחליפה בין שפות נתמכות, הכינו את המצב הרב־לשוני במקום לכפות על כל השיחה הגדרה חד־לשונית שאינה מתאימה. שמרו את מה שנאמר לפני הכנת גרסה מתורגמת או מסוכמת.
אודיו מוקלט והכנת התמליל
תהליך הקבצים של Deepgram מקבל בייטים של אודיו שהועלו או הפניה לקובץ אודיו. שמרו את התמליל המוחזר כשהבקשה מסתיימת; היצרן אינו שומר תמלילים לאחזור מאוחר יותר. פורמטים וקידודים נפוצים המתועדים לקלט כוללים MP3, MP4, MP2, AAC, WAV, FLAC, PCM, M4A, Ogg, Opus ו־WebM. שמרו את הפורמט בפועל ואת מידע הערוצים עם ההקלטה. תנו להקלטה מזהה יציב ושמרו את התוצאה משויכת למקור הנכון ולמידע הערוצים שלו. בפגישה, בדקו שמות משתתפים ומונחים טכניים תוך האזנה לצליל המקורי. בהרצאה או באירוע, שמרו את רצף האודיו כדי שכתובית או תוצאת חיפוש מאוחרות יותר יוכלו לאתר את הקטע הרלוונטי.
מדריך היצרן להקלטות מציין גודל קובץ מרבי של 2 GB וממליץ לחלץ את זרם האודיו מקובץ וידאו גדול. הוא מתעד גם זמן קצוב של עשר דקות לעיבוד בקשות Nova. הזמן הקצוב מתייחס למשך עיבוד הבקשה, ולא למשך הקלטה מרבי של עשר דקות. תוצאה שימושית כוללת את סוף ההקלטה המיועדת; אין להתייחס לתמליל שנשמר חלקית כאל הטקסט השלם.
קראו את המילים, הזמנים ורמת הביטחון
תשובת ה־JSON המתועדת כוללת חלופות תמלול ומילים שזוהו, עם זמן התחלה וסיום לכל מילה בשניות מתחילת האודיו וערך רמת ביטחון. בתמליל מרובה דוברים, הפרדת הדוברים האופציונלית של היצרן מקצה תווית דובר לכל מילה. הפרדת דוברים בהקלטות מחזירה גם רמת ביטחון בזיהוי הדובר; הפרדת דוברים בזרם מחזירה את תווית הדובר. בדקו את התוויות האלה מול הקולות בהקלטה. רמת הביטחון הכוללת בתמליל מדווחת גם היא בסולם 0–1. כאשר מתבקש עיצוב חכם, התוצאה יכולה לכלול פיסוק ואותיות רישיות במילים מפוסקות, יחד עם מידע על פסקאות קריאות.
השתמשו בשדות האלה בהתאם למשמעותם. זמן מילה מאתר דיבור שזוהה, ואילו רמת הביטחון היא הערכת המודל לאמינות, ולא הוכחה ששם או כמות קשים נשמעו נכון. להכנת כתוביות, שמרו את התזמון לצד הניסוח שנבדק ובדקו את הגבולות מול הצליל. בגרסה ערוכה וקריאה, השאירו את השינויים מובחנים מהתמליל שזוהה, במקום להחליף בשקט מילים לא ודאיות בסיפור שנשמע סביר.
זיהוי זורם ומקטעים סופיים
תהליך הזרימה של Nova מחזיר טקסט עם הגעת האודיו, בתוצאות ביניים ובתוצאות סופיות. הסמן is_final מבחין בין טקסט שעשוי להשתנות למקטע שהושלם סופית. הסמן speech_final מתייחס לזיהוי נקודת הסיום של מקטע דיבור. הבחינו בין האותות האלה לבין עצם קבלתו של תמליל לא ריק, ושמרו את המקטעים הסופיים לפי סדרם באודיו בעת הכנת הרשומה השלמה.
Nova-3 הוא מודל ASR כללי, השונה ממודל השיחה Flux הנפרד שבו זיהוי תורי הדיבור מובנה במודל. Nova מסמן את סופיות התמליל ואת נקודות הסיום של הדיבור; Flux מספק אירועי מצב משלו לתורים בשיחה. בחרו את תהליך התמלול לפי השאלה אם האודיו כבר הוקלט או מגיע בזמן אמת, ושמרו את הפלט הסופי בפועל כתוצר.
מונחי מפתח לאוצר המילים החשוב
Keyterm Prompting המתועד של Nova-3 תומך בתמלול חד־לשוני ורב־לשוני ומתאים את הזיהוי למונחים חשובים בלי לאמן מחדש את המודל. ספקו שמות רלוונטיים, מונחי מוצר, ראשי תיבות או ביטויים מרובי מילים שעשויים להיאמר בפועל. המדריך מגביל את קלט מונחי המפתח המצטבר ל־500 טוקנים וממליץ להתמקד באוצר המילים החשוב ביותר במקום להוסיף מילים נפוצות ללא הבחנה.
תחביר היצרן משתמש במונחים פשוטים, עם ערך keyterm נפרד לכל מונח. ביטוי מרובה מילים נשאר ביטוי אחד. משקלים או מגבירי חשיבות ישנים של מילות מפתח, וחיבור מונחים נפרדים בפסיקים, בנקודה־פסיק או במעברי שורה, אינם שקולים לכך: הממשק עשוי לקבל אותם כערך מילולי אחד בלי לספק את ההעדפה המכוונת. השתמשו באותיות רישיות נכונות בשמות ואז בדקו את התמליל, כי ההקשר הקולי והעיצוב החכם עדיין יכולים לשנות את הצורה הכתובה הסופית.
גבולות משפחת המודלים ותוצאות שימושיות
פרופיל Nova-3 הכללי נפרד מאפשרויות Medical ו־Pharma הנקובות בשם. הכוונה באמצעות אוצר מילים אינה הופכת אותו למהדורה אחרת, ואין להניח שכיסוי השפות או ההתנהגות של המודלים המתמחים חלים על המודל הכללי. תכונות נוספות לעיבוד תמלילים הן בחירות בתהליך הדיבור של היצרן, ולא ראיה לכך שהזיהוי יצר סיכום, תרגום או תוצר אחר שלא התבקש.
תוצר שימושי של Nova-3 יכול להיות תמליל פגישה הניתן לחיפוש, ניסוח מוכן לכתוביות עם תזמון מילים או תיעוד שיחה רב־לשונית. שמרו את מזהה האודיו, את תהליך השפה שנבחר, את הטקסט הסופי ואת שדות רמת הביטחון או התזמון השימושיים. בדקו שמות לא ברורים, מספרים, קולות חופפים ומעברי שפה מול ההקלטה המקורית, והשאירו את הדיבור שזוהה בפועל זמין לשלב עיבוד התוכן הבא.
Ailoot Ultra · זיהוי דיבור POST /v1/audio/transcriptions deepgram/nova-3
deepgram/nova-3התחלה
Nova-3 הוא מודל הדיבור לטקסט הכללי של Deepgram לאודיו מוקלט ולזרמי אודיו. הוא תומך בזיהוי חד־לשוני, במצב מוגדר של מעבר בין שפות ובהכוונה באמצעות מונחי מפתח, ומחזיר תמלילים עם תזמון מילים ומידע על רמת ביטחון.
- סוגי קלט נתמכים
- שמע
- תוצאות
- transcription
זמין ב-Ailoot · קלט ושיטות
Ailoot Ultra · זיהוי דיבור POST /v1/audio/transcriptions
- סוגי קלט
audio- סוגי פלט
transcription- פורמט פלט
- json
| שדה | סוג | דרישה | ערכים ומגבלות | ברירת מחדל |
|---|---|---|---|---|
שדהmodel | סוגstring | דרישהחובה | ערכים ומגבלות deepgram/nova-3 | ברירת מחדל— |
שדהinput_audio | סוגobject | דרישהחובה | ערכים ומגבלות | ברירת מחדל— |
שדהlanguage | סוגstring | דרישהרשות | ערכים ומגבלות | ברירת מחדל— |
שדהtemperature | סוגnumber | דרישהרשות | ערכים ומגבלות מינימום: 0 מקסימום: 1 | ברירת מחדל— |
שדהresponse_format | סוגstring | דרישהרשות | ערכים ומגבלות json, verbose_json | ברירת מחדלjson |
שדהtimestamp_granularities | סוגarray | דרישהרשות | ערכים ומגבלות | ברירת מחדל— |
שדהprovider | סוגobject | דרישהרשות | ערכים ומגבלות | ברירת מחדל— |
שילובים של חומרי קלט
speech_to_text · נדרש: actual matching-format audio file
פרמטרים ומחזור חיים של השיטה
| פרמטר | מפרט |
|---|---|
פרמטרcontent_types | מפרטapplication/json, multipart/form-data |
פרמטרrequired | מפרטmodel, input_audio |
פרמטרmaterial_types | מפרטaudio |
פרמטרJSON_audio | מפרטבתי אודיו גולמיים ממשיים ב־base64, לצד פורמט תואם |
פרמטרmultipart_required | מפרטmodel, file |
פרמטרmultipart_cap_bytes | מפרט26214400 |
פרמטרoptional_controls | מפרטlanguage, temperature, response_format, timestamp_granularities, provider |
פרמטרdefault_response_format | מפרטjson |
פרמטרoptional_features | מפרטפלט מפורט, diarize/keyterms ואודיו באמצעות URL או אודיו מוטמע גדול יותר מחייבים יכולת ותעריף מתאימים של המודל והספק המדויקים. |
מחזור חיים: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · ערך task_id שהוחזר בפועל או רשומה בספריית המדיה
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
יש להשתמש במודל המדויק ובשדות הקלט המתועדים.
יש לשמור את התגובה המלאה, כל פלט ממשי ואת המזהים המקוריים שהוחזרו.
תעריפים
מידע תעריפים אינו מוסיף אפשרויות לבקשה. הפרמטרים הנתמכים מפורטים בשיטה שנבחרה.
- מצב מהיר
- לא צוין כאשר נבחר מצב מהיר
- מצב Flex
- לא צוין כאשר נבחר מצב flex
- מאמץ חשיבה מרבי
- לא צוין כאשר מאמץ החשיבה המרבי משתמש בהתאמת ברירת המחדל (default)
תעריפי Ailoot
מחירים לפי תצורה
התאימו כל חיוב לתנאים המוצגים. השתמשו בתעריף אחד לכל קבוצה של תצורות חלופיות.
| תצורה | טבלת תעריפים | יחידת חיוב | חיוב |
|---|---|---|---|
| תצורהתעריפי בסיס לטוקנים | טבלת תעריפיםתעריף בסיס | יחידת חיוב— | חיוב קלט · טוקני קלט — / 1K טוקנים פלט · טוקני פלט — / 1K טוקנים קלט · קריאה מהמטמון — / 1K טוקנים קלט · כתיבה למטמון — / 1K טוקנים קלט · כתיבה למטמון, 1 שעה — / 1K טוקנים |
| תצורהUltra | טבלת תעריפים— | יחידת חיובלכל שניית שמע בקלט | חיוב קלט · שניית שמע בקלט $0.0001433333333334 לכל שניית שמע בקלט |
לפני הבקשה Ailoot משריינת סכום משוער. לאחר קבלת התוצאה היא מסדירה את החיוב הסופי לפי השימוש המדוד. הסדרת חיוב בהזרמה משתמשת ברשומת השימוש הסופית. איך פועלים שריון הסכום והסדרת החיוב →
פרטי תעריף הייחוס
טבלאות הייחוס ברמת המודל אינן משנות את בחירת השיטה, הצעות המחיר או החיובים. החיובים בפועל משתמשים בתעריפי שיטת Ailoot שנבחרה.
Deepgram: Nova-3
מחירים לפי תצורה
| תצורה | תנאי חיוב | חיוב |
|---|---|---|
| תצורהDeepgram: Nova-3 · תצורת ברירת המחדל | תנאי חיובתצורת ברירת מחדל | חיוב קלט · שניות שמע בקלט ≈0.000143 $ לכל שניית שמע בקלט |
דוגמאות לבקשות
Ailoot Ultra · זיהוי דיבור
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_AUDIO_FILE:?Set the path to your actual WAV recording}"
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
import base64
audio=Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()
if not (audio[:4]==b'RIFF' and audio[8:12]==b'WAVE'): raise SystemExit('Supply an actual WAV audio file')
if len(audio)>26214400: raise SystemExit('Use a documented supported large-file flow')
request={'model': 'deepgram/nova-3', 'input_audio': {'data': '${BASE64_ACTUAL_WAV_BYTES}', 'format': 'wav'}}
request['input_audio']['data']=base64.b64encode(audio).decode('ascii')
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
# Keep the complete original response and headers. Read every returned segment, word and usage field.
# Preserve actual operation/task/asset IDs; continue reads of the original result without resubmitting.
קבלה ושמירה של תוצאות
Ailoot Ultra · זיהוי דיבור
json
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
שמירת כל התוצאות שהושלמו
שמרו כל תגובה מלאה, קובץ ומקטע תוכן שהוחזרו.
ה־JSON המקורי במלואו, כל הטקסט, המקטעים, המילים, הדוברים, חותמות הזמן ונתוני השימוש הזמינים.
כשצריך לבדוק את התגובה המקורית
יש לשמור את operation_id/X-Client-Request-ID המקוריים ואת התגובה המקורית. יש לקרוא רשומות ממשיות של משימות ונכסים שבבעלותכם בלי לשלוח שוב; לא נבנית כתובת URL ייעודית למעקב אחר אודיו.
שדות התגובה
| שדה | סוג |
|---|---|
שדהtext | סוגstring |
שדהusage | סוגobject |
שדהsegments[] | סוגobject |
שדהwords[] | סוגobject |
כינויים
כינויים למודל
Ailoot Ultra deepgram/nova-3
כינויים לנתיבי שיטות
השתמשו בנתיבי השיטות המוצגים למעלה.
מזהי מודלים קשורים IDs
FAQ · Deepgram: Nova-3
- אילו קלטים ותוצאות זמינים?
POST /v1/audio/transcriptions·deepgram/nova-3:audio→transcription- באילו שדות הבקשה משתמשת?
POST /v1/audio/transcriptions·deepgram/nova-3:model,input_audio,language,temperature,response_format,timestamp_granularities,provider- אילו מגבלות חלות?
POST /v1/audio/transcriptions·deepgram/nova-3:temperature.minimum:0;temperature.maximum:1