Fish Audio: Transcribe 1 Pro

Transcribe 1 Pro הופך הקלטות של עד 60 דקות לטקסט עם סמני דוברים ותזמון אופציונלי ברמת המילה. הוא שומר רמזים לרגש ולאירועים קוליים שהוסקו מההקלטה, ומקל על בדיקה, חיפוש או הכנה לכתוביות של ראיונות, פגישות ופודקאסטים.

Ailoot Ultra · זיהוי דיבור POST /v1/audio/transcriptions fish-audio/transcribe-1-pro

על המודל

התיאור הזה מציג את יכולות המודל. הקלט, הפלט והאפשרויות הזמינים ב-Ailoot מפורטים בהמשך לפי השיטה שנבחרה.

Transcribe 1 Pro הוא מודל הדיבור לטקסט של Fish Audio לקליפים קצרים, לשיחות מרובות דוברים ולהקלטות ארוכות. הוא מקבל אודיו מוקלט ומחזיר תמליל, עם תזמון אופציונלי ותורי דיבור מובנים. מאפייניו המבחינים הם סימון שינויי דובר בתוך הטקסט ורמזים לרגש או לאירועים קוליים, המשמרים יותר מהמבנה השיחתי של ההקלטה לעומת רצף מילים פשוט.

בריאיון, בפגישה או בפודקאסט, שמרו את השיחה השלמה בקובץ אחד, כדי שדוברים החוזרים לדבר יוכלו לשמור על תוויות עקביות בתוך התשובה. תוצר בדיקה שימושי הוא תמליל המקושר להקלטה המקורית, עם תורי דיבור המוצגים בנפרד וחותמת זמן זמינה לבדיקת ציטוט. סיכום או רשימת פעולות הם שלב מאוחר יותר ביישום: השאירו אותם נפרדים מהתמליל כדי שמקור הדיבור יישאר זמין להשוואה.

היצרן מקבל הקלטות של עד 60 דקות ומתאר עיבוד קבצים ארוכים באמצעות אודיו דחוס כגון MP3, Opus או AAC. הפורמטים הנתמכים כוללים WAV, MP3, AAC בתוך M4A או MP4, FLAC, Ogg עם Opus או Vorbis, WebM/Matroska ו־MOV. בקובץ וידאו הוא משתמש ברצועת האודיו הראשונה. AIFF, CAF, WMA, AMR, AC-3 ו־PCM גולמי ללא כותרת אינם נתמכים. מספקים קובץ אודיו אחד בכל בקשה; התוצאה מגיעה לאחר תמלול ההקלטה כולה, והקלטה ארוכה יכולה להימשך כמה דקות לעיבוד. קליפים הקצרים מכ־0.08 שניות נדחים.

תשובת היצרן מכילה את הטקסט המלא, את משך ההקלטה בשניות ומערך segments. Pro מסמן שינויי דובר בתוך הטקסט בתוויות כגון <|speaker:0|> ו־<|speaker:1|>; תווית חלה על הטקסט שאחריה עד לסמן הבא. אלו מזהים בתוך תשובה אחת, ולא שמות מאומתים או זהויות שאפשר להתאים בין בקשות. אם אין בתמליל סמן דובר, המדריך מתייחס אליו כתוצאה של דובר יחיד. שמרו כל טקסט שלפני הסמן הראשון עם תור הדיבור הראשון במקום להשמיטו.

חותמות זמן ברמת המילה הן אופציונליות. בבקשת היצרן, ברירת המחדל של ignore_timestamps היא true; הגדרתו ל־false מבקשת מקטעים עם טקסט וזמני התחלה וסיום בשניות. מקטע הוא בדרך כלל מילה, או תו אחד או כמה תווים בסינית וביפנית. טקסט המקטע משמיט פיסוק, סמני דוברים ורמזים לאירועים, ועשוי לנרמל ערך שנאמר אחרת מהתמליל המלא. למקטע מילה יכולים להיות זמן התחלה וזמן סיום זהים. מערך segments ריק יכול להעיד שחותמות זמן לא התבקשו, שלא נמצא דיבור או שהתזמון לא היה זמין זמנית. השתמשו בתמליל המלא לניסוח קריא ובמקטעים ליישור, במקום להניח ששתי המחרוזות זהות תו אחר תו.

ברירת המחדל של ההגדרה diarize היא auto. כאשר מתבקשות חותמות זמן ו־diarize אינו false, Pro מחזיר גם speaker_turns. כל תור מכיל את תווית הדובר, את הטקסט ואת זמני ההתחלה והסיום, תוך שמירת הפיסוק והרמזים שנשמרו, בלי סמן הדובר המשולב בטקסט. אם תזמון המילים אינו זמין, זמני התורים יכולים להיות משוערים ולכסות את ההקלטה כולה; תורים סמוכים אינם בהכרח רציפים או ללא חפיפה. כיבוי diarize מסיר את רשימת התורים המובנית אך משאיר סמני דוברים בטקסט המלא. מספר דוברים ידוע, או מספר מינימלי ומקסימלי, יכולים להנחות את הפרדת הדוברים בהקלטות ארוכות יותר במידת האפשר. אי אפשר לשלב מספר מדויק עם גבולות מספר הדוברים, ואי אפשר להשתמש ברמזי מספר כאשר diarize כבוי.

רמזים לרגש ולאירועים קוליים מופיעים כטקסט בסוגריים מרובעים, למשל [laughter], לצד הדיבור שזוהה. אלו הסקות מהאודיו, ולא מילים שמשתמש צריך להוסיף לפני התמלול. ברירת המחדל של tag_audio_events ב־Pro היא true; כיבויה מסיר את הרמזים האלה מהתמליל ומטקסט התורים בלי לשנות את התזמון. אין שדה רגש נפרד או רשימת ערכי רגש קבועה. שמרו את התמליל המועשר בסימונים כאשר אופן אמירת ההערה חשוב, והשתמשו בגרסה נטולת רמזים כאשר התוצר הבא צריך רק את המילים שנאמרו.

השפה מזוהה אוטומטית. רמז ISO 639-1 אופציונלי באותיות קטנות אינו כופה תרגום או משנה את התמליל של Pro. אם אי אפשר לקבוע את השפה, קוד השפה המוחזר יכול לשקף את הרמז בלי לאמת אותו מול האודיו. היצרן מדווח שפה אחת ולא רשימה של כל השפות בהקלטה מעורבת. שמרו את הניסוח המקורי ואת מטא־נתוני השפה יחד בהכנת ארכיון הניתן לחיפוש, במיוחד כאשר חלקים שונים בשיחה עוברים בין שפות.

לכתוביות, קבצו מילים מתוזמנות עוקבות ליחידות כתוביות קריאות ב־SRT או WebVTT במקום ליצור כתובית לכל מילה. הפרידו יחידות סביב הפסקות ובחרו את אורכן ואת זמן התצוגה שלהן לפי הנגן והקהל. גבולות תורי הדיבור יכולים להשאיר דוברים שונים ביחידות נפרדות. בדקו אם תוצאת התזמון ריקה ואם יש יחידות שזמן הסיום שלהן חייב להיות מאוחר מזמן ההתחלה. עיצוב כתוביות, מתן שמות לתוויות דוברים אנונימיות וכל סיכום מאוחר יותר הם תוצרי יישום הנבנים מתוצאת התמלול.

בתהליך הקלטה מעשי, החליטו לפני התמלול אם דרוש תמליל קריא פשוט, תורי שיחה מסומנים או כתוביות מתוזמנות. שמרו את מזהה האודיו עם התוצאה, שמרו את הטקסט המלא שהוחזר כאשר פיסוק ורמזים חשובים, והשתמשו בשדות התזמון המובנים לניווט. יכולות ההקלטות הארוכות וריבוי הדוברים של Pro שונות מאלו של מודל Transcribe 1 הכללי להקלטות קצרות; אין להתייחס למגבלות ולבקרות שלהם כניתנות להחלפה.

Ailoot Ultra · זיהוי דיבור POST /v1/audio/transcriptions fish-audio/transcribe-1-pro

fish-audio/transcribe-1-pro

Fish Audio /fish-audio/transcribe-1-pro

התחלה

סוגי קלט נתמכים: שמע
תוצאות: טקסט

זמין ב-Ailoot · קלט ושיטות

Ailoot Ultra · זיהוי דיבור POST /v1/audio/transcriptions

סוגי קלט: audio
סוגי פלט: text
פורמט פלט: json

שדה	סוג	דרישה	ערכים ומגבלות	ברירת מחדל
שדה`model`	סוג`string`	דרישהחובה	ערכים ומגבלות fish-audio/transcribe-1-pro	ברירת מחדל—
שדה`input_audio`	סוג`object`	דרישהחובה	ערכים ומגבלות מפתחות מדויקים: data, format	ברירת מחדל—
שדה`input_audio.data`	סוג`base64_string`	דרישהחובה	ערכים ומגבלות מספר בייטים מרבי לאחר פענוח: ⁦26,214,400⁩ Base64 מחמיר: כן	ברירת מחדל—
שדה`input_audio.format`	סוג`string`	דרישהחובה	ערכים ומגבלות תנאים: חייב להיות זהה לפורמט שזוהה בבדיקת הקובץ בפועל	ברירת מחדל—
שדה`response_format`	סוג`string`	דרישהרשות	ערכים ומגבלות json	ברירת מחדל—

שילובים של חומרי קלט

speech_to_text · נדרש: input_audio.data, input_audio.format

פרמטרים ומחזור חיים של השיטה

פרמטר	מפרט
פרמטר`content_type`	מפרטapplication/json
פרמטר`required`	מפרטmodel, input_audio
פרמטר`additional_properties`	מפרטfalse
פרמטר`parameters`	מפרט{"name":"model","type":"string","required":true,"enum":["fish-audio/transcribe-1-pro"]}, {"name":"input_audio","type":"object","required":true,"exact_keys":["data","format"],"data":"קידוד base64 קפדני של בתי אודיו ממשיים ונתמכים","format":"פורמט הקובץ המדויק שזוהה בבדיקה; חייב להתאים לבתים בפועל"}, {"name":"response_format","type":"string","required":false,"enum":["json"]}
פרמטר`max_audio_bytes`	מפרט26214400
פרמטר`multipart_for_this_profile`	מפרטfalse
פרמטר`material_types`	מפרטaudio

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 לשמור את התגובה המלאה ואת המזהים המקוריים שהוחזרו.

אין לשלוח שוב בקשת יצירה שמצבה אינו ידוע.

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
תצורהשניית שמע בקלט	טבלת תעריפים—	יחידת חיובלכל שניית שמע בקלט	חיוב קלט · שניית שמע בקלט $0.0002 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.

Fish Audio: Transcribe 1 Pro

מחירים לפי תצורה

תצורה	תנאי חיוב	חיוב
תצורהFish Audio: Transcribe 1 Pro · תצורת ברירת המחדל	תנאי חיובתצורת ברירת מחדל	חיוב קלט · שניות שמע בקלט ⁦‏0.0002 ‏$⁩ לכל שניית שמע בקלט

דוגמאות לבקשות

Ailoot Ultra · זיהוי דיבור

curl · בתים של אודיו אמיתי ופורמט שזוהה בבדיקה

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_AUDIO_FILE:?Set your actual audio file}"
: "${AILOOT_AUDIO_FORMAT:?Set its actual probed file format}"
export AILOOT_AUDIO_FILE AILOOT_AUDIO_FORMAT
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "fish-audio/transcribe-1-pro", "response_format": "json"}')
import base64
f=Path(os.environ['AILOOT_AUDIO_FILE'])
raw=f.read_bytes()
if not raw or len(raw)>26214400:raise SystemExit('Use actual audio bytes within 25 MiB')
fmt=os.environ['AILOOT_AUDIO_FORMAT'].strip()
if not fmt:raise SystemExit('Use the actual probed format; the server checks it against the bytes')
p['input_audio']={'data':base64.b64encode(raw).decode(),'format':fmt}
Path('request.json').write_text(json.dumps(p,ensure_ascii=False))
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 result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
r=json.loads(Path('result.json').read_text())
print(json.dumps(r,ensure_ascii=False,indent=2))
print('Keep the complete JSON and response headers; do not resubmit an unknown creation.')
PY_RESULT

קבלה ושמירה של תוצאות

Ailoot Ultra · זיהוי דיבור

json

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

שמירת כל התוצאות שהושלמו

שמרו כל תגובה מלאה, קובץ ומקטע תוכן שהוחזרו.

יש לשמור את ה־JSON המלא, את כותרות התגובה, את הטקסט ואת כל שדות השימוש שהוחזרו בפועל. יש להשתמש בזהויות הממשיות של המשימות והנכסים מהתגובה או מהספרייה שבבעלותכם; operation_id אינו task_id.

כשצריך לבדוק את התגובה המקורית

שמרו את operation_id/X-Client-Request-ID המקורי לצורך התאמת רישומים ללא שליחה מחדש; אין נתיב ייעודי לתשאול סטטוס אודיו.

שדות התגובה

שדה	סוג	משמעות
שדה`text`	סוגstring	משמעותהטקסט שתומלל.
שדה`usage`	סוגobject	משמעותשימוש באודיו.
שדה`usage.seconds`	סוגnumber	משמעותמשך האודיו בשניות.
שדה`duration`	סוגnumber	משמעותמשך האודיו בשניות.
שדה`task_id`	סוגstring	משמעותמזהה משימת התמלול; מוחזר עם asset_url כאשר תמליל לא ריק מאוחסן, מפורסם ומקבל כתובת URL חתומה לתוכן.
שדה`asset_url`	סוגstring	משמעותכתובת URL חתומה לתוכן התמליל; מוחזרת עם task_id כאשר תמליל לא ריק מאוחסן, מפורסם ומקבל כתובת URL חתומה לתוכן.

שגיאות והשלבים הבאים

תגובה	תנאי	השלב הבא
תגובה⁦400⁩ · `invalid_request_error`	תנאישדות נדרשים, ייצוג חומר או ערך פרמטר שאינם תקינים	השלב הבאתקנו את השדות שצוינו לפני בקשת יצירה חדשה.
תגובה`server_error`	תנאיהתשובה שהוחזרה מציינת שהפעולה או התוצאה דורשת בדיקה	השלב הבאשמרו את מזהה הפעולה/המשימה המקורי שהוחזר, את כותרות הבקשה ואת התשובה; המשיכו לבצע פעולות קריאה נתמכות של אותה פעולה מקורית. אל תשלחו שוב את בקשת היצירה.

כינויים

כינויים למודל

Ailoot Ultra fish-audio/transcribe-1-pro

כינויים לנתיבי שיטות

השתמשו בנתיבי השיטות המוצגים למעלה.

מזהי מודלים קשורים IDs

fish-audio/transcribe-1-pro

FAQ · Fish Audio: Transcribe 1 Pro

אילו קלטים ותוצאות זמינים?: POST /v1/audio/transcriptions · fish-audio/transcribe-1-pro: audio → text
באילו שדות הבקשה משתמשת?: POST /v1/audio/transcriptions · fish-audio/transcribe-1-pro: model, input_audio, response_format

Fish Audio: Transcribe 1 Pro