OpenAI: Whisper Large V3
Whisper large-v3 הוא נקודת ביקורת רב־לשונית לזיהוי דיבור של OpenAI, בעלת משקולות פתוחות, לתמלול ולתרגום דיבור לאנגלית. הוא ממיר דיבור מוקלט לטקסט, עם בחירת שפה, חותמות זמן ועיבוד תוכן ארוך מעבר לחלון האקוסטי שלו בן 30 השניות, כמתועד.
על המודל
התיאור הזה מציג את יכולות המודל. הקלט, הפלט והאפשרויות הזמינים ב-Ailoot מפורטים בהמשך לפי השיטה שנבחרה.
Whisper large-v3 הוא נקודת ביקורת שפורסמה לזיהוי דיבור של OpenAI, עם כ־1.55 מיליארד פרמטרים. זהו מודל רב־לשוני מסוג מקודד–מפענח: השמע נכנס למקודד והמפענח חוזה טקסט וטוקנים הקשורים למשימה. המשימות העיקריות הן תמלול דיבור בשפת המקור ותרגום דיבור לאנגלית. זוהי זהות של מודל בעל משקולות פתוחות, הנפרדת ממזהה מודל בשירות מתארח או מכללי העלאה ופורמטי תגובה של אותו שירות.
Large-v3 משמר את הארכיטקטורה של נקודות הביקורת הגדולות הקודמות של Whisper עם שני שינויים מוצהרים: קלט הספקטרוגרמה שלו משתמש ב־128 ערוצי תדר Mel במקום 80, והוא מוסיף טוקן שפה לקנטונזית. כרטיס המודל של היצרן מתאר אימון על מיליון שעות שמע בעלות תיוג חלש וארבעה מיליון שעות שמע בעלות תיוג מדומה שהוכן באמצעות Whisper large-v2. תערובת זו שימשה לשני סבבי אימון. ההפצה היא נקודת ביקורת מסוימת של large-v3, ולא שם כללי לכל מודל במשפחת Whisper.
תהליך ההסקה המתועד מבצע תמלול כברירת מחדל, תוך שימור השפה המדוברת בהקלטה. הוא יכול לזהות את שפת המקור אוטומטית או לקבל בחירה של שפה ידועה. לתרגום, המודל הרב־לשוני הגדול מספק תוצאה טקסטואלית באנגלית מדיבור שאינו באנגלית. בחרו במשימה במפורש: תמליל באותה שפה ותרגום לאנגלית הם תוצרים שונים. לראיון שמרו על הנוסח בשפת המקור; למסמך עזר באנגלית ציינו שהתוצאה הרצויה היא תרגום התוכן המדובר.
הכנת השמע היא חלק מנתיב הקלט. טוען השמע של OpenAI מפענח הקלטה לגל מונו ודוגם אותה מחדש ל־16 kHz. שדה הקליטה האקוסטי של המודל הוא 30 שניות. זהו חלון עיבוד, ולא האורך המרבי של ראיון או הרצאה שלמים. הסקה לתוכן ארוך יכולה להתקדם ברצף בחלונות נעים, או לפצל הקלטה ארוכה למקטעים חופפים ולחבר את תמליליהם. כרטיס המודל של היצרן מתאר עיבוד רציף כאשר הדיוק בעדיפות, ועיבוד במקטעים כאשר זמן הטיפול בהקלטה ארוכה יחידה חשוב יותר.
התצורה שפורסמה מונה 448 עמדות מפענח לרצף פענוח בודד. הקלטות ארוכות מטופלות בתהליך התוכן הארוך, במקום לפרש מספר זה כמגבלת תמליל אוניברסלית. תהליך העבודה המתועד יכול להחזיר חותמות זמן ברמת מקטע או מילה לצד הטקסט שזוהה. פלטי התזמון שימושיים לניווט בהקלטות ולהכנת כתוביות, בעוד מכולת הכתוביות הסופית או פורמט קובץ התמליל הם בחירה נפרדת של עיצוב הפלט. שמרו על תזמון ההקלטה בעת הכנת השמע אם התמליל אמור להיות מיושר לחומר המקורי.
תפקידו המיועד של Whisper הוא זיהוי ותרגום דיבור. תמליל הרצאה, רישום ראיון או אוסף חומר מדובר הניתן לחיפוש הם פלטים מעשיים; סיכום או פרשנות יכולים לבוא כשלב נוסף על גבי הטקסט. כרטיס המודל אינו מבסס סיווג דוברים אוטומטי חסין או הפרדה לדוברים כפלט תקני של נקודת הביקורת הבסיסית. אם המשימה דורשת תוויות דובר, יש לטפל בדרישה בנפרד מהטענה לדיוק התמליל. בריף שימושי מזהה את שפת המקור, האם דרושים תמלול או תרגום לאנגלית, והאם נדרש מידע תזמון.
מגבלות מהותיות כוללות טקסט מומצא שמעולם לא נאמר וטקסט חוזר, הקשורים לאימון בפיקוח חלש על נתונים רועשים ולעיצוב רצף־לרצף. איכות הזיהוי משתנה בין שפות, מבטאים וניבים, עם תוצאות חלשות יותר במקומות שיש עבורם פחות חומר אימון. לכן רעש, אוצר מילים מקצועי ודיבור חופף צריכים להיכלל בדוגמה המשמשת לשיפוט ההתאמה. השוו שמות, כמויות ואמירות חשובות להקלטה, ובדקו קטעים ללא דיבור או שורות חוזרות במקום להתייחס לתמליל שוטף כהוכחה שכל מילה נשמעה.
תוצאה מלאה שומרת את הטקסט שזוהה, את שפתו וכל תזמון שהתבקש, יחד עם הפניה להקלטה המקורית. הפרידו תמלול מעריכה מאוחרת: תמליל פרסום מתוקן עשוי להסיר מילות מילוי, בעוד התמליל המזוהה שומר את מה שהמודל החזיר בפועל. גם הזהות ויכולת התרגום של Large-v3 צריכות להישאר נפרדות מגרסת Turbo המהירה יותר. מהירות העיבוד בפועל תלויה בשפה, בקצב הדיבור, בחומרה ובשיטת ההסקה; השם של נקודת הביקורת כשלעצמו אינו קובע השהיה מתארחת מסוימת, גודל העלאה מרבי או נתיב יישום פעיל.
Ailoot Ultra · זיהוי דיבור POST /v1/audio/transcriptions openai/whisper-large-v3
openai/whisper-large-v3התחלה
Whisper large-v3 הוא נקודת ביקורת רב־לשונית לזיהוי דיבור של OpenAI, בעלת משקולות פתוחות, לתמלול ולתרגום דיבור לאנגלית. הוא ממיר דיבור מוקלט לטקסט, עם בחירת שפה, חותמות זמן ועיבוד תוכן ארוך מעבר לחלון האקוסטי שלו בן 30 השניות, כמתועד.
- 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 openai/whisper-large-v3 | 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 $0.000015 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.
OpenAI: Whisper Large V3
מחירים לפי תצורה
| תצורה | תנאי חיוב | חיוב |
|---|---|---|
| תצורהOpenAI: Whisper Large V3 · תצורת ברירת המחדל | תנאי חיובתצורת ברירת מחדל | חיוב קלט · שניות שמע בקלט 0.000015 $ 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': 'openai/whisper-large-v3', '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 openai/whisper-large-v3
כינויים לנתיבי שיטות
השתמשו בנתיבי השיטות המוצגים למעלה.
מזהי מודלים קשורים IDs
FAQ · OpenAI: Whisper Large V3
- אילו קלטים ותוצאות זמינים?
POST /v1/audio/transcriptions·openai/whisper-large-v3:audio→transcription- באילו שדות הבקשה משתמשת?
POST /v1/audio/transcriptions·openai/whisper-large-v3:model,input_audio,language,temperature,response_format,timestamp_granularities,provider- אילו מגבלות חלות?
POST /v1/audio/transcriptions·openai/whisper-large-v3:temperature.minimum:0;temperature.maximum:1