asr-1.0
A MiniMax ASR 1.0 hangból szöveget készít, támogatja az oroszt, a megszólalások beszélők szerinti elkülönítését és az időbélyegeket.
A modellről
Ez a leírás a modell képességeit ismerteti. Az Ailootban elérhető bemenetek, kimenetek és lehetőségek alább, a kiválasztott metódusnál láthatók.
Beszélgetés felvétele szövegként
A MiniMax ASR 1.0 felismeri a beszédet a hangfájlban. A gyártó találkozókhoz, interjúkhoz, podcastokhoz, videók hangsávjához, tartalomellenőrzéshez és beszélgetéselemzéshez ír le felhasználást. A modell társalgási beszédre, zajra és szakmai szókincsre van hangolva, a kitalált részletek csökkentésére helyezve a hangsúlyt. Ezen az Ailoot-kártyán a bemenet hang, az eredmény szöveg.
Nyelv és több résztvevő
Támogatott az orosz és az ukrán, az angol, a francia, a német, a spanyol, az olasz, a portugál és a lengyel; továbbá a kínai, a kantoni, a japán, a koreai, a thai, a vietnámi, az indonéz, a maláj, a filippínó, az arab és a török. Ha nincs nyelv megadva, a modell automatikusan felismeri a fő nyelvet; a gyártó külön leírja a kínai és az angol beszéd kombinációját.
Az eredmény kibővített megjelenítésében a modell elkülönítheti a beszélőket, és időhöz kötheti a megszólalásokat. Visszaadja a résztvevők összesített számát és a beszélőcímkét, kezdést, befejezést és szöveget tartalmazó szegmenseket. Ez segít megállapítani, ki és mikor mondott egy konkrét megszólalást, a különböző résztvevők szavainak összekeverése nélkül.
Az eredmény formája
A gyártó szokásos JSON-t kínál szöveggel és időtartammal, kibővített verbose_json formátumot, valamint SRT- és WebVTT-feliratokat. Az időbélyegek alapértelmezés szerint mondat- vagy szegmensszintűek. Külön szavak jelölése az angolhoz, külön karaktereké a kínaihoz van leírva; e jelölések időben illesztett formátumokhoz tartoznak.
Fokozatos szöveges kimenet lehetséges, de nem kombinálható beszélők szerinti elkülönítéssel és feliratformátumokkal. E mód a már elküldött fájl feldolgozása során adja vissza a felismert szöveg új részleteit. Ez eredménystream, nem folyamatos mikrofonhang-küldés.
A felvétel követelményei
A megadott bemeneti formátumok: WAV, AIFF, FLAC, ALAC M4A-konténerben, MP3, AAC, Opus és Ogg. A fájl legfeljebb 500 másodpercnyi hangot tartalmazhat, és legfeljebb 50 MB méretű lehet. Az időtartam túllépése elutasítást eredményez, nem észrevétlen levágást. Nyers PCM konténer nélkül nem támogatott.
A felvétel előkészítéséhez a gyártó 16 kHz-es monó hangot vagy tömörített hangformátumot ajánl: a magas frekvencia és a sztereó nem szükséges a felismeréshez, és növeli a fájlméretet. A kibővített kimenet és a streamfeldolgozás képességei az ASR 1.0 verzióhoz tartoznak; az adott kérés elérhető válaszformátumát az Ailoot eszközei határozzák meg.
Ailoot · Beszéd átírása szöveggé POST /v1/audio/transcriptions asr-1.0
asr-1.0Kezdő lépések
A MiniMax ASR 1.0 hangból szöveget készít, támogatja az oroszt, a megszólalások beszélők szerinti elkülönítését és az időbélyegeket.
- Elfogadott bemenetek
- Hang
- Eredmények
- Szöveg
Elérhető az Ailootban · bemenetek és metódusok
Ailoot · Beszéd átírása szöveggé POST /v1/audio/transcriptions
- Bemenet
audio- Kimenet
text- Kimeneti formátum
- json
| Mező | Típus | Követelmény | Értékek és korlátok | Alapértelmezett |
|---|---|---|---|---|
Mezőmodel | Típusstring | KövetelményKötelező | Értékek és korlátok asr-1.0 | Alapértelmezett— |
Mezőfile | Típusfile | KövetelményKötelező | Értékek és korlátok Maximális bájtszám: 52 428 800 Fájlformátumok: wav, mp3, m4a, ogg, webm, flac Tartalomtípus: multipart/form-data Maximális időtartam (kizáró), másodperc: 500 | Alapértelmezett— |
Mezőresponse_format | Típusstring | KövetelményOpcionális | Értékek és korlátok json | Alapértelmezett— |
Bemeneti anyagok kombinációi
speech_to_text · Kötelező: actual audio file
Metódus paraméterei és életciklusa
| Paraméter | Szerződés |
|---|---|
Paramétermaterial_types | Szerződésaudio |
Paraméterrequired | Szerződésnull |
Paraméteroptional_controls | Szerződésnull |
Életciklus: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · A ténylegesen visszaadott task_id vagy a médiatár bejegyzése
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
A metódusok szerkezete és azonosítói pontosak; a beszállítói képesség különbözik a kérelmek befogadásától.
Díjcsomagok
Ailoot-metódusok díjai
POST /v1/audio/transcriptions- Bemenet
- 0,38 USD hangóránként
Az Ailoot a kérés előtt becsült összeget foglal le. Az eredmény után a mért használat alapján elszámolja a végső díjat. Folyamatos átvitel esetén a végső használati rekordot használja. A foglalás és az elszámolás működése →
Példakérések
Ailoot · Beszéd átírása szöveggé
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_AUDIO_FILE:?Set your actual MP3 recording}"
export AILOOT_AUDIO_FILE
python3 - <<'PY_REQUEST'
import os
from pathlib import Path
f=Path(os.environ["AILOOT_AUDIO_FILE"])
if not f.is_file() or f.suffix.lower()!=".mp3":raise SystemExit("Choose your actual MP3 recording")
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \
-H "Authorization: Bearer $AILOOT_API_KEY" \
--form-string model=asr-1.0 -F "file=@$AILOOT_AUDIO_FILE" \
-D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
print(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))
PY_RESULT
Eredmények fogadása és mentése
Ailoot · Beszéd átírása szöveggé
json
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
Őrizzen meg minden elkészült eredményt
Őrizzen meg minden teljes visszaadott választ, fájlt és tartalomrészt.
A teljes JSON-t őrizze meg, ne csak a szöveget; tartson meg minden elérhető szegmenst, beszélőt és időbélyeget, valamint a tényleges feladat- és médiaazonosítókat.
Ha az eredeti választ ellenőrizni kell
Őrizze meg az eredeti operation_id/X-Client-Request-ID értéket az egyeztetéshez, újbóli beküldés nélkül; nincs külön hangállapot-lekérdezési útvonal.
Válaszmezők
| Mező | Típus |
|---|---|
Mezőtext | Típusstring |
Mezősegments[] | Típusobject |
Mezőtask_id | Típusstring |
Mezőasset_url | Típusstring |
Mezőusage | Típusobject |
Hibák és következő lépések
| Válasz | Feltétel | Következő lépés |
|---|---|---|
Válasz400 · invalid_request_error | FeltételÉrvénytelen kötelező mezők, az anyag érvénytelen reprezentációja vagy érvénytelen paraméterérték | Következő lépésJavítsa a jelzett mezőket egy új létrehozási kérés előtt. |
Válaszserver_error | FeltételA visszaadott válasz szerint a művelet vagy az eredmény ellenőrzést igényel | Következő lépésŐrizze meg az eredetileg visszaadott művelet- vagy feladatazonosítót, a kérés fejléceit és a választ; folytassa az eredeti művelet támogatott lekérdezéseit. Ne küldje be újra a létrehozási kérést. |
Álnevek
Modell álnevei
Ailoot asr-1.0
Metódusútvonalak álnevei
Használja a fent látható metódusútvonalakat.
Kapcsolódó modellazonosítók
FAQ · asr-1.0
- Milyen bemenetek és eredmények érhetők el?
POST /v1/audio/transcriptions·asr-1.0:audio→text- Mely mezőket használja a kérés?
POST /v1/audio/transcriptions·asr-1.0:model,file,response_format