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.
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.
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 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.
", "aboutText": "### Beszélgetés felvétele szövegként\n\nA 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.\n\n### Nyelv és több résztvevő\n\nTámogatott 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.\n\nAz 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.\n\n### Az eredmény formája\n\nA 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.\n\nFokozatos 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.\n\n### A felvétel követelményei\n\nA 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.\n\nA 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.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "3dbddcb7ccb2d13113c8a3aef76e5b5301612e17bf227a44a7b5609a9fac0055", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "hu", "methods": [ { "html": "asr-1.0A MiniMax ASR 1.0 hangból szöveget készít, támogatja az oroszt, a megszólalások beszélők szerinti elkülönítését és az időbélyegeket.
Ez a leírás a modell képességeit ismerteti. Az Ailootban elérhető bemenetek, kimenetek és lehetőségek alább, a kiválasztott metódusnál láthatók.
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.
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.
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 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.
POST /v1/audio/transcriptionsaudiotext| 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— |
speech_to_text · Kötelező: actual audio file
| 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.
POST /v1/audio/transcriptionsAz 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 →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_AUDIO_FILE:?Set your actual MP3 recording}"\nexport AILOOT_AUDIO_FILE\npython3 - <<'PY_REQUEST'\nimport os\nfrom pathlib import Path\nf=Path(os.environ["AILOOT_AUDIO_FILE"])\nif not f.is_file() or f.suffix.lower()!=".mp3":raise SystemExit("Choose your actual MP3 recording")\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" \\\n --form-string model=asr-1.0 -F "file=@$AILOOT_AUDIO_FILE" \\\n -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\njson
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}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.
Őrizze meg az eredeti operation_id/X-Client-Request-ID értéket az egyeztetéshez, újbóli beküldés nélkül; nincs külön hangállapot-lekérdezési útvonal.
| Mező | Típus |
|---|---|
Mezőtext | Típusstring |
Mezősegments[] | Típusobject |
Mezőtask_id | Típusstring |
Mezőasset_url | Típusstring |
Mezőusage | Típusobject |
| 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. |
Ailoot asr-1.0
Használja a fent látható metódusútvonalakat.