Deepgram: Nova-3
A Nova-3 a Deepgram általános célú beszédfelismerő modellje rögzített és folyamatosan érkező hanghoz. Egy nyelven történő felismerést, meghatározott többnyelvű nyelvváltási módot és kulcskifejezésekkel való irányítást támogat, szószintű időzítést és konfidenciaadatokat tartalmazó átiratokat adva vissza.
A modellről
Ez a leírás a modell képességeit ismerteti. Az Ailootban elérhető bemenetek, kimenetek és lehetőségek alább, a kiválasztott metódusnál láthatók.
A Nova-3 a Deepgram általános célú beszédfelismerő modellje hang szöveggé alakításához. A gyártó megbeszélésekhez, események feliratozásához, több beszélős felvételekhez és nehéz körülményekhez, például zajhoz vagy távoli mikrofonokhoz ajánlja, előre rögzített vagy folyamatosan érkező hang átírásával. Hasznos eredménye a forráshanghoz kapcsolva megmaradó felismert beszéd, időzítéssel és konfidenciaadatokkal.
Válassza ki a nyelvi munkafolyamatot
A dokumentált alapértelmezett nyelv az angol. Egy egynyelvű kérés kiválasztja a beszélt nyelvet vagy a támogatott területi nyelvváltozatot. Az általános modell jelenlegi táblázata angol regionális változatokat, spanyolt, franciát, németet, oroszt, portugált, japánt, olaszt, hollandot, arabot, kínai írásrendszereket és számos más nyelvet tartalmaz, köztük a kazakot. A gyártó támogatott kódjaiból válasszon, ahelyett, hogy bármely területi nyelvváltozat nevét elfogadottnak feltételezné.
A többnyelvű beállítás külön nyelvváltási munkafolyamat. A jelenlegi Nova-3 táblázat ehhez tíz nyelvet sorol fel: angol, spanyol, francia, német, hindi, orosz, portugál, japán, olasz és holland. Ez a készlet nem azonos a nagyobb egynyelvű listával. A támogatott nyelvek között váltakozó felvételnél a többnyelvű módot készítse elő, ahelyett, hogy az egész beszélgetést egy hozzá nem illő egynyelvű beállításba kényszerítené. Bármely lefordított vagy összefoglalt változat elkészítése előtt őrizze meg az elhangzottakat.
Rögzített hang és az átirat előkészítése
A Deepgram fájlos munkafolyamata feltöltött hangadatokat vagy egy hangfájlra mutató hivatkozást fogad el. A kérés befejezésekor mentse a visszaadott átiratot; a gyártó nem tárolja az átiratokat későbbi lekéréshez. A gyakori dokumentált bemeneti formátumok és kódolások között MP3, MP4, MP2, AAC, WAV, FLAC, PCM, M4A, Ogg, Opus és WebM szerepel. A felvétel mellett őrizze meg a tényleges formátumot és a csatornainformációkat. Adjon a felvételnek állandó azonosítót, és az eredményt tartsa a megfelelő forráshoz és annak csatornainformációihoz kapcsolva. Megbeszélésnél az eredeti hangot hallgatva ellenőrizze a résztvevők neveit és a műszaki kifejezéseket. Előadásnál vagy eseménynél őrizze meg a hang sorrendjét, hogy egy későbbi felirat vagy találat megkereshesse a releváns részletet.
A gyártó előre rögzített hanghoz adott útmutatója 2 GB maximális fájlméretet sorol fel, és nagy videófájlból a hangfolyam kinyerését javasolja. A Nova-kérésekhez tízperces feldolgozási időkorlátot is dokumentál. Ez az időkorlát a kérés feldolgozásának hosszára vonatkozik, nem tízperces maximális felvételhosszra. Egy hasznos eredmény tartalmazza a tervezett felvétel végét is; a részlegesen megőrzött átiratot nem szabad teljes szövegként kezelni.
Olvassa el a szavakat, időket és konfidenciaadatokat
A dokumentált JSON-válasz átiratváltozatokat és felismert szavakat tartalmaz, minden szónál a hang kezdetétől másodpercben mért kezdő- és végidővel, valamint konfidenciaértékkel. Több beszélős átiratnál a gyártó opcionális beszélőelkülönítése minden szóhoz beszélőcímkét rendel. Előre rögzített hangnál a beszélőelkülönítés a beszélőazonosítás konfidenciáját is visszaadja; folyamatos hangnál a beszélőcímkét adja vissza. A címkéket vesse össze a felvételen hallható hangokkal. Az átirat teljes konfidenciáját is jelenti 0–1 skálán. Ha intelligens formázást kérnek, az eredmény írásjelekkel ellátott szavak formájában írásjeleket és nagybetűsítést, valamint olvasható bekezdés-információkat tartalmazhat.
A mezőket a jelentésük szerint használja. Egy szó időadata megmutatja a felismert beszéd helyét, míg a konfidencia a modell megbízhatósági jelzése, nem bizonyíték arra, hogy egy nehéz nevet vagy mennyiséget helyesen hallott. Felirat-előkészítésnél az időzítést az ellenőrzött szöveg mellett őrizze meg, és a határokat vesse össze a hanggal. Olvasható szerkesztett változatnál a módosítások legyenek megkülönböztethetők a felismert átirattól, ahelyett, hogy a bizonytalan szavakat észrevétlenül egy hihető történetre cserélné.
Folyamatos felismerés és végleges szegmensek
A Nova folyamatos munkafolyamata a hang beérkezésével ad vissza szöveget, köztes és végleges eredményekkel. Az is_final jelző megkülönbözteti a még módosítható szöveget a véglegesített szegmenstől. A speech_final jelző egy beszédszegmens lezárásának felismeréséhez kapcsolódik. Ezeket a jelzéseket tartsa külön attól, hogy pusztán nem üres átirat érkezett, és a kész feljegyzés előkészítésekor a végleges szegmenseket a hang sorrendjében őrizze meg.
A Nova-3 általános automatikus beszédfelismerő, nem a különálló Flux társalgási modell, amely modellbe épített megszólalás-felismeréssel rendelkezik. A Nova az átirat véglegességét és a beszéd lezárásait jelöli; a Flux saját eseményeket szolgáltat a beszélgetési megszólalások állapotáról. Az átírási munkafolyamatot aszerint válassza meg, hogy a hang már rögzített-e vagy élőben érkezik, és a tényleges végleges kimenetet használja megőrzendő eredményként.
Kulcskifejezések a fontos szókincshez
A Nova-3 dokumentált Keyterm Prompting funkciója egynyelvű és többnyelvű átírást támogat, és a fontos kifejezések felé igazítja a felismerést a modell újratanítása nélkül. Olyan releváns neveket, termékkifejezéseket, betűszókat vagy többszavas kifejezéseket adjon meg, amelyek valóban elhangozhatnak. Az útmutató az összes kulcskifejezés együttes bemenetét 500 tokenre korlátozza, és a legfontosabb szókincsre való összpontosítást javasolja a közönséges szavak válogatás nélküli hozzáadása helyett.
A gyártó szintaxisa egyszerű kifejezéseket használ, mindegyikhez külön keyterm bejegyzéssel. Egy többszavas kifejezés egyetlen kifejezés marad. A régi kulcsszósúlyok vagy erősítők, illetve külön kifejezések vesszővel, pontosvesszővel vagy sortöréssel való összefűzése nem egyenértékű: a felület egyetlen szó szerinti értékként elfogadhatja őket anélkül, hogy a kívánt kiemelést biztosítaná. A neveknél használjon helyes kis- és nagybetűzést, majd ellenőrizze az átiratot, mert a hangkörnyezet és az intelligens formázás továbbra is megváltoztathatja a végső írásképet.
A modellcsalád határai és hasznos eredmények
Az általános Nova-3 profil különbözik a külön megnevezett Medical és Pharma lehetőségektől. A szókincs alapján történő irányítás nem alakítja más kiadássá, és a specializált modellek nyelvi lefedettségét vagy működését nem szabad az általános modellre feltételezni. A további átiratfeldolgozási funkciók a gyártó beszédfolyamatának választható elemei, nem bizonyítékok arra, hogy a felismerés összefoglalót, fordítást vagy más, soha nem kért eredményt állított elő.
Hasznos Nova-3 eredmény lehet egy kereshető megbeszélés-átirat, szószintű időzítéssel feliratozásra kész szöveg vagy egy többnyelvű beszélgetés feljegyzése. Őrizze meg a hangazonosítót, a választott nyelvi munkafolyamatot, a végső szöveget és a hasznos konfidencia- vagy időzítési mezőket. A nem egyértelmű neveket, számokat, átfedő hangokat és nyelvváltásokat az eredeti felvétellel összevetve ellenőrizze, és a ténylegesen felismert beszédet tartsa elérhetően a következő tartalomfeldolgozási lépéshez.
Ailoot Ultra · Beszédfelismerés POST /v1/audio/transcriptions deepgram/nova-3
deepgram/nova-3Kezdő lépések
A Nova-3 a Deepgram általános célú beszédfelismerő modellje rögzített és folyamatosan érkező hanghoz. Egy nyelven történő felismerést, meghatározott többnyelvű nyelvváltási módot és kulcskifejezésekkel való irányítást támogat, szószintű időzítést és konfidenciaadatokat tartalmazó átiratokat adva vissza.
- Elfogadott bemenetek
- Hang
- Eredmények
- transcription
Elérhető az Ailootban · bemenetek és metódusok
Ailoot Ultra · Beszédfelismerés POST /v1/audio/transcriptions
- Bemenet
audio- Kimenet
transcription- Kimeneti formátum
- json
| Mező | Típus | Követelmény | Értékek és korlátok | Alapértelmezett |
|---|---|---|---|---|
Mezőmodel | Típusstring | KövetelményKötelező | Értékek és korlátok deepgram/nova-3 | Alapértelmezett— |
Mezőinput_audio | Típusobject | KövetelményKötelező | Értékek és korlátok | Alapértelmezett— |
Mezőlanguage | Típusstring | KövetelményOpcionális | Értékek és korlátok | Alapértelmezett— |
Mezőtemperature | Típusnumber | KövetelményOpcionális | Értékek és korlátok Minimum: 0 Maximum: 1 | Alapértelmezett— |
Mezőresponse_format | Típusstring | KövetelményOpcionális | Értékek és korlátok json, verbose_json | Alapértelmezettjson |
Mezőtimestamp_granularities | Típusarray | KövetelményOpcionális | Értékek és korlátok | Alapértelmezett— |
Mezőprovider | Típusobject | KövetelményOpcionális | Értékek és korlátok | Alapértelmezett— |
Bemeneti anyagok kombinációi
speech_to_text · Kötelező: actual matching-format audio file
Metódus paraméterei és életciklusa
| Paraméter | Szerződés |
|---|---|
Paramétercontent_types | Szerződésapplication/json, multipart/form-data |
Paraméterrequired | Szerződésmodel, input_audio |
Paramétermaterial_types | Szerződésaudio |
ParaméterJSON_audio | Szerződésa tényleges nyers hangbájtok base64 formában, hozzájuk illő formátummal |
Paramétermultipart_required | Szerződésmodel, file |
Paramétermultipart_cap_bytes | Szerződés26214400 |
Paraméteroptional_controls | Szerződéslanguage, temperature, response_format, timestamp_granularities, provider |
Paraméterdefault_response_format | Szerződésjson |
Paraméteroptional_features | SzerződésA részletes kimenet, a diarize/keyterms, valamint az URL-címről vagy nagyobb beágyazott hangból történő feldolgozás az adott modell és szolgáltató pontos képességét és tarifáját igényli. |
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}
Használja a pontos modellt és a dokumentált bemeneti mezőket.
Őrizze meg a teljes választ, minden tényleges kimenetet és az eredetileg visszaadott azonosítókat.
Díjcsomagok
A díjszabás nem ad új kérési lehetőségeket. A támogatott paraméterek a kiválasztott módszernél szerepelnek.
- Gyors mód
- Nincs megadva Ha a gyors mód van kiválasztva
- Flex mód
- Nincs megadva Ha a flex mód van kiválasztva
- Maximális gondolkodási ráfordítás
- Nincs megadva Ha a maximális gondolkodási ráfordításra a default beállításhoz tartozó korrekció vonatkozik
Ailoot-díjak
Árak beállításonként
Minden díjat a megjelenített feltételekhez rendeljen. Az alternatív beállítások minden csoportjához egy díjtételt használjon.
| Beállítás | Díjtáblázat | Elszámolási egység | Díj |
|---|---|---|---|
| BeállításTokenek alapdíjai | DíjtáblázatAlapdíj | Elszámolási egység— | Díj Bemenet · Bemeneti tokenek — / 1K token Kimenet · Kimeneti tokenek — / 1K token Bemenet · Gyorsítótár olvasása — / 1K token Bemenet · Írás a gyorsítótárba — / 1K token Bemenet · Írás a gyorsítótárba, 1 óra — / 1K token |
| BeállításUltra | Díjtáblázat— | Elszámolási egységbemeneti hangmásodpercenként | Díj Bemenet · bemeneti hangmásodperc $0.0001433333333334 bemeneti hangmásodpercenként |
Az Ailoot a kérés előtt becsült összeget foglal le. Az eredmény után a mért használat alapján elszámolja a végső díjat. Folyamatos átvitel esetén a végső használati rekordot használja. A foglalás és az elszámolás működése →
A referencia-díjszabás részletei
A modellszintű referenciatáblázatok nem módosítják a metódusválasztást, az árajánlatokat vagy a díjakat. A tényleges díjak a kiválasztott Ailoot-metódus díjtételeit használják.
Deepgram: Nova-3
Árak beállításonként
| Beállítás | Elszámolási feltételek | Díj |
|---|---|---|
| BeállításDeepgram: Nova-3 · Alapértelmezett beállítások | Elszámolási feltételekAlapértelmezett konfiguráció | Díj Bemenet · Bemeneti hang másodpercei ≈0,000143 USD bemeneti hangmásodpercenként |
Példakérések
Ailoot Ultra · Beszédfelismerés
set -eu
: "${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.
Eredmények fogadása és mentése
Ailoot Ultra · Beszédfelismerés
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 eredeti JSON, minden elérhető szöveg, szegmens, szó, beszélő, időbélyeg és felhasználási adat.
Ha az eredeti választ ellenőrizni kell
Őrizze meg az eredeti operation_id/X-Client-Request-ID értékeket és az eredeti választ. A tényleges saját feladat- és médiarekordokat kérdezze le újraküldés nélkül; külön hangállapot-lekérdezési URL-cím nem képződik.
Válaszmezők
| Mező | Típus |
|---|---|
Mezőtext | Típusstring |
Mezőusage | Típusobject |
Mezősegments[] | Típusobject |
Mezőwords[] | Típusobject |
Álnevek
Modell álnevei
Ailoot Ultra deepgram/nova-3
Metódusútvonalak álnevei
Használja a fent látható metódusútvonalakat.
Kapcsolódó modellazonosítók
FAQ · Deepgram: Nova-3
- Milyen bemenetek és eredmények érhetők el?
POST /v1/audio/transcriptions·deepgram/nova-3:audio→transcription- Mely mezőket használja a kérés?
POST /v1/audio/transcriptions·deepgram/nova-3:model,input_audio,language,temperature,response_format,timestamp_granularities,provider- Milyen korlátok érvényesek?
POST /v1/audio/transcriptions·deepgram/nova-3:temperature.minimum:0;temperature.maximum:1