Fish Audio: Transcribe 1

A Transcribe 1 rövid hangfelvételeket alakít szöveggé automatikus nyelvfelismeréssel és opcionális, szószintű időbélyegekkel. A leirat hangjegyzetekhez, kereshető klipekhez vagy feliratok előkészítéséhez használható; az időzített szegmenseket tartsd külön az olvasható teljes szövegtől.

Ailoot Ultra · Hang átírása POST /v1/audio/transcriptions fish-audio/transcribe-1

A modellről

Ez a leírás a modell képességeit ismerteti. Az Ailootban elérhető bemenetek, kimenetek és lehetőségek alább, a kiválasztott metódusnál láthatók.

A Transcribe 1 a Fish Audio általános beszédfelismerő modellje rövid felvételekhez. Hangfájlt fogad, és a felismert szavakat szövegként adja vissza a felvétel időtartamával, opcionális időzített szegmensekkel és az ismert nyelvi információkkal együtt. Rövid hangjegyzethez, szóbeli utasításhoz, felvételrészlethez vagy olvasható szöveges változatot igénylő hangkliphez hasznos.

Egy szemléltető hangjegyzet-folyamat együtt tartja a felvételt, a teljes leiratot és az eredeti klip azonosítóját. Egy későbbi alkalmazáslépés kereshet a szövegben, rendszerezheti a jegyzetet vagy összefoglalót készíthet a beszélt forrás megőrzésével. Parancsnál a leirat a felismert szavakat adja át az alkalmazásnak; bármely művelet külön értelmezési és végrehajtási lépés. Interjúrészletnél rögzítsd a klip helyét a teljes hanganyagban, hogy az idézet a megfelelő ponton ellenőrizhető legyen.

A gyártó WAV, MP3, AAC — beleértve az M4A/MP4-et —, FLAC és Opus- vagy Vorbis-hangot tartalmazó Ogg formátumot fogad. A böngészőben készült WebM-felvételeket ehhez a modellhez Ogg/Opus, MP3 vagy WAV formátumra kell alakítani; a Pro további konténerek natív támogatását dokumentálja. Kérésenként egy hangfájlt adj meg. Az alapmodell dokumentált kéréskerete legfeljebb 50 MiB, az MP3- és Opus-fájloknak 25 MiB alatt kell maradniuk. A fájlméret és a felvételhossz eltérő szempont: egy tömörített fájl beleférhet a feltöltési keretbe, miközben feldolgozása túl sokáig tart.

A Transcribe 1-et rövid felvételekhez tervezték. A gyártó a néhány percnél hosszabb hanghoz a Pro-t ajánlja; az alapmodell hosszú kérése sikertelen lehet, ha túllépi a feldolgozási időkorlátot. Hosszabb forrás rövid klipekben történő átírásakor őrizd meg minden klip kezdőeltolását, és összefűzés előtt győződj meg arról, hogy a visszaadott leirat lefedi a teljes klipet. A helyi szegmensidőkhöz add hozzá az eredeti eltolást, hogy a navigáció a teljes felvételhez kapcsolódjon. Az alapmodell útmutatását nem szabad a Pro külön 60 perces kereteként értelmezni.

A gyártói válasz szöveget, időtartamot és szegmenseket tartalmaz. Az időtartam másodpercben értendő, és az olvasható teljes leiratot kell a klip elsődleges szövegváltozataként megőrizni. Az időbélyegek opcionálisak: a gyártói API-ban az ignore_timestamps alapértéke true, a false pedig szószintű, szöveget, valamint másodpercben megadott kezdő- és végidőt tartalmazó szegmenseket kér. Az illesztés kérése növeli a feldolgozási időt. Az üres segments tömb jelenthet kihagyott időzítést, beszédhiányt vagy átmenetileg elérhetetlen illesztést, ezért nem értelmezhető automatikusan üres teljes leiratként.

A szegmensek általában szavak, kínai és japán esetén egy vagy néhány karakter. Szövegük nem tartalmaz írásjeleket, és egy értéket a teljes leirattól eltérően normalizálhat; nem az olvasható válasz karakterpontos másolatai. Egy szegmens kezdő- és végideje azonos is lehet. A szegmenseket a felvétel egy pontjának megtalálásához vagy időzített megjelenítéshez használd, a teljes szöveget pedig akkor, amikor a megfogalmazás és a központozás számít. Az eredményben tartsd külön ezt a két megjelenítési formát.

A nyelvet a rendszer automatikusan felismeri, függetlenül attól, hogy megadsz-e opcionális nyelvi támpontot. A gyártó kisbetűs ISO 639-1 kódokat dokumentál a támpontokhoz, és ismert nyelvnél az alkalmazáslogika számára nyelvkódot, a megjelenítéshez nyelvnevet ad vissza. A válasz egy nyelvet jelent, nem a nyelvek között váltó felvétel összes nyelvét. Az eredménnyel együtt őrizd meg a forrás megfogalmazását és a rendelkezésre álló nyelvi metaadatokat; az átírási kérést ne kezeld fordításként.

Feliratozási folyamatnál az egymást követő időzített szegmenseket olvasható felirategységekbe csoportosítsd, ne egyenként jelenítsd meg a szavakat. Hasznos kimenet az eredeti kliphez kapcsolt SRT- vagy WebVTT-fájl, a szünetekhez illeszkedő egységhatárokkal és a képernyőn kezelhető szövegmennyiséggel. Ellenőrizd a hiányzó időzítést, és azt, hogy minden egység vége a kezdete után legyen. A feliratcsoportosítás és fájlformázás a visszaadott illesztésre épülő alkalmazáslépések, megjelenítési döntéseiknek a lejátszóhoz és a közönséghez kell igazodniuk.

A Transcribe 1 dokumentált vezérlői a hang, a nyelvi támpont és az időbélyegválasztás. A Pro beszélőjelölői, strukturált beszélőváltásai, érzelmi eseményvezérlői és beszélőszámra utaló támpontjai külön funkciók; nem részei az alapmodell dokumentált válaszszerződésének. Feldolgozás előtt válaszd ki a kívánt eredményt: egyszerű, olvasható szöveg jegyzethez, vagy szöveg illesztéssel a lejátszási navigációhoz és feliratokhoz. A klipazonosító, a leirat és az elérhető időzítés megőrzése teszi az eredményt a következő alkalmazáslépésben használhatóvá.

Ailoot Ultra · Hang átírása POST /v1/audio/transcriptions fish-audio/transcribe-1

fish-audio/transcribe-1

Fish Audio /fish-audio/transcribe-1

Kezdő lépések

Elfogadott bemenetek: Hang
Eredmények: Szöveg

Elérhető az Ailootban · bemenetek és metódusok

Ailoot Ultra · Hang átírása POST /v1/audio/transcriptions

Bemenet: audio
Kimenet: text

Mező	Típus	Követelmény	Értékek és korlátok	Alapértelmezett
Mező`model`	Típus`string`	KövetelményKötelező	Értékek és korlátok fish-audio/transcribe-1	Alapértelmezett—
Mező`input_audio`	Típus`object`	KövetelményKötelező	Értékek és korlátok	Alapértelmezett—

Metódus paraméterei és életciklusa

Paraméter	Szerződés
Paraméter`content_type`	Szerződésapplication/json
Paraméter`required`	Szerződésmodel, input_audio
Paraméter`material_types`	Szerződésaudio
Paraméter`material_conditions`	SzerződésA példa beolvassa az Ön tényleges, nem üres PCM WAV-fájlját, a fájl teljes bájttartalmát base64 formában kódolja, és az input_audio.format mezőt wav értékkel küldi el.

Életciklus: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · pontos task_id egy meglévő, Önhöz tartozó médiarekordból

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

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

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
Beállításbemeneti hangmásodperc	Díjtáblázat—	Elszámolási egységbemeneti hangmásodpercenként	Díj Bemenet · bemeneti hangmásodperc $0.0002 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 →

Példakérések

Ailoot Ultra · Hang átírása

curl · tényleges WAV-fájl és a teljes eredeti eredmény

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_AUDIO_FILE:?Set the path to your actual PCM WAV recording}"
export AILOOT_AUDIO_FILE
python3 - <<'PY_REQUEST'
import base64, io, json, os, wave
from pathlib import Path
audio = Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()
if not (audio[:4] == b'RIFF' and audio[8:12] == b'WAVE'):
    raise SystemExit('Supply your actual PCM WAV audio file')
with wave.open(io.BytesIO(audio), 'rb') as recording:
    if recording.getcomptype() != 'NONE' or recording.getnframes() <= 0:
        raise SystemExit('Supply a nonempty PCM WAV recording')
request = {'model': 'fish-audio/transcribe-1', 'input_audio': {'data': base64.b64encode(audio).decode('ascii'), 'format': 'wav'}}
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
# Retain the complete original response, headers and actual X-Client-Request-ID.
# Read existing owned records for recovery; do not resubmit an uncertain operation.

Eredmények fogadása és mentése

Ailoot Ultra · Hang átírása

A teljes eredeti választörzs, állapot és továbbított fejlécek. Ez a kezelő nem ad hozzá univerzális JSON-szerkezetet, szövegmezőt vagy feladatburkolót.

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

Őrizzen meg minden elkészült eredményt

Őrizzen meg minden teljes visszaadott választ, fájlt és tartalomrészt.

Őrizze meg a teljes választ és a fejléceket, minden tényleges kimenetet, az eredetileg visszaadott azonosítókat és az összes használati adatmezőt. Az eredeti műveletet állítsa helyre, a létrehozási kérés újbóli beküldése nélkül.

Ha az eredeti választ ellenőrizni kell

Őrizze meg a tényleges X-Client-Request-ID értéket és a teljes választ. Kérdezze le az eredeti saját médiaállományokat és pontos aláírt tartalom-URL-címeiket; bizonytalan kimenetelű létrehozást soha ne küldjön be újra.

Válaszmezők

Mező	Típus
Mező`text (when present)`	Típus
Mező`usage (when present)`	Típus

Hibák és következő lépések

Válasz	Feltétel	Következő lépés
Válasz400 · `invalid_request_error`	FeltételA JSON-törzs vagy a kifejezetten megadott kanonikus modellazonosító érvénytelen.	Következő lépésŐrizze meg a választ, és javítsa a kérés megjelölt mezőjét.
Válasz401 · `authentication_error`	FeltételAz Ailoot API-kulcs érvénytelen.	Következő lépésHasználja az engedélyezett Ailoot API-kulcsát.
Válasz403 · `permission_error`	FeltételA kulcscsoport nem használhatja ezt a metódust.	Következő lépésŐrizze meg a visszaadott hiba részleteit.
Válasz404 · `not_found_error`	FeltételA kiválasztott metódushoz nincs engedélyezett útvonal.	Következő lépésŐrizze meg a visszaadott hiba részleteit.
Válasz422 · `price_unavailable`	FeltételAz elfogadott tarifa nem tudja meghatározni a szükséges bemeneti mennyiséget vagy korlátot.	Következő lépésŐrizze meg a választ; használja az elfogadott tarifa által megkövetelt bemeneti formátumot.
Válasz503 ·	FeltételA szükséges tároló, útvonal, metódusár vagy összegzárolás nem érhető el.	Következő lépésŐrizze meg a teljes eredeti választ. A bizonytalan összegzárolás nem jogosít fel az újraküldésre.
Válasz502 · `server_error`	FeltételAz eredeti eredményt, a felhasználást vagy az elszámolást ellenőrizni kell.	Következő lépésŐrizze meg a tényleges kérésazonosítót és az eredeti választ. A meglévő saját rekordot kérdezze le; ne küldje be újra a létrehozási kérést.

Álnevek

Modell álnevei

Ailoot Ultra fish-audio/transcribe-1

Metódusútvonalak álnevei

Használja a fent látható metódusútvonalakat.

Kapcsolódó modellazonosítók

fish-audio/transcribe-1

FAQ · Fish Audio: Transcribe 1

Milyen bemenetek és eredmények érhetők el?: POST /v1/audio/transcriptions · fish-audio/transcribe-1: audio → text
Mely mezőket használja a kérés?: POST /v1/audio/transcriptions · fish-audio/transcribe-1: model, input_audio

Fish Audio: Transcribe 1