OpenAI: GPT-4o Mini Transcribe
A GPT-4o Mini Transcribe az OpenAI GPT-4o Mini alapú beszéd-szöveg modellje. A hangot JSON-átirattá alakítja, felvételhez kötött szöveges utasításokat és streamelt fájleredményeket támogat, és tokenenkénti logaritmikus valószínűségeket adhat vissza az átirat célzott ellenőrzéséhez.
A modellről
Ez a leírás a modell képességeit ismerteti. Az Ailootban elérhető bemenetek, kimenetek és lehetőségek alább, a kiválasztott metódusnál láthatók.
A GPT-4o Mini Transcribe az OpenAI GPT-4o Mini alapú beszéd-szöveg modellje. Hangot fogad opcionális szöveges útmutatással, és felismert szöveget állít elő. Különbözik a GPT-4o alapú GPT-4o Transcribe modelltől és az újabb GPT Transcribe profiltól, amelynek külön kulcsszó- és többnyelvűjelzés-mezői vannak. A hasznos eredmény itt a felvétel eredeti beszédének átirata, keresésre, ellenőrzésre vagy későbbi tartalomfeldolgozási lépésre előkészítve.
A felvétel előkészítése
Az OpenAI fájlátírási útmutatója legfeljebb 25 MB-os hangfeltöltéseket fogad. Jelenlegi végpontleírása FLAC, MP3, MP4, MPEG, MPGA, M4A, OGG, WAV és WebM formátumot sorol fel, a hangformátum azonosításához elegendő fájlnév- és tartalomtípus-metaadattal. Nagyobb felvételek tömöríthetők vagy legfeljebb 25 MB-os részekre bonthatók. Felosztáskor őrizze meg a mondathatárokat, és minden részt kapcsoljon a forrásfelvételéhez és a pozíciójához, hogy a szöveg később helyes sorrendben összeállítható legyen.
Hangjegyzeteknél minden felvételhez őrizzen meg azonosítható átiratot, és ellenőrizze a neveket vagy számokat, mielőtt a szövegből feladatokat hozna létre. Elmondott útmutatónál a felismert megfogalmazást vesse össze az eredeti utasításokkal a publikálásra történő szerkesztés előtt. Hasznos előkészítési leírás azonosítja a beszélt nyelvet és az egyébként félrehallható kifejezéseket. A szavak átírása az első lépés; értelmezés, összefoglaló vagy fordítás ezután használhatja az ellenőrzött átiratot.
Szöveges útmutatás és egyetlen nyelvi jelzés
A meglévő GPT-4o Mini Transcribe integrációk szabadon megfogalmazott utasítást támogatnak. Az OpenAI nevekre, rövidítésekre, felvételspecifikus szókincsre, írásjelekre, nagybetűkre, töltelékszavakra és a választott írásrendszerre vonatkozó utasításokat ismertet. A végpontleírás szerint az utasításnak egyeznie kell a hang nyelvével, és előző hangszegmensből származó kontextust is továbbadhat. Releváns írásmódokat vagy a téma rövid leírását adja meg, ne korlátozás nélküli csevegési utasításként használja az átírási útmutatást.
A modell bevett nyelvi jelzése az egyes számú language mezőt használja. A gyártói leírás ISO 639-1 bemeneti nyelvkódot dokumentál, például en. A külön keywords és többes számú languages mezők a GPT Transcribe modellhez dokumentáltak; nem tartoznak ehhez a Mini profilhoz. Felvételsorozatnál a tervezett beszélt nyelv beállítását őrizze meg minden bemenettel együtt, ne az eredmény lefordítására irányuló kérésként értelmezze.
JSON-eredmény és opcionális tokenvalószínűségek
A jelenlegi végpontleírás a JSON formátumot dokumentálja a GPT-4o Mini Transcribe támogatott válaszformátumaként. A felismert megfogalmazás a text mezőben jelenik meg. Kérésre tokenenkénti logaritmikus valószínűségek kísérhetik a JSON-választ; ezek az értékek a modell tokenvalószínűségeit írják le, és segíthetnek a közelebbi vizsgálatot igénylő anyag azonosításában. Nem igazolják, hogy egy név, szám vagy mondat megfelel a hangnak. A felvétel alapján döntse el, javítani kell-e egy kétséges szót.
A szokásos Mini átírási profil ezen a JSON-specifikáción keresztül nem biztosít natív SRT-, VTT-, részletes szószintű időbélyeges vagy beszélőcímkékkel ellátott kimenetet. Az OpenAI e képességekhez specializált modelleket és formátumokat dokumentál. Ha a tervezett eredmény feliratsáv, őrizze meg az ellenőrzött átiratot külön időzítési munkafolyamathoz, ne feltételezze, hogy a csak szöveges eredmény már felirathatárokat is tartalmaz.
Streamelt fájlkimenet és dokumentált módok
A gyártó beszéd-szöveg útmutatója kifejezetten rögzíti, hogy a meglévő GPT-4o Mini Transcribe integrációk támogatják a fájlstreamelést. Egy befejezett felvétel a feldolgozása közben részleges átiratszöveget, majd végső eredményt adhat. A végleges átiratot őrizze meg befejezett eredményként; a részleges szöveg megjelenése nem jelenti azt, hogy a fájlmunkafolyamat folyamatosan élő mikrofonhangot fogad. A modellkártya külön átírási és Realtime végpontcsaládokat sorol fel. Ezek a gyártói felületek nem jelentik azt, hogy egy másik átírási modell minden munkamenetmezője itt is alkalmazható.
Kontextus, kimeneti keret és hasznos ellenőrzések
Az OpenAI jelenlegi modellspecifikációja 16 000 tokenes kontextusablakot, legfeljebb 2 000 tokenes kimenetet és 2024. június 1-jei tudáshatárt sorol fel. Ezek modellspecifikációs adatok, nem egy hangfelvétel általánosan érvényes időtartama percben. A fájlméretszabály és a tokenkeret eltérő korlátokat ír le. Hosszabb anyagnál a dokumentált fájlmunkafolyamat szerint készítse elő a felvételt, a részek között vigye tovább a releváns kontextust, és ellenőrizze, hogy a végső szöveg tartalmazza-e a forrás végét.
Egy hasznos Mini Transcribe eredmény megőrzi a megfogalmazást és kapcsolatát a felvétellel, az opcionális valószínűségi adatokat a szerkesztői javításoktól elkülönítve. Az ismeretlen szókincset, akcentusokat, háttérzajt, nyelvváltásokat és átfedő beszédet az eredeti hang elérhetősége mellett vizsgálja meg. Olvashatóság érdekében végzett átdolgozáskor ezt a szerkesztői változatot különítse el a felismert átirattól, hogy a későbbi felhasználók megállapíthassák, mely megfogalmazás származik a felvételből, és mely változott az előkészítés során.
Ailoot Ultra · Hang átírása POST /v1/audio/transcriptions openai/gpt-4o-mini-transcribe
openai/gpt-4o-mini-transcribeKezdő lépések
A GPT-4o Mini Transcribe az OpenAI GPT-4o Mini alapú beszéd-szöveg modellje. A hangot JSON-átirattá alakítja, felvételhez kötött szöveges utasításokat és streamelt fájleredményeket támogat, és tokenenkénti logaritmikus valószínűségeket adhat vissza az átirat célzott ellenőrzéséhez.
- 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 |
|---|---|---|---|---|
Mezőmodel | Típusstring | KövetelményKötelező | Értékek és korlátok openai/gpt-4o-mini-transcribe | Alapértelmezett— |
Mezőinput_audio | Típusobject | KövetelményKötelező | Értékek és korlátok | Alapértelmezett— |
Metódus paraméterei és életciklusa
| Paraméter | Szerződés |
|---|---|
Paramétercontent_type | Szerződésapplication/json |
Paraméterrequired | Szerződésmodel, input_audio |
Paramétermaterial_types | Szerződésaudio |
Paramétermaterial_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 token | Díjtáblázat— | Elszámolási egység/ 1K token | Díj Bemenet $0.0025 / 1K token |
| Beállításkimeneti token | Díjtáblázat— | Elszámolási egység/ 1K token | Díj Kimenet $0.01 / 1K token |
Az Ailoot a kérés előtt becsült összeget foglal le. Az eredmény után a mért használat alapján elszámolja a végső díjat. Folyamatos átvitel esetén a végső használati rekordot használja. A foglalás és az elszámolás működése →
Példakérések
Ailoot Ultra · Hang átírása
set -eu
: "${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': 'openai/gpt-4o-mini-transcribe', '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}/contentGET /v1/media/assetsGET /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 |
|---|---|
Mezőtext (when present) | Típus |
Mezőusage (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 openai/gpt-4o-mini-transcribe
Metódusútvonalak álnevei
Használja a fent látható metódusútvonalakat.
Kapcsolódó modellazonosítók
FAQ · OpenAI: GPT-4o Mini Transcribe
- Milyen bemenetek és eredmények érhetők el?
POST /v1/audio/transcriptions·openai/gpt-4o-mini-transcribe:audio→text- Mely mezőket használja a kérés?
POST /v1/audio/transcriptions·openai/gpt-4o-mini-transcribe:model,input_audio