OpenAI: Whisper 1

A Whisper 1 elkészült hangfájlt ír át szöveggé, többnyelvű felismeréssel és szó- vagy szegmens-időbélyegekkel. A gyártó feliratformátumokat és külön angol fordítási folyamatot támogat; az átírás eredménye megőrzi a felvétel nyelvét.

Ailoot Ultra · Beszédfelismerés POST /v1/audio/transcriptions openai/whisper-1

A modellről

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

A Whisper 1 az OpenAI általános célú beszédfelismerő API-modellje, amely a dokumentáció szerint a nyílt forrású Whisper V2 modellre épül. Hangfájlt fogad, és szöveget ad vissza. A gyártó többnyelvű felismerést, nyelvazonosítást és külön beszédfordítási feladatot ír le. Az átírás megőrzi a beszélt nyelvet; a gyártó külön fordítási felülete angol szöveget ad vissza.

Hasznos alkalmazása egy interjú, hangjegyzet vagy rögzített beszélgetés előkészítése későbbi kereséshez és szerkesztéshez. Add meg az elkészült felvételt, és ha ismert, a bemeneti nyelvét. Az OpenAI 98 támogatott nyelvet dokumentál, és megjegyzi, hogy a felismerés pontossága nyelvenként változik. Az egyetlen nyelvi tipp ISO 639-1 kódot használ; más átírómodellek újabb többnyelvű és kulcsszómezői külön vezérlők.

A gyártó fájlátírási folyamata legfeljebb 25 MB-os fájlokat fogad MP3, MP4, MPEG, MPGA, M4A, WAV vagy WebM formátumban. Nagyobb felvételnél használj tömörített formátumot, vagy oszd a korláton belüli darabokra. Őrizd meg a mondathatárokat és a darabok sorrendjét, hogy az összeállított átirat kapcsolatban maradjon az eredeti felvétellel. Egy videókonténer ehhez a feladathoz a hangját adja, nem vizuális leírás bemenetét.

A prompt neveket, betűszavakat, a felvételre jellemző szókincset és korábbi szegmensből származó kontextust adhat meg. A Whisper promptkorlátja 224 token, és a prompt nyelvének egyeznie kell a hang nyelvével. A gyártó szerint a Whisper nem követ úgy utasításokat, mint egy általános célú szövegmodell. A promptot releváns átírási kontextusként használd, majd a fontos írásmódokat ellenőrizd a felvétellel, ne kezeld a terminológiai listát a beszélő által szükségszerűen kimondott szavakként.

A gyártó JSON, egyszerű szöveges, SRT, VTT és részletes JSON átírási formátumokat dokumentál. A szó- és szegmens-időbélyegekhez részletes JSON szükséges; az egyik vagy mindkét részletesség kérhető. Az API-referencia szerint a szegmens-időbélyegek nem adnak többletkésleltetést, míg a szó-időbélyegek további feldolgozást igényelnek. Ezek a kimenetek feliratozást és szerkesztés közbeni részletkeresést támogatnak; a beszélődiarizációs jelölések másik, erre szakosodott modellhez tartoznak.

A Whisper 1 nem támogatja a fájlátírás streamelését. Referenciája nulla és egy közötti mintavételezési hőmérsékletet is dokumentál; nullánál a modell automatikusan emelheti a hőmérsékletet, ha dekódolási küszöbei ezt megkövetelik. Ez a gyártó feldolgozási vezérlőit írja le, nem ígéri, hogy minden felvétel azonos vagy tökéletesen pontos átiratot ad.

Határozd meg a végső anyagot: kereséshez szánt átirat, feliratfájl vagy szó-/szegmens-időzítésű szöveg. Az eredeti felvételt, a darabok sorrendjét és a megfelelő forrásidő-hivatkozásokat őrizd meg az eredménnyel együtt. Egy későbbi szövegszerkesztési lépés javíthat elírást vagy készíthet összefoglalót, de a módosításokat vesd össze a hanggal, hogy a beszélő jelentése megmaradjon. A felismert szöveg bizonyítékként szolgál a következő feladathoz, nem a kimondott kérdésre generált válasz.

Ailoot Ultra · Beszédfelismerés POST /v1/audio/transcriptions openai/whisper-1

openai/whisper-1

OpenAI /openai/whisper-1

Kezdő lépések

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
Mező`model`	Típus`string`	KövetelményKötelező	Értékek és korlátok openai/whisper-1	Alapértelmezett—
Mező`file`	Típus`file`	KövetelményKötelező	Értékek és korlátok Tartalomtípus: multipart/form-data	Alapértelmezett—
Mező`response_format`	Típus`string`	KövetelményOpcionális	Értékek és korlátok json	Alapértelmezett—
Mező`input_audio.data`	Típus`base64_string`	KövetelményKötelező	Értékek és korlátok Akkor alkalmazandó, ha: WhisperOR JSON-bemenet	Alapértelmezett—
Mező`input_audio.format`	Típus`string`	KövetelményKötelező	Értékek és korlátok wav, mp3, flac, ogg, m4a, webm Akkor alkalmazandó, ha: WhisperOR JSON-bemenet	Alapértelmezett—

Bemeneti anyagok kombinációi

· Kötelező: model, file

Metódus paraméterei és életciklusa

Paraméter	Szerződés
Paraméter`contours`	Szerződés{"content_types":["application/json","multipart/form-data"],"required_json":["model","input_audio.data","input_audio.format"],"required_multipart":["model","file"],"file_formats":["wav","mp3","flac","ogg","m4a","webm"],"response_format_optional":["json"]}, {"content_types":["multipart/form-data"],"required":["model","file"],"file_formats":["mp3"],"response_format_option":false}
Paraméter`max_bytes`	Szerződés26214400
Paraméter`material_types`	Szerződésaudio

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}

Használjon tényleges felvételt és annak megfelelő formátumot.

Őrizze meg a teljes átiratot, a szegmenseket, a beszélőazonosítókat és az időzítést.

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

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.

OpenAI: Whisper 1

Árak beállításonként

Beállítás	Elszámolási feltételek	Díj
BeállításOpenAI: Whisper 1 · Alapértelmezett beállítások	Elszámolási feltételekAlapértelmezett konfiguráció	Díj Bemenet · Bemeneti hang másodpercei 0,0002 USD 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 · Beszédfelismerés

curl

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_AUDIO_FILE:?Set the path to your actual MP3 recording}"
export AILOOT_AUDIO_FILE
python3 - <<'PY_REQUEST'
import os
from pathlib import Path
p=Path(os.environ["AILOOT_AUDIO_FILE"])
if not p.is_file() or p.suffix.lower()!=".mp3":raise SystemExit("Choose an existing MP3 recording")
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \
  -H "Authorization: Bearer $AILOOT_API_KEY" \
  --form-string model=openai/whisper-1 -F "file=@$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())))
PY_RESULT

Eredmények fogadása és mentése

Ailoot Ultra · Beszédfelismerés

json

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

További tartalomlekérések

MédiatárFeladat állapotaMédiafájl részletei

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \
  -H "Authorization: Bearer $AILOOT_API_KEY" -o media-assets.json

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_MEDIA_TASK_ID:?Set the actual ID returned by the response or media-library metadata}"
export AILOOT_MEDIA_TASK_ID
resource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_MEDIA_TASK_ID"],safe=""))')
curl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/tasks/$resource_id" \
  -H "Authorization: Bearer $AILOOT_API_KEY" -o media-task.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
print(json.dumps(json.loads(Path("media-task.json").read_text())))
PY_RESULT

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_ASSET_ID:?Set the actual ID returned by the response or media-library metadata}"
export AILOOT_ASSET_ID
resource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_ASSET_ID"],safe=""))')
curl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/assets/$resource_id" \
  -H "Authorization: Bearer $AILOOT_API_KEY" -o media-asset.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
print(json.dumps(json.loads(Path("media-asset.json").read_text())))
PY_RESULT

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
Mező`text`	Típusstring
Mező`segments[]`	Típusobject
Mező`task_id`	Típusstring
Mező`asset_url`	Típusstring
Mező`usage`	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.
Válasz`server_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 Ultra openai/whisper-1

Metódusútvonalak álnevei

Használja a fent látható metódusútvonalakat.

Kapcsolódó modellazonosítók

openai/whisper-1

FAQ · OpenAI: Whisper 1

Milyen bemenetek és eredmények érhetők el?: POST /v1/audio/transcriptions · openai/whisper-1: audio → transcription
Mely mezőket használja a kérés?: POST /v1/audio/transcriptions · openai/whisper-1: model, file, response_format

OpenAI: Whisper 1

OpenAI: Whisper 1

Kezdő lépések

Elérhető az Ailootban · bemenetek és metódusok

Díjcsomagok

Ailoot-díjak

Árak beállításonként

A referencia-díjszabás részletei

Árak beállításonként

Példakérések

Ailoot Ultra · Beszédfelismerés

Eredmények fogadása és mentése

Ailoot Ultra · Beszédfelismerés

Őrizzen meg minden elkészült eredményt

Ha az eredeti választ ellenőrizni kell

Álnevek

Modell álnevei

Metódusútvonalak álnevei

Kapcsolódó modellazonosítók

A vállalat és projektportfóliója

Vásároljon tokeneket kedvezménnyel.

Csatlakoztassa az API-t az értékesített termékéhez.