A Whisper large-v3 az OpenAI kiadott beszédfelismerő modellváltozata, hozzávetőleg 1,55 milliárd paraméterrel. Többnyelvű kódoló–dekódoló modell: a hang a kódolóba kerül, a dekódoló pedig szöveget és feladathoz kapcsolódó tokeneket jósol. Fő feladata a beszéd átírása a forrásnyelven, valamint a beszéd angolra fordítása. Nyílt súlyú modellazonosság, amelyet külön kell kezelni egy hosztolt szolgáltatás modellazonosítójától, illetve annak feltöltési és válaszformátum-szabályaitól.
A large-v3 két megadott változtatással megtartja a korábbi nagy Whisper-modellváltozatok architektúráját: spektrogrambemenete 80 helyett 128 Mel-frekvenciasávot használ, és kantoni nyelvi tokent ad hozzá. A gyártó modellkártyája egymillió órányi gyengén címkézett és négymillió órányi, Whisper large-v2-vel előkészített pszeudocímkézett hangon végzett tanítást ír le. Ezt a keveréket két tanítási epochon át használták. A kiadás egy konkrét large-v3 modellváltozat, nem a Whisper család összes modelljének általános neve.
A dokumentált következtetési munkafolyamat alapértelmezés szerint átírást végez, megőrizve a felvételen beszélt nyelvet. A forrásnyelvet automatikusan felismerheti, vagy elfogadhat ismert nyelvválasztást. Fordításnál a többnyelvű nagy modell nem angol beszédből angol szöveget ad. Ezt a feladatot kifejezetten válaszd ki: az eredeti nyelvű átirat és az angol fordítás eltérő eredmény. Interjúnál őrizd meg az eredeti nyelvű megfogalmazást; angol referenciaanyaghoz add meg, hogy a beszélt tartalom fordítását szeretnéd.
A hang előkészítése a bemeneti útvonal része. Az OpenAI betöltője mono hullámformává dekódolja a felvételt, és 16 kHz-re újramintavételezi. A modell akusztikus befogadási ablaka 30 másodperc. Ez feldolgozási ablak, nem egy teljes interjú vagy előadás maximális hossza. A hosszú hanganyagok feldolgozása csúszó ablakokon haladhat sorban, vagy átfedő darabokra oszthatja a hosszú felvételt, majd összekapcsolhatja átirataikat. A gyártó modellkártyája szekvenciális feldolgozást ír le, ha a pontosság elsődleges, és darabolt feldolgozást, ha egyetlen hosszú felvétel átfutási ideje fontosabb.
A kiadott konfiguráció egyetlen dekódolási sorozathoz 448 dekóderpozíciót sorol fel. A hosszabb felvételeket a hosszú hanganyagok feldolgozására szolgáló eljárás kezeli; ezt a számot nem szabad általános átiratkorlátnak tekinteni. A dokumentált munkafolyamat a felismert szöveg mellett szegmens- vagy szószintű időbélyegeket adhat vissza. Ezek az időadatok hasznosak a felvételekben való navigáláshoz és feliratok előkészítéséhez, míg a végleges feliratkonténer vagy átiratfájl-formátum külön kimenetformázási választás. Ha az átiratot az eredeti anyaghoz igazítod, a hang előkészítésekor őrizd meg a felvétel időzítését.
A Whisper rendeltetése a beszéd felismerése és fordítása. Egy előadás átirata, interjú rögzített szövege vagy beszélt anyagok kereshető gyűjteménye gyakorlati eredmény; az összefoglalás vagy értelmezés későbbi, külön szöveges lépés lehet. A modellkártya nem állapít meg robusztus automatikus beszélőosztályozást vagy diarizációt az alapmodell szabványos kimeneteként. Ha a feladathoz beszélőcímkék kellenek, ezt a követelményt a pontos átirat állításától külön kell kezelni. Egy hasznos feladatleírás azonosítja a forrásnyelvet, azt, hogy átírásra vagy angol fordításra van szükség, és hogy kellenek-e időadatok.
Lényeges korlát a soha el nem hangzott szöveg kitalálása és az ismétlődő szöveg, ami a zajos adatokon végzett gyengén felügyelt tanításhoz és a szekvencia–szekvencia kialakításhoz kapcsolódik. A felismerés minősége nyelvenként, akcentusonként és dialektusonként változik, és gyengébb ott, ahol kevesebb tanítási anyag áll rendelkezésre. Ezért az alkalmasság megítéléséhez használt mintában jelenjen meg a zaj, a szakszókincs és az egymásra beszélés. Vesd össze a neveket, mennyiségeket és fontos állításokat a felvétellel, és ellenőrizd a beszéd nélküli részeket vagy ismétlődő sorokat, ne tekintsd a gördülékeny átiratot annak bizonyítékának, hogy minden szót hallott a modell.
A teljes eredmény a felismert szöveget, annak nyelvét és a kért időzítést az eredeti felvételre mutató hivatkozással őrzi meg. Az átírást tartsd külön a későbbi szerkesztéstől: a javított publikációs átirat eltávolíthat töltelékszavakat, míg a felismert átirat azt őrzi, amit a modell ténylegesen visszaadott. A large-v3 azonosságát és fordítási képességét a gyorsabb Turbo változattól is külön kell kezelni. A tényleges feldolgozási sebesség a nyelvtől, beszédtempótól, hardvertől és következtetési módszertől függ; a modellváltozat nevéből önmagában nem következik konkrét hosztolt késleltetés, maximális feltöltési méret vagy engedélyezett alkalmazásútvonal.
", "aboutText": "A Whisper large-v3 az OpenAI kiadott beszédfelismerő modellváltozata, hozzávetőleg 1,55 milliárd paraméterrel. Többnyelvű kódoló–dekódoló modell: a hang a kódolóba kerül, a dekódoló pedig szöveget és feladathoz kapcsolódó tokeneket jósol. Fő feladata a beszéd átírása a forrásnyelven, valamint a beszéd angolra fordítása. Nyílt súlyú modellazonosság, amelyet külön kell kezelni egy hosztolt szolgáltatás modellazonosítójától, illetve annak feltöltési és válaszformátum-szabályaitól.\n\nA large-v3 két megadott változtatással megtartja a korábbi nagy Whisper-modellváltozatok architektúráját: spektrogrambemenete 80 helyett 128 Mel-frekvenciasávot használ, és kantoni nyelvi tokent ad hozzá. A gyártó modellkártyája egymillió órányi gyengén címkézett és négymillió órányi, Whisper large-v2-vel előkészített pszeudocímkézett hangon végzett tanítást ír le. Ezt a keveréket két tanítási epochon át használták. A kiadás egy konkrét large-v3 modellváltozat, nem a Whisper család összes modelljének általános neve.\n\nA dokumentált következtetési munkafolyamat alapértelmezés szerint átírást végez, megőrizve a felvételen beszélt nyelvet. A forrásnyelvet automatikusan felismerheti, vagy elfogadhat ismert nyelvválasztást. Fordításnál a többnyelvű nagy modell nem angol beszédből angol szöveget ad. Ezt a feladatot kifejezetten válaszd ki: az eredeti nyelvű átirat és az angol fordítás eltérő eredmény. Interjúnál őrizd meg az eredeti nyelvű megfogalmazást; angol referenciaanyaghoz add meg, hogy a beszélt tartalom fordítását szeretnéd.\n\nA hang előkészítése a bemeneti útvonal része. Az OpenAI betöltője mono hullámformává dekódolja a felvételt, és 16 kHz-re újramintavételezi. A modell akusztikus befogadási ablaka 30 másodperc. Ez feldolgozási ablak, nem egy teljes interjú vagy előadás maximális hossza. A hosszú hanganyagok feldolgozása csúszó ablakokon haladhat sorban, vagy átfedő darabokra oszthatja a hosszú felvételt, majd összekapcsolhatja átirataikat. A gyártó modellkártyája szekvenciális feldolgozást ír le, ha a pontosság elsődleges, és darabolt feldolgozást, ha egyetlen hosszú felvétel átfutási ideje fontosabb.\n\nA kiadott konfiguráció egyetlen dekódolási sorozathoz 448 dekóderpozíciót sorol fel. A hosszabb felvételeket a hosszú hanganyagok feldolgozására szolgáló eljárás kezeli; ezt a számot nem szabad általános átiratkorlátnak tekinteni. A dokumentált munkafolyamat a felismert szöveg mellett szegmens- vagy szószintű időbélyegeket adhat vissza. Ezek az időadatok hasznosak a felvételekben való navigáláshoz és feliratok előkészítéséhez, míg a végleges feliratkonténer vagy átiratfájl-formátum külön kimenetformázási választás. Ha az átiratot az eredeti anyaghoz igazítod, a hang előkészítésekor őrizd meg a felvétel időzítését.\n\nA Whisper rendeltetése a beszéd felismerése és fordítása. Egy előadás átirata, interjú rögzített szövege vagy beszélt anyagok kereshető gyűjteménye gyakorlati eredmény; az összefoglalás vagy értelmezés későbbi, külön szöveges lépés lehet. A modellkártya nem állapít meg robusztus automatikus beszélőosztályozást vagy diarizációt az alapmodell szabványos kimeneteként. Ha a feladathoz beszélőcímkék kellenek, ezt a követelményt a pontos átirat állításától külön kell kezelni. Egy hasznos feladatleírás azonosítja a forrásnyelvet, azt, hogy átírásra vagy angol fordításra van szükség, és hogy kellenek-e időadatok.\n\nLényeges korlát a soha el nem hangzott szöveg kitalálása és az ismétlődő szöveg, ami a zajos adatokon végzett gyengén felügyelt tanításhoz és a szekvencia–szekvencia kialakításhoz kapcsolódik. A felismerés minősége nyelvenként, akcentusonként és dialektusonként változik, és gyengébb ott, ahol kevesebb tanítási anyag áll rendelkezésre. Ezért az alkalmasság megítéléséhez használt mintában jelenjen meg a zaj, a szakszókincs és az egymásra beszélés. Vesd össze a neveket, mennyiségeket és fontos állításokat a felvétellel, és ellenőrizd a beszéd nélküli részeket vagy ismétlődő sorokat, ne tekintsd a gördülékeny átiratot annak bizonyítékának, hogy minden szót hallott a modell.\n\nA teljes eredmény a felismert szöveget, annak nyelvét és a kért időzítést az eredeti felvételre mutató hivatkozással őrzi meg. Az átírást tartsd külön a későbbi szerkesztéstől: a javított publikációs átirat eltávolíthat töltelékszavakat, míg a felismert átirat azt őrzi, amit a modell ténylegesen visszaadott. A large-v3 azonosságát és fordítási képességét a gyorsabb Turbo változattól is külön kell kezelni. A tényleges feldolgozási sebesség a nyelvtől, beszédtempótól, hardvertől és következtetési módszertől függ; a modellváltozat nevéből önmagában nem következik konkrét hosztolt késleltetés, maximális feltöltési méret vagy engedélyezett alkalmazásútvonal.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "eb13c5d1080cc651ee0cf3b3cef2dfc6e0dcd2027fc0e644fef0b294c8c5dc29", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "hu", "methods": [ { "html": "openai/whisper-large-v3A Whisper large-v3 az OpenAI nyílt súlyú többnyelvű beszédfelismerő modellváltozata átíráshoz és beszéd angolra fordításához. Rögzített beszédet alakít szöveggé, dokumentált nyelvválasztással, időbélyegekkel és a 30 másodperces akusztikus ablakán túli hosszú hanganyagok feldolgozásával.
Ez a leírás a modell képességeit ismerteti. Az Ailootban elérhető bemenetek, kimenetek és lehetőségek alább, a kiválasztott metódusnál láthatók.
A Whisper large-v3 az OpenAI kiadott beszédfelismerő modellváltozata, hozzávetőleg 1,55 milliárd paraméterrel. Többnyelvű kódoló–dekódoló modell: a hang a kódolóba kerül, a dekódoló pedig szöveget és feladathoz kapcsolódó tokeneket jósol. Fő feladata a beszéd átírása a forrásnyelven, valamint a beszéd angolra fordítása. Nyílt súlyú modellazonosság, amelyet külön kell kezelni egy hosztolt szolgáltatás modellazonosítójától, illetve annak feltöltési és válaszformátum-szabályaitól.
A large-v3 két megadott változtatással megtartja a korábbi nagy Whisper-modellváltozatok architektúráját: spektrogrambemenete 80 helyett 128 Mel-frekvenciasávot használ, és kantoni nyelvi tokent ad hozzá. A gyártó modellkártyája egymillió órányi gyengén címkézett és négymillió órányi, Whisper large-v2-vel előkészített pszeudocímkézett hangon végzett tanítást ír le. Ezt a keveréket két tanítási epochon át használták. A kiadás egy konkrét large-v3 modellváltozat, nem a Whisper család összes modelljének általános neve.
A dokumentált következtetési munkafolyamat alapértelmezés szerint átírást végez, megőrizve a felvételen beszélt nyelvet. A forrásnyelvet automatikusan felismerheti, vagy elfogadhat ismert nyelvválasztást. Fordításnál a többnyelvű nagy modell nem angol beszédből angol szöveget ad. Ezt a feladatot kifejezetten válaszd ki: az eredeti nyelvű átirat és az angol fordítás eltérő eredmény. Interjúnál őrizd meg az eredeti nyelvű megfogalmazást; angol referenciaanyaghoz add meg, hogy a beszélt tartalom fordítását szeretnéd.
A hang előkészítése a bemeneti útvonal része. Az OpenAI betöltője mono hullámformává dekódolja a felvételt, és 16 kHz-re újramintavételezi. A modell akusztikus befogadási ablaka 30 másodperc. Ez feldolgozási ablak, nem egy teljes interjú vagy előadás maximális hossza. A hosszú hanganyagok feldolgozása csúszó ablakokon haladhat sorban, vagy átfedő darabokra oszthatja a hosszú felvételt, majd összekapcsolhatja átirataikat. A gyártó modellkártyája szekvenciális feldolgozást ír le, ha a pontosság elsődleges, és darabolt feldolgozást, ha egyetlen hosszú felvétel átfutási ideje fontosabb.
A kiadott konfiguráció egyetlen dekódolási sorozathoz 448 dekóderpozíciót sorol fel. A hosszabb felvételeket a hosszú hanganyagok feldolgozására szolgáló eljárás kezeli; ezt a számot nem szabad általános átiratkorlátnak tekinteni. A dokumentált munkafolyamat a felismert szöveg mellett szegmens- vagy szószintű időbélyegeket adhat vissza. Ezek az időadatok hasznosak a felvételekben való navigáláshoz és feliratok előkészítéséhez, míg a végleges feliratkonténer vagy átiratfájl-formátum külön kimenetformázási választás. Ha az átiratot az eredeti anyaghoz igazítod, a hang előkészítésekor őrizd meg a felvétel időzítését.
A Whisper rendeltetése a beszéd felismerése és fordítása. Egy előadás átirata, interjú rögzített szövege vagy beszélt anyagok kereshető gyűjteménye gyakorlati eredmény; az összefoglalás vagy értelmezés későbbi, külön szöveges lépés lehet. A modellkártya nem állapít meg robusztus automatikus beszélőosztályozást vagy diarizációt az alapmodell szabványos kimeneteként. Ha a feladathoz beszélőcímkék kellenek, ezt a követelményt a pontos átirat állításától külön kell kezelni. Egy hasznos feladatleírás azonosítja a forrásnyelvet, azt, hogy átírásra vagy angol fordításra van szükség, és hogy kellenek-e időadatok.
Lényeges korlát a soha el nem hangzott szöveg kitalálása és az ismétlődő szöveg, ami a zajos adatokon végzett gyengén felügyelt tanításhoz és a szekvencia–szekvencia kialakításhoz kapcsolódik. A felismerés minősége nyelvenként, akcentusonként és dialektusonként változik, és gyengébb ott, ahol kevesebb tanítási anyag áll rendelkezésre. Ezért az alkalmasság megítéléséhez használt mintában jelenjen meg a zaj, a szakszókincs és az egymásra beszélés. Vesd össze a neveket, mennyiségeket és fontos állításokat a felvétellel, és ellenőrizd a beszéd nélküli részeket vagy ismétlődő sorokat, ne tekintsd a gördülékeny átiratot annak bizonyítékának, hogy minden szót hallott a modell.
A teljes eredmény a felismert szöveget, annak nyelvét és a kért időzítést az eredeti felvételre mutató hivatkozással őrzi meg. Az átírást tartsd külön a későbbi szerkesztéstől: a javított publikációs átirat eltávolíthat töltelékszavakat, míg a felismert átirat azt őrzi, amit a modell ténylegesen visszaadott. A large-v3 azonosságát és fordítási képességét a gyorsabb Turbo változattól is külön kell kezelni. A tényleges feldolgozási sebesség a nyelvtől, beszédtempótól, hardvertől és következtetési módszertől függ; a modellváltozat nevéből önmagában nem következik konkrét hosztolt késleltetés, maximális feltöltési méret vagy engedélyezett alkalmazásútvonal.
POST /v1/audio/transcriptionsaudiotranscription| Mező | Típus | Követelmény | Értékek és korlátok | Alapértelmezett |
|---|---|---|---|---|
Mezőmodel | Típusstring | KövetelményKötelező | Értékek és korlátok openai/whisper-large-v3 | 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— |
speech_to_text · Kötelező: actual matching-format audio file
| 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.
A díjszabás nem ad új kérési lehetőségeket. A támogatott paraméterek a kiválasztott módszernél szerepelnek.
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 $0.000015 bemeneti hangmásodpercenként |
Az Ailoot a kérés előtt becsült összeget foglal le. Az eredmény után a mért használat alapján elszámolja a végső díjat. Folyamatos átvitel esetén a végső használati rekordot használja. A foglalás és az elszámolás működése →
A modellszintű referenciatáblázatok nem módosítják a metódusválasztást, az árajánlatokat vagy a díjakat. A tényleges díjak a kiválasztott Ailoot-metódus díjtételeit használják.
| Beállítás | Elszámolási feltételek | Díj |
|---|---|---|
| BeállításOpenAI: Whisper Large V3 · Alapértelmezett beállítások | Elszámolási feltételekAlapértelmezett konfiguráció | Díj Bemenet · Bemeneti hang másodpercei 0,000015 USD bemeneti hangmásodpercenként |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_AUDIO_FILE:?Set the path to your actual WAV recording}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\nimport base64\naudio=Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()\nif not (audio[:4]==b'RIFF' and audio[8:12]==b'WAVE'): raise SystemExit('Supply an actual WAV audio file')\nif len(audio)>26214400: raise SystemExit('Use a documented supported large-file flow')\nrequest={'model': 'openai/whisper-large-v3', 'input_audio': {'data': '${BASE64_ACTUAL_WAV_BYTES}', 'format': 'wav'}}\nrequest['input_audio']['data']=base64.b64encode(audio).decode('ascii')\nPath('request.json').write_text(json.dumps(request,ensure_ascii=False),encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o response.bin\n# Keep the complete original response and headers. Read every returned segment, word and usage field.\n# Preserve actual operation/task/asset IDs; continue reads of the original result without resubmitting.\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 eredeti JSON, minden elérhető szöveg, szegmens, szó, beszélő, időbélyeg és felhasználási adat.
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.
| Mező | Típus |
|---|---|
Mezőtext | Típusstring |
Mezőusage | Típusobject |
Mezősegments[] | Típusobject |
Mezőwords[] | Típusobject |
Ailoot Ultra openai/whisper-large-v3
Használja a fent látható metódusútvonalakat.