Source: https://ailoot.ai/models/hu/openai-whisper-large-v3/ Canonical: https://ailoot.ai/models/hu/openai-whisper-large-v3/ Language: hu # OpenAI: Whisper Large V3 [Markdown](https://ailoot.ai/models/hu/openai-whisper-large-v3/index.md) · [JSON](https://ailoot.ai/models/hu/openai-whisper-large-v3/facts.json) ## [OpenAI: Whisper Large V3](https://ailoot.ai/models/hu/openai-whisper-large-v3/) A 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. - [**Ailoot Ultra · Beszédfelismerés** `POST /v1/audio/transcriptions` `openai/whisper-large-v3`](https://ailoot.ai/models/hu/openai-whisper-large-v3/#method-0) A modellről 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. **Ailoot Ultra · Beszédfelismerés** `POST /v1/audio/transcriptions` `openai/whisper-large-v3` [`openai/whisper-large-v3`](https://ailoot.ai/models/hu/#m=openai%2Fwhisper-large-v3&route=Ultra&caller=openai%2Fwhisper-large-v3&fmt=transcriptions) OpenAI /`openai/whisper-large-v3` ### Kezdő lépések A 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. 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-large-v3 | Alapértelmezett— | | Mező`input_audio` | Típus`object` | KövetelményKötelező | Értékek és korlátok | Alapértelmezett— | | Mező`language` | Típus`string` | KövetelményOpcionális | Értékek és korlátok | Alapértelmezett— | | Mező`temperature` | Típus`number` | KövetelményOpcionális | Értékek és korlátok Minimum: 0 Maximum: 1 | Alapértelmezett— | | Mező`response_format` | Típus`string` | KövetelményOpcionális | Értékek és korlátok json, verbose\_json | Alapértelmezettjson | | Mező`timestamp_granularities` | Típus`array` | KövetelményOpcionális | Értékek és korlátok | Alapértelmezett— | | Mező`provider` | Típus`object` | KövetelményOpcionális | Értékek és korlátok | Alapértelmezett— | Bemeneti anyagok kombinációi **speech\_to\_text** · Kötelező: actual matching-format audio file Metódus paraméterei és életciklusa | Paraméter | Szerződés | | --- | --- | | Paraméter`content_types` | Szerződésapplication/json, multipart/form-data | | Paraméter`required` | Szerződésmodel, input\_audio | | Paraméter`material_types` | Szerződésaudio | | Paraméter`JSON_audio` | Szerződésa tényleges nyers hangbájtok base64 formában, hozzájuk illő formátummal | | Paraméter`multipart_required` | Szerződésmodel, file | | Paraméter`multipart_cap_bytes` | Szerződés26214400 | | Paraméter`optional_controls` | Szerződéslanguage, temperature, response\_format, timestamp\_granularities, provider | | Paraméter`default_response_format` | Szerződésjson | | Paraméter`optional_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 **$0.000015** bemeneti hangmásodpercenként | Az Ailoot a kérés előtt becsült összeget foglal le. Az eredmény után a mért használat alapján elszámolja a végső díjat. Folyamatos átvitel esetén a végső használati rekordot használja. [A foglalás és az elszámolás működése →](https://ailoot.ai/docs/hu/billing/reserve/) #### A referencia-díjszabás részletei A modellszintű referenciatáblázatok nem módosítják a metódusválasztást, az árajánlatokat vagy a díjakat. A tényleges díjak a kiválasztott Ailoot-metódus díjtételeit használják. OpenAI: Whisper Large V3 #### Árak beállításonként | Beállítás | Elszámolási feltételek | Díj | | --- | --- | --- | | BeállításOpenAI: Whisper Large V3 · Alapértelmezett beállítások | Elszámolási feltételekAlapértelmezett konfiguráció | Díj Bemenet · Bemeneti hang másodpercei **0,000015 USD** bemeneti hangmásodpercenként | ### Példakérések #### Ailoot Ultra · Beszédfelismerés curl · pontos natív kéréstörzs és teljes eredmény ```bash set -eu : "${AILOOT_API_KEY:?Set your Ailoot API key}" : "${AILOOT_AUDIO_FILE:?Set the path to your actual WAV recording}" python3 - <<'PY_REQUEST' import json,os from pathlib import Path import base64 audio=Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes() if not (audio[:4]==b'RIFF' and audio[8:12]==b'WAVE'): raise SystemExit('Supply an actual WAV audio file') if len(audio)>26214400: raise SystemExit('Use a documented supported large-file flow') request={'model': 'openai/whisper-large-v3', 'input_audio': {'data': '${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}/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. 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 | | --- | --- | | Mező`text` | Típusstring | | Mező`usage` | Típusobject | | Mező`segments[]` | Típusobject | | Mező`words[]` | Típusobject | ### Álnevek #### Modell álnevei **Ailoot Ultra** [`openai/whisper-large-v3`](https://ailoot.ai/models/hu/#m=openai%2Fwhisper-large-v3&route=Ultra&caller=openai%2Fwhisper-large-v3&fmt=transcriptions) #### Metódusútvonalak álnevei Használja a fent látható metódusútvonalakat. #### Kapcsolódó modellazonosítók [`openai/whisper-large-v3`](https://ailoot.ai/models/hu/#m=openai%2Fwhisper-large-v3&route=Ultra&caller=openai%2Fwhisper-large-v3&fmt=transcriptions) FAQ · OpenAI: Whisper Large V3 Milyen bemenetek és eredmények érhetők el? `POST /v1/audio/transcriptions` · `openai/whisper-large-v3`: `audio` → `transcription` Mely mezőket használja a kérés? `POST /v1/audio/transcriptions` · `openai/whisper-large-v3`: `model`, `input_audio`, `language`, `temperature`, `response_format`, `timestamp_granularities`, `provider` Milyen korlátok érvényesek? `POST /v1/audio/transcriptions` · `openai/whisper-large-v3`: `temperature.minimum`: `0`; `temperature.maximum`: `1` Csatlakoztassa az Ailootot a Claude Code-hoz, OpenCode-hoz, Hermeshez vagy saját alkalmazásához. ## A vállalat és projektportfóliója A vállalat és projektportfóliója: ügyfelek milliói; havi értékesítés milliárdos nagyságrendben. ## Vásároljon tokeneket kedvezménnyel. Előfizetési kedvezmény rendszeres munkához. Promókódok — akár 50% tokenvásárlási kedvezmény. Előfizetés Válasszon kedvezményes tarifát a rendszeres kéréseihez. Promókód akár 50%-ig Vásárláskor adja meg a kódot. Az ár az érvényes akció szerint újraszámolódik. Költségek az előzményekben Minden kéréshez megmarad a modell, a tokenek és az összeg. [Előfizetés kiválasztása](https://ailoot.ai/docs/hu/billing/subscriptions/) · [Modellárak megtekintése](https://ailoot.ai/models/hu/) ## Csatlakoztassa az API-t az értékesített termékéhez. SaaS, alkalmazások és botok — az Ailoot ajánlati feltételei és licencszerződése alapján. Viszonteladáshoz kérjen viszonteladói licencet. Kereskedelmi alkalmazás Építsen szöveg-, kép-, videó- és hanggenerálást szolgáltatása fizetős funkcióiba. Viszonteladói licenc Küldje el a projekt leírását és a hozzáférés módját. Kérjen írásos használati és viszonteladási feltételeket. Dokumentumok a weboldalon Az ajánlati feltételek, licencszerződés és adatkezelési szabályzat már a csatlakoztatás előtt elérhető. [Viszonteladói licenc kérése](mailto:support@ailoot.ai) · [Ajánlati feltételek és licencszerződés](https://ailoot.ai/legal/offer?lang=hu) ## Ailoot · A vállalat és projektportfóliója Az Ailoot felhalmozott működési tapasztalatra, széles ügyfélkörre, stabil szolgáltatásra és folyamatos KPI-ellenőrzésre épít. A vállalat és projektportfóliója: ügyfelek milliói; havi értékesítés milliárdos nagyságrendben. Az Ailoot ezt a működési tapasztalatot használja az ügyfelek termékeiben, ágenseiben, alkalmazásaiban és automatizálásaiban elérhető AI-funkciók API-hozzáféréséhez.