qwen-audio-3.0-asr-flash
Beszédfelismerő modell, amely a hangot olvasható szöveggé alakítja, központozással és a számok normalizálásával. Támogatja az oroszt és más nyelveket, valamint a kínai dialektusokat.
- Ailoot · Beszéd átírása szöveggé
POST /v1/audio/transcriptionsqwen-audio-3.0-asr-flash - Ailoot · Beszéd átírása szöveggé
POST /v1/audio/transcriptionsqwen-asr - Ailoot · Beszéd átírása szöveggé
POST /v1/audio/transcriptionsqwen-asr-latest
A modellről
Ez a leírás a modell képességeit ismerteti. Az Ailootban elérhető bemenetek, kimenetek és lehetőségek alább, a kiválasztott metódusnál láthatók.
A Qwen-Audio-3.0-ASR-Flash beszédfelvételek szöveggé alakítására szolgál. Az Alibaba a többnyelvű felismerést és a kifejező beszéd feldolgozását emeli ki, beleértve a költői ritmust, a klasszikus kínai nyelvet és a kulturális történetmesélést. A bemenet hang, az eredmény átirat.
Beszéd írott formában
A modell központozza a szöveget, a kimondott számokat, dátumokat és pénzösszegeket pedig a szokásos írott alakjukra hozza. Ez hangüzeneteknél, interjúrészleteknél és oktatási célú beszédnél hasznos, ha olvasható szövegre van szükség, nem csupán a felismert szavak sorozatára.
30 nyelv támogatott, köztük az orosz, az angol, a francia, a német, a japán és az arab. Emellett figyelembe veszi a hét fő kínai dialektusrendszert és több mint 20 regionális kiejtési változatot. Ez a készlet különböző nyelvi és akcentusbeli sajátosságok felismerését szolgálja.
Szakkifejezésekhez megadható a feladat kontextusa és segítő kulcsszavak. Ezek a nevek és a szakterületi szókincs felismerését irányítják. Ennél a verziónál az időbélyegek mindig be vannak kapcsolva: az eredmény összekapcsolható a felvétel megfelelő részleteivel. Egy rövid fájl átirata visszaadható egyben vagy a feldolgozás előrehaladtával.
Bemeneti anyag és korlátok
A felvétel maximális hossza öt perc. Egy feladatban egy fájl használható. Támogatott formátumok: AAC, AMR, AVI, FLAC, FLV, M4A, MKV, MOV, MP3, MP4, MPEG, OGG, OPUS, WAV, WEBM, WMA és WMV; bármilyen mintavételi frekvencia megengedett. A videókonténerek felsorolása a hangsávból történő beszédkinyerésre vonatkozik, nem a képkockák vizuális elemzésére.
A Qwen-Audio-3.0-ASR-Flash nem kínál beszélők szerinti elkülönítést vagy érzelemfelismerést. Elsődleges eredménye a szöveg és a felismert tartalom összekapcsolása a felvétel időpontjaival. A szomszédos modelleknél feltüntetett hosszabb felvételek és más hangelemzési módok erre a verzióra nem vonatkoznak.
Ailoot · Beszéd átírása szöveggé POST /v1/audio/transcriptions qwen-audio-3.0-asr-flash
qwen-audio-3.0-asr-flashqwen-audio-3.0-asr-flashqwen-asrqwen-asr-latest
Kezdő lépések
Beszédfelismerő modell, amely a hangot olvasható szöveggé alakítja, központozással és a számok normalizálásával. Támogatja az oroszt és más nyelveket, valamint a kínai dialektusokat.
- Elfogadott bemenetek
- Hang
- Eredmények
- Szöveg
Elérhető az Ailootban · bemenetek és metódusok
Ailoot · Beszéd átírása szöveggé POST /v1/audio/transcriptions
- Bemenet
audio- Kimenet
text- Kimeneti formátum
- json
| Mező | Típus | Követelmény | Értékek és korlátok | Alapértelmezett |
|---|---|---|---|---|
Mezőmodel | Típusstring | KövetelményKötelező | Értékek és korlátok qwen-audio-3.0-asr-flash | Alapértelmezett— |
Mezőfile | Típusfile | KövetelményKötelező | Értékek és korlátok Maximális bájtszám: 10 485 760 Fájlformátumok: wav, mp3, m4a, ogg, webm, flac Tartalomtípus: multipart/form-data Maximális időtartam, másodperc: 300 | Alapértelmezett— |
Mezőresponse_format | Típusstring | KövetelményOpcionális | Értékek és korlátok json | Alapértelmezett— |
Bemeneti anyagok kombinációi
speech_to_text · Kötelező: actual audio file
Metódus paraméterei és életciklusa
| Paraméter | Szerződés |
|---|---|
Paramétermaterial_types | Szerződésaudio |
Paraméterrequired | Szerződésnull |
Paraméteroptional_controls | Szerződésnull |
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}
A metódusok szerkezete és azonosítói pontosak; a beszállítói képesség különbözik a kérelmek befogadásától.
Díjcsomagok
Ailoot-metódusok díjai
POST /v1/audio/transcriptions- Bemenet
- 0,0021 USD hangpercenként
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 · Beszéd átírása szöveggé
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_AUDIO_FILE:?Set your actual MP3 recording}"
export AILOOT_AUDIO_FILE
python3 - <<'PY_REQUEST'
import os
from pathlib import Path
f=Path(os.environ["AILOOT_AUDIO_FILE"])
if not f.is_file() or f.suffix.lower()!=".mp3":raise SystemExit("Choose your actual MP3 recording")
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \
-H "Authorization: Bearer $AILOOT_API_KEY" \
--form-string model=qwen-audio-3.0-asr-flash -F "file=@$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()),ensure_ascii=False,indent=2))
PY_RESULT
Eredmények fogadása és mentése
Ailoot · Beszéd átírása szöveggé
json
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.
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 |
|---|---|
Mezőtext | Típusstring |
Mezősegments[] | Típusobject |
Mezőtask_id | Típusstring |
Mezőasset_url | Típusstring |
Mezőusage | 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. |
Válaszserver_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 qwen-audio-3.0-asr-flash, qwen-asr, qwen-asr-latest
Metódusútvonalak álnevei
Használja a fent látható metódusútvonalakat.
Kapcsolódó modellazonosítók
Ailoot · Beszéd átírása szöveggé POST /v1/audio/transcriptions qwen-asr
qwen-asrqwen-audio-3.0-asr-flashqwen-asrqwen-asr-latest
Kezdő lépések
Beszédfelismerő modell, amely a hangot olvasható szöveggé alakítja, központozással és a számok normalizálásával. Támogatja az oroszt és más nyelveket, valamint a kínai dialektusokat.
- Elfogadott bemenetek
- Hang
- Eredmények
- Szöveg
Elérhető az Ailootban · bemenetek és metódusok
Ailoot · Beszéd átírása szöveggé POST /v1/audio/transcriptions
- Bemenet
audio- Kimenet
text- Kimeneti formátum
- json
| Mező | Típus | Követelmény | Értékek és korlátok | Alapértelmezett |
|---|---|---|---|---|
Mezőmodel | Típusstring | KövetelményKötelező | Értékek és korlátok qwen-asr | Alapértelmezett— |
Mezőfile | Típusfile | KövetelményKötelező | Értékek és korlátok Maximális bájtszám: 10 485 760 Fájlformátumok: wav, mp3, m4a, ogg, webm, flac Tartalomtípus: multipart/form-data Maximális időtartam, másodperc: 300 | Alapértelmezett— |
Mezőresponse_format | Típusstring | KövetelményOpcionális | Értékek és korlátok json | Alapértelmezett— |
Bemeneti anyagok kombinációi
speech_to_text · Kötelező: actual audio file
Metódus paraméterei és életciklusa
| Paraméter | Szerződés |
|---|---|
Paramétermaterial_types | Szerződésaudio |
Paraméterrequired | Szerződésnull |
Paraméteroptional_controls | Szerződésnull |
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}
A metódusok szerkezete és azonosítói pontosak; a beszállítói képesség különbözik a kérelmek befogadásától.
Díjcsomagok
Ailoot-metódusok díjai
POST /v1/audio/transcriptions- Bemenet
- 0,0021 USD hangpercenként
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 · Beszéd átírása szöveggé
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_AUDIO_FILE:?Set your actual MP3 recording}"
export AILOOT_AUDIO_FILE
python3 - <<'PY_REQUEST'
import os
from pathlib import Path
f=Path(os.environ["AILOOT_AUDIO_FILE"])
if not f.is_file() or f.suffix.lower()!=".mp3":raise SystemExit("Choose your actual MP3 recording")
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \
-H "Authorization: Bearer $AILOOT_API_KEY" \
--form-string model=qwen-asr -F "file=@$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()),ensure_ascii=False,indent=2))
PY_RESULT
Eredmények fogadása és mentése
Ailoot · Beszéd átírása szöveggé
json
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.
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 |
|---|---|
Mezőtext | Típusstring |
Mezősegments[] | Típusobject |
Mezőtask_id | Típusstring |
Mezőasset_url | Típusstring |
Mezőusage | 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. |
Válaszserver_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 qwen-audio-3.0-asr-flash, qwen-asr, qwen-asr-latest
Metódusútvonalak álnevei
Használja a fent látható metódusútvonalakat.
Kapcsolódó modellazonosítók
Ailoot · Beszéd átírása szöveggé POST /v1/audio/transcriptions qwen-asr-latest
qwen-asr-latestqwen-audio-3.0-asr-flashqwen-asrqwen-asr-latest
Kezdő lépések
Beszédfelismerő modell, amely a hangot olvasható szöveggé alakítja, központozással és a számok normalizálásával. Támogatja az oroszt és más nyelveket, valamint a kínai dialektusokat.
- Elfogadott bemenetek
- Hang
- Eredmények
- Szöveg
Elérhető az Ailootban · bemenetek és metódusok
Ailoot · Beszéd átírása szöveggé POST /v1/audio/transcriptions
- Bemenet
audio- Kimenet
text- Kimeneti formátum
- json
| Mező | Típus | Követelmény | Értékek és korlátok | Alapértelmezett |
|---|---|---|---|---|
Mezőmodel | Típusstring | KövetelményKötelező | Értékek és korlátok qwen-asr-latest | Alapértelmezett— |
Mezőfile | Típusfile | KövetelményKötelező | Értékek és korlátok Maximális bájtszám: 10 485 760 Fájlformátumok: wav, mp3, m4a, ogg, webm, flac Tartalomtípus: multipart/form-data Maximális időtartam, másodperc: 300 | Alapértelmezett— |
Mezőresponse_format | Típusstring | KövetelményOpcionális | Értékek és korlátok json | Alapértelmezett— |
Bemeneti anyagok kombinációi
speech_to_text · Kötelező: actual audio file
Metódus paraméterei és életciklusa
| Paraméter | Szerződés |
|---|---|
Paramétermaterial_types | Szerződésaudio |
Paraméterrequired | Szerződésnull |
Paraméteroptional_controls | Szerződésnull |
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}
A metódusok szerkezete és azonosítói pontosak; a beszállítói képesség különbözik a kérelmek befogadásától.
Díjcsomagok
Ailoot-metódusok díjai
POST /v1/audio/transcriptions- Bemenet
- 0,0021 USD hangpercenként
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 · Beszéd átírása szöveggé
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_AUDIO_FILE:?Set your actual MP3 recording}"
export AILOOT_AUDIO_FILE
python3 - <<'PY_REQUEST'
import os
from pathlib import Path
f=Path(os.environ["AILOOT_AUDIO_FILE"])
if not f.is_file() or f.suffix.lower()!=".mp3":raise SystemExit("Choose your actual MP3 recording")
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \
-H "Authorization: Bearer $AILOOT_API_KEY" \
--form-string model=qwen-asr-latest -F "file=@$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()),ensure_ascii=False,indent=2))
PY_RESULT
Eredmények fogadása és mentése
Ailoot · Beszéd átírása szöveggé
json
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.
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 |
|---|---|
Mezőtext | Típusstring |
Mezősegments[] | Típusobject |
Mezőtask_id | Típusstring |
Mezőasset_url | Típusstring |
Mezőusage | 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. |
Válaszserver_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 qwen-audio-3.0-asr-flash, qwen-asr, qwen-asr-latest
Metódusútvonalak álnevei
Használja a fent látható metódusútvonalakat.
Kapcsolódó modellazonosítók
FAQ · qwen-audio-3.0-asr-flash
- Milyen bemenetek és eredmények érhetők el?
POST /v1/audio/transcriptions·qwen-audio-3.0-asr-flash:audio→textPOST /v1/audio/transcriptions·qwen-asr:audio→textPOST /v1/audio/transcriptions·qwen-asr-latest:audio→text- Mely mezőket használja a kérés?
POST /v1/audio/transcriptions·qwen-audio-3.0-asr-flash:model,file,response_formatPOST /v1/audio/transcriptions·qwen-asr:model,file,response_formatPOST /v1/audio/transcriptions·qwen-asr-latest:model,file,response_format