Whisper large-v3-turbo, juga disebut Turbo, adalah model transkripsi OpenAI yang dioptimalkan dan diturunkan dari Whisper large-v3. Dekodernya dikurangi dari 32 lapisan menjadi empat, sementara enkodernya tetap memiliki 32 lapisan. Model yang dirilis memiliki sekitar 809 juta parameter. Tujuan pembuatnya adalah pengenalan ucapan yang lebih cepat dengan sedikit kompromi akurasi, bukan mode generasi audio yang berbeda. Ucapan yang direkam menjadi masukan dan teks hasil pengenalan menjadi keluaran.
Pengumuman peluncurannya membedakan penyiapan Turbo dari model Whisper lain yang didistilasi secara terpisah: Turbo disetel lebih lanjut selama dua epoch tambahan pada data transkripsi multibahasa, tanpa data penerjemahan. Perbedaan ini penting secara operasional. Repositori OpenAI menyatakan bahwa Turbo tidak dilatih untuk menerjemahkan ucapan non-Inggris ke bahasa Inggris dan dapat mengembalikan bahasa asli meskipun tugas penerjemahan diminta. Gunakan edisi ini untuk transkrip dalam bahasa yang sama; kebutuhan penerjemahan memerlukan model lain yang sesuai atau langkah terpisah setelah transkripsi.
Deteksi bahasa sumber dan pemilihan bahasa secara eksplisit tetap merupakan pilihan transkripsi yang berguna. Jika bahasa rekaman sudah diketahui, tentukan dalam arahan; jika belum, alur kerja yang didokumentasikan dapat mendeteksinya. Pertahankan nama, jumlah, dan kata yang diucapkan sebelum meminta penyuntingan apa pun. Catatan rapat, transkrip wawancara, atau teks kuliah kemudian dapat dicari, dianotasi, atau diringkas pada operasi berikutnya. Tugas pengenalan Turbo tidak boleh disamakan dengan sintesis suara, peniruan pembicara, atau penilaian semantik terhadap orang dalam rekaman.
Pemuat audio OpenAI mendekode berkas masukan menjadi sampel mono pada 16 kHz, dan model menggunakan jendela akustik 30 detik dengan 128 bin frekuensi Mel. Rekaman yang lebih panjang memerlukan inferensi berdurasi panjang. Pemrosesan berurutan bergerak melalui jendela secara berurutan; pendekatan berbasis potongan mentranskripsikan bagian yang tumpang tindih dan menyambungkan batasnya. Kartu model menyajikan pendekatan kedua sebagai pilihan yang berguna ketika memproses satu berkas panjang dengan waktu penyelesaian sebagai prioritas utama, sedangkan pemrosesan berurutan merupakan alternatif yang mengutamakan akurasi. Jendela maupun nama model tidak menetapkan ukuran berkas maksimum yang tetap untuk unggahan pada layanan yang dihosting.
Konfigurasi Turbo yang tepat mencantumkan 448 posisi dekoder untuk satu urutan dekode. Alur inferensi yang didokumentasikan dapat menyertakan waktu segmen atau kata bersama transkrip; penanda waktu mendukung navigasi dan pemformatan takarir berikutnya. Ini tidak otomatis menambahkan format berkas takarir atau label pembicara yang andal. Nyatakan apakah yang dibutuhkan adalah transkrip biasa atau segmen dengan penanda waktu, dan simpan rekaman asli untuk memeriksa bagian yang diperselisihkan. Pemrosesan berdurasi panjang dan pemformatan akhir terpisah dari identitas checkpoint.
Turbo mengurangi pekerjaan dekode, tetapi waktu yang sebenarnya diperlukan bergantung pada perangkat keras, panjang rekaman, bahasa, kecepatan bicara, dan pilihan inferensi. Pembuatnya mencatat penurunan kualitas yang lebih besar untuk beberapa bahasa, termasuk bahasa Thai dan Kanton, bukan perilaku yang seragam di semua bahasa. Bandingkan cuplikan yang representatif dalam bahasa sasaran sebelum menganggap kompromi yang mengutamakan kecepatan ini sesuai untuk semua materi. Untuk tugas pemrosesan arsip, sertakan kosakata sulit, jeda, serta bagian bising atau tumpang tindih dalam sampel tinjauan, bukan hanya kalimat pembuka yang bersih.
Kartu yang diterbitkan memuat keterbatasan penting pengenalan Whisper: teks prediksi dapat menyertakan kata yang tidak diucapkan, dan teks berulang dapat muncul. Hasil bervariasi antarbahasa, aksen, dan dialek, terutama ketika cakupan pelatihan terbatas. Kartu itu tidak menetapkan diarisasi atau klasifikasi pembicara pada model dasar sebagai kemampuan standar yang tangguh. Tinjauan praktis berfokus pada kesetiaan terhadap sumber: nama dan angka penting, ucapan yang terlewat, teks tak terduga saat hening, dan pengulangan. Transkrip yang terbaca tetap merupakan hasil yang perlu dibandingkan dengan rekaman, bukan jaminan pengenalan yang tepat.
Artefak akhir yang berguna adalah transkrip dalam bahasa sumber beserta penanda waktu yang diminta dan tautan yang jelas ke rekamannya. Pisahkan versi hasil pengenalan dari versi publikasi yang disunting agar perubahan dapat ditelusuri. Pertahankan nama large-v3-turbo ketika membandingkan edisi: model ini bukan large-v3 penuh dan tidak boleh diam-diam mewarisi tugas penerjemahan bahasa Inggris dari large-v3. Identitas berbobot terbuka ini juga tidak membawa batas unggahan, format wadah respons, atau janji streaming langsung dari layanan whisper-1 yang dihosting. Pilih Turbo ketika kompromi transkripsi yang didokumentasikan sesuai dengan materi yang sebenarnya dan waktu penyelesaian yang diinginkan.
", "aboutText": "Whisper large-v3-turbo, juga disebut Turbo, adalah model transkripsi OpenAI yang dioptimalkan dan diturunkan dari Whisper large-v3. Dekodernya dikurangi dari 32 lapisan menjadi empat, sementara enkodernya tetap memiliki 32 lapisan. Model yang dirilis memiliki sekitar 809 juta parameter. Tujuan pembuatnya adalah pengenalan ucapan yang lebih cepat dengan sedikit kompromi akurasi, bukan mode generasi audio yang berbeda. Ucapan yang direkam menjadi masukan dan teks hasil pengenalan menjadi keluaran.\n\nPengumuman peluncurannya membedakan penyiapan Turbo dari model Whisper lain yang didistilasi secara terpisah: Turbo disetel lebih lanjut selama dua epoch tambahan pada data transkripsi multibahasa, tanpa data penerjemahan. Perbedaan ini penting secara operasional. Repositori OpenAI menyatakan bahwa Turbo tidak dilatih untuk menerjemahkan ucapan non-Inggris ke bahasa Inggris dan dapat mengembalikan bahasa asli meskipun tugas penerjemahan diminta. Gunakan edisi ini untuk transkrip dalam bahasa yang sama; kebutuhan penerjemahan memerlukan model lain yang sesuai atau langkah terpisah setelah transkripsi.\n\nDeteksi bahasa sumber dan pemilihan bahasa secara eksplisit tetap merupakan pilihan transkripsi yang berguna. Jika bahasa rekaman sudah diketahui, tentukan dalam arahan; jika belum, alur kerja yang didokumentasikan dapat mendeteksinya. Pertahankan nama, jumlah, dan kata yang diucapkan sebelum meminta penyuntingan apa pun. Catatan rapat, transkrip wawancara, atau teks kuliah kemudian dapat dicari, dianotasi, atau diringkas pada operasi berikutnya. Tugas pengenalan Turbo tidak boleh disamakan dengan sintesis suara, peniruan pembicara, atau penilaian semantik terhadap orang dalam rekaman.\n\nPemuat audio OpenAI mendekode berkas masukan menjadi sampel mono pada 16 kHz, dan model menggunakan jendela akustik 30 detik dengan 128 bin frekuensi Mel. Rekaman yang lebih panjang memerlukan inferensi berdurasi panjang. Pemrosesan berurutan bergerak melalui jendela secara berurutan; pendekatan berbasis potongan mentranskripsikan bagian yang tumpang tindih dan menyambungkan batasnya. Kartu model menyajikan pendekatan kedua sebagai pilihan yang berguna ketika memproses satu berkas panjang dengan waktu penyelesaian sebagai prioritas utama, sedangkan pemrosesan berurutan merupakan alternatif yang mengutamakan akurasi. Jendela maupun nama model tidak menetapkan ukuran berkas maksimum yang tetap untuk unggahan pada layanan yang dihosting.\n\nKonfigurasi Turbo yang tepat mencantumkan 448 posisi dekoder untuk satu urutan dekode. Alur inferensi yang didokumentasikan dapat menyertakan waktu segmen atau kata bersama transkrip; penanda waktu mendukung navigasi dan pemformatan takarir berikutnya. Ini tidak otomatis menambahkan format berkas takarir atau label pembicara yang andal. Nyatakan apakah yang dibutuhkan adalah transkrip biasa atau segmen dengan penanda waktu, dan simpan rekaman asli untuk memeriksa bagian yang diperselisihkan. Pemrosesan berdurasi panjang dan pemformatan akhir terpisah dari identitas checkpoint.\n\nTurbo mengurangi pekerjaan dekode, tetapi waktu yang sebenarnya diperlukan bergantung pada perangkat keras, panjang rekaman, bahasa, kecepatan bicara, dan pilihan inferensi. Pembuatnya mencatat penurunan kualitas yang lebih besar untuk beberapa bahasa, termasuk bahasa Thai dan Kanton, bukan perilaku yang seragam di semua bahasa. Bandingkan cuplikan yang representatif dalam bahasa sasaran sebelum menganggap kompromi yang mengutamakan kecepatan ini sesuai untuk semua materi. Untuk tugas pemrosesan arsip, sertakan kosakata sulit, jeda, serta bagian bising atau tumpang tindih dalam sampel tinjauan, bukan hanya kalimat pembuka yang bersih.\n\nKartu yang diterbitkan memuat keterbatasan penting pengenalan Whisper: teks prediksi dapat menyertakan kata yang tidak diucapkan, dan teks berulang dapat muncul. Hasil bervariasi antarbahasa, aksen, dan dialek, terutama ketika cakupan pelatihan terbatas. Kartu itu tidak menetapkan diarisasi atau klasifikasi pembicara pada model dasar sebagai kemampuan standar yang tangguh. Tinjauan praktis berfokus pada kesetiaan terhadap sumber: nama dan angka penting, ucapan yang terlewat, teks tak terduga saat hening, dan pengulangan. Transkrip yang terbaca tetap merupakan hasil yang perlu dibandingkan dengan rekaman, bukan jaminan pengenalan yang tepat.\n\nArtefak akhir yang berguna adalah transkrip dalam bahasa sumber beserta penanda waktu yang diminta dan tautan yang jelas ke rekamannya. Pisahkan versi hasil pengenalan dari versi publikasi yang disunting agar perubahan dapat ditelusuri. Pertahankan nama large-v3-turbo ketika membandingkan edisi: model ini bukan large-v3 penuh dan tidak boleh diam-diam mewarisi tugas penerjemahan bahasa Inggris dari large-v3. Identitas berbobot terbuka ini juga tidak membawa batas unggahan, format wadah respons, atau janji streaming langsung dari layanan whisper-1 yang dihosting. Pilih Turbo ketika kompromi transkripsi yang didokumentasikan sesuai dengan materi yang sebenarnya dan waktu penyelesaian yang diinginkan.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "ec896c0e17a63e7717b71edc3f05ab31b88526e95efce7cd46657d6346948d21", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "id", "methods": [ { "html": "openai/whisper-large-v3-turboWhisper large-v3-turbo adalah edisi transkripsi OpenAI dengan bobot terbuka yang lebih cepat, diturunkan dari large-v3, dengan empat lapisan dekoder dan 809 juta parameter. Model ini ditujukan untuk transkripsi ucapan multibahasa; dokumentasi resmi pembuatnya mengecualikan penerjemahan ucapan ke bahasa Inggris dari tugas pelatihan Turbo.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Whisper large-v3-turbo, juga disebut Turbo, adalah model transkripsi OpenAI yang dioptimalkan dan diturunkan dari Whisper large-v3. Dekodernya dikurangi dari 32 lapisan menjadi empat, sementara enkodernya tetap memiliki 32 lapisan. Model yang dirilis memiliki sekitar 809 juta parameter. Tujuan pembuatnya adalah pengenalan ucapan yang lebih cepat dengan sedikit kompromi akurasi, bukan mode generasi audio yang berbeda. Ucapan yang direkam menjadi masukan dan teks hasil pengenalan menjadi keluaran.
Pengumuman peluncurannya membedakan penyiapan Turbo dari model Whisper lain yang didistilasi secara terpisah: Turbo disetel lebih lanjut selama dua epoch tambahan pada data transkripsi multibahasa, tanpa data penerjemahan. Perbedaan ini penting secara operasional. Repositori OpenAI menyatakan bahwa Turbo tidak dilatih untuk menerjemahkan ucapan non-Inggris ke bahasa Inggris dan dapat mengembalikan bahasa asli meskipun tugas penerjemahan diminta. Gunakan edisi ini untuk transkrip dalam bahasa yang sama; kebutuhan penerjemahan memerlukan model lain yang sesuai atau langkah terpisah setelah transkripsi.
Deteksi bahasa sumber dan pemilihan bahasa secara eksplisit tetap merupakan pilihan transkripsi yang berguna. Jika bahasa rekaman sudah diketahui, tentukan dalam arahan; jika belum, alur kerja yang didokumentasikan dapat mendeteksinya. Pertahankan nama, jumlah, dan kata yang diucapkan sebelum meminta penyuntingan apa pun. Catatan rapat, transkrip wawancara, atau teks kuliah kemudian dapat dicari, dianotasi, atau diringkas pada operasi berikutnya. Tugas pengenalan Turbo tidak boleh disamakan dengan sintesis suara, peniruan pembicara, atau penilaian semantik terhadap orang dalam rekaman.
Pemuat audio OpenAI mendekode berkas masukan menjadi sampel mono pada 16 kHz, dan model menggunakan jendela akustik 30 detik dengan 128 bin frekuensi Mel. Rekaman yang lebih panjang memerlukan inferensi berdurasi panjang. Pemrosesan berurutan bergerak melalui jendela secara berurutan; pendekatan berbasis potongan mentranskripsikan bagian yang tumpang tindih dan menyambungkan batasnya. Kartu model menyajikan pendekatan kedua sebagai pilihan yang berguna ketika memproses satu berkas panjang dengan waktu penyelesaian sebagai prioritas utama, sedangkan pemrosesan berurutan merupakan alternatif yang mengutamakan akurasi. Jendela maupun nama model tidak menetapkan ukuran berkas maksimum yang tetap untuk unggahan pada layanan yang dihosting.
Konfigurasi Turbo yang tepat mencantumkan 448 posisi dekoder untuk satu urutan dekode. Alur inferensi yang didokumentasikan dapat menyertakan waktu segmen atau kata bersama transkrip; penanda waktu mendukung navigasi dan pemformatan takarir berikutnya. Ini tidak otomatis menambahkan format berkas takarir atau label pembicara yang andal. Nyatakan apakah yang dibutuhkan adalah transkrip biasa atau segmen dengan penanda waktu, dan simpan rekaman asli untuk memeriksa bagian yang diperselisihkan. Pemrosesan berdurasi panjang dan pemformatan akhir terpisah dari identitas checkpoint.
Turbo mengurangi pekerjaan dekode, tetapi waktu yang sebenarnya diperlukan bergantung pada perangkat keras, panjang rekaman, bahasa, kecepatan bicara, dan pilihan inferensi. Pembuatnya mencatat penurunan kualitas yang lebih besar untuk beberapa bahasa, termasuk bahasa Thai dan Kanton, bukan perilaku yang seragam di semua bahasa. Bandingkan cuplikan yang representatif dalam bahasa sasaran sebelum menganggap kompromi yang mengutamakan kecepatan ini sesuai untuk semua materi. Untuk tugas pemrosesan arsip, sertakan kosakata sulit, jeda, serta bagian bising atau tumpang tindih dalam sampel tinjauan, bukan hanya kalimat pembuka yang bersih.
Kartu yang diterbitkan memuat keterbatasan penting pengenalan Whisper: teks prediksi dapat menyertakan kata yang tidak diucapkan, dan teks berulang dapat muncul. Hasil bervariasi antarbahasa, aksen, dan dialek, terutama ketika cakupan pelatihan terbatas. Kartu itu tidak menetapkan diarisasi atau klasifikasi pembicara pada model dasar sebagai kemampuan standar yang tangguh. Tinjauan praktis berfokus pada kesetiaan terhadap sumber: nama dan angka penting, ucapan yang terlewat, teks tak terduga saat hening, dan pengulangan. Transkrip yang terbaca tetap merupakan hasil yang perlu dibandingkan dengan rekaman, bukan jaminan pengenalan yang tepat.
Artefak akhir yang berguna adalah transkrip dalam bahasa sumber beserta penanda waktu yang diminta dan tautan yang jelas ke rekamannya. Pisahkan versi hasil pengenalan dari versi publikasi yang disunting agar perubahan dapat ditelusuri. Pertahankan nama large-v3-turbo ketika membandingkan edisi: model ini bukan large-v3 penuh dan tidak boleh diam-diam mewarisi tugas penerjemahan bahasa Inggris dari large-v3. Identitas berbobot terbuka ini juga tidak membawa batas unggahan, format wadah respons, atau janji streaming langsung dari layanan whisper-1 yang dihosting. Pilih Turbo ketika kompromi transkripsi yang didokumentasikan sesuai dengan materi yang sebenarnya dan waktu penyelesaian yang diinginkan.
POST /v1/audio/transcriptionsaudiotext| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan openai/whisper-large-v3-turbo | Bawaan— |
Kolominput_audio | Jenisobject | PersyaratanWajib | Nilai & batasan | Bawaan— |
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, input_audio |
Parametermaterial_types | Kontrakaudio |
Parametermaterial_conditions | KontrakContoh ini membaca berkas PCM WAV Anda yang benar-benar ada dan tidak kosong, mengodekan seluruh byte berkas sebagai base64, lalu mengirim input_audio.format dengan nilai wav. |
Siklus hidup: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · task_id persis dari catatan media milik Ailoot yang sudah ada
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Referensi tarif tidak menambah opsi permintaan. Parameter yang didukung tercantum pada metode yang dipilih.
Cocokkan setiap biaya dengan kondisi yang ditampilkan. Gunakan satu tarif untuk setiap kelompok konfigurasi alternatif.
| Konfigurasi | Jadwal tarif | Satuan penagihan | Biaya |
|---|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Satuan penagihan— | Biaya Masukan · Token masukan — / 1K token Keluaran · Token keluaran — / 1K token Masukan · Pembacaan cache — / 1K token Masukan · Penulisan cache — / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
| Konfigurasidetik audio masukan | Jadwal tarif— | Satuan penagihanper detik audio masukan | Biaya Masukan · detik audio masukan $0.00000666 per detik audio masukan |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_AUDIO_FILE:?Set the path to your actual PCM WAV recording}"\nexport AILOOT_AUDIO_FILE\npython3 - <<'PY_REQUEST'\nimport base64, io, json, os, wave\nfrom pathlib import Path\naudio = Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()\nif not (audio[:4] == b'RIFF' and audio[8:12] == b'WAVE'):\n raise SystemExit('Supply your actual PCM WAV audio file')\nwith wave.open(io.BytesIO(audio), 'rb') as recording:\n if recording.getcomptype() != 'NONE' or recording.getnframes() <= 0:\n raise SystemExit('Supply a nonempty PCM WAV recording')\nrequest = {'model': 'openai/whisper-large-v3-turbo', 'input_audio': {'data': base64.b64encode(audio).decode('ascii'), 'format': 'wav'}}\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# Retain the complete original response, headers and actual X-Client-Request-ID.\n# Read existing owned records for recovery; do not resubmit an uncertain operation.\nIsi respons asli secara utuh, status, dan header yang diteruskan. Handler ini tidak menambahkan struktur JSON universal, bidang teks, atau pembungkus tugas.
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}Simpan setiap respons lengkap, berkas, dan bagian konten yang dikembalikan.
Simpan respons dan header secara lengkap, setiap keluaran aktual, identifikator asli yang dikembalikan, dan semua kolom usage. Pulihkan operasi asli tanpa mengirim ulang permintaan pembuatan.
Simpan X-Client-Request-ID aktual dan respons secara utuh. Baca aset asli yang dimiliki beserta URL konten bertanda tangan yang persis; jangan pernah kirim ulang pembuatan yang statusnya belum pasti.
| Kolom | Jenis |
|---|---|
Kolomtext (when present) | Jenis |
Kolomusage (when present) | Jenis |
| Respons | Kondisi | Langkah berikutnya |
|---|---|---|
Respons400 · invalid_request_error | KondisiIsi JSON atau ID model kanonis eksplisit tidak valid. | Langkah berikutnyaSimpan respons dan perbaiki bidang permintaan yang ditunjukkan. |
Respons401 · authentication_error | KondisiKunci API Ailoot tidak valid. | Langkah berikutnyaGunakan kunci API Ailoot Anda yang diotorisasi. |
Respons403 · permission_error | KondisiGrup kunci tidak mengizinkan metode ini. | Langkah berikutnyaSimpan rincian kesalahan yang dikembalikan. |
Respons404 · not_found_error | KondisiMetode yang dipilih tidak memiliki rute yang diizinkan. | Langkah berikutnyaSimpan rincian kesalahan yang dikembalikan. |
Respons422 · price_unavailable | KondisiTarif yang diterima tidak dapat memperoleh jumlah atau batas masukan yang diwajibkan. | Langkah berikutnyaSimpan respons; gunakan representasi masukan yang diwajibkan oleh tarif yang diterima. |
Respons503 · | KondisiPenyimpanan, rute, harga metode, atau pencadangan dana yang diperlukan tidak tersedia. | Langkah berikutnyaSimpan respons asli secara utuh. Pencadangan dana yang belum pasti tidak mengizinkan pengiriman ulang. |
Respons502 · server_error | KondisiHasil awal, penggunaan, atau penyelesaian tagihan perlu diperiksa. | Langkah berikutnyaSimpan ID permintaan aktual dan respons asli. Baca catatan yang dimiliki yang sudah ada; jangan kirim ulang pembuatan. |
Ailoot Ultra openai/whisper-large-v3-turbo
Gunakan jalur metode yang ditampilkan di atas.