Whisper large-v3 adalah checkpoint pengenalan ucapan yang dirilis OpenAI dengan sekitar 1,55 miliar parameter. Model ini merupakan model encoder-decoder multibahasa: audio masuk ke encoder dan decoder memprediksi teks serta token terkait tugas. Tugas utamanya adalah transkripsi ucapan dalam bahasa sumber dan penerjemahan ucapan ke bahasa Inggris. Ini merupakan identitas model dengan bobot terbuka, yang dibedakan dari pengenal model suatu layanan yang dihoskan atau aturan unggahan dan format respons layanan tersebut.
Large-v3 mempertahankan arsitektur checkpoint Whisper large sebelumnya dengan dua perubahan yang dinyatakan: masukan spektrogramnya menggunakan 128 bin frekuensi Mel, bukan 80, dan menambahkan token bahasa Kanton. Kartu model produsen menjelaskan pelatihan pada satu juta jam audio berlabel lemah dan empat juta jam audio berlabel semu yang disiapkan dengan Whisper large-v2. Campuran ini digunakan untuk dua epoch pelatihan. Rilis ini merupakan checkpoint large-v3 tertentu, bukan nama umum untuk setiap model dalam keluarga Whisper.
Alur kerja inferensi yang didokumentasikan melakukan transkripsi secara bawaan, mempertahankan bahasa yang diucapkan dalam rekaman. Model ini dapat mendeteksi bahasa sumber secara otomatis atau menerima pilihan bahasa yang diketahui. Untuk terjemahan, model large multibahasa menyediakan hasil teks berbahasa Inggris dari ucapan non-Inggris. Pilih tugas itu secara eksplisit: transkrip dalam bahasa yang sama dan terjemahan bahasa Inggris adalah artefak berbeda. Untuk wawancara, pertahankan susunan kata bahasa asli; untuk dokumen referensi berbahasa Inggris, tentukan bahwa hasil yang diinginkan adalah terjemahan konten lisan.
Persiapan audio merupakan bagian dari jalur masukan. Pemuat OpenAI mendekode rekaman menjadi bentuk gelombang mono dan melakukan resampling ke 16 kHz. Medan reseptif akustik model adalah 30 detik. Itu merupakan jendela pemrosesan, bukan panjang maksimum seluruh wawancara atau kuliah. Inferensi bentuk panjang dapat bergerak secara berurutan melalui jendela geser, atau membagi rekaman panjang menjadi potongan tumpang tindih dan menggabungkan transkripnya. Kartu model produsen menjelaskan pemrosesan berurutan ketika ketepatan menjadi prioritas dan pemrosesan per potongan ketika waktu penyelesaian satu rekaman panjang lebih penting.
Konfigurasi yang dirilis mencantumkan 448 posisi decoder untuk satu urutan dekode. Rekaman yang lebih panjang ditangani melalui proses bentuk panjang, bukan dengan menganggap angka itu sebagai batas transkrip universal. Alur kerja yang didokumentasikan dapat mengembalikan penanda waktu tingkat segmen atau kata bersama teks yang dikenali. Keluaran waktu tersebut berguna untuk menavigasi rekaman dan menyiapkan takarir, sedangkan kontainer subtitel akhir atau format berkas transkrip merupakan pilihan pemformatan keluaran terpisah. Pertahankan waktu rekaman ketika menyiapkan audio jika transkrip akan diselaraskan dengan materi asli.
Peran yang dimaksud untuk Whisper adalah mengenali dan menerjemahkan ucapan. Transkrip kuliah, catatan wawancara, atau koleksi materi lisan yang dapat dicari merupakan keluaran praktis; peringkasan atau interpretasi dapat menyusul sebagai langkah lain atas teks. Kartu model tidak menetapkan klasifikasi penutur atau diarisasi otomatis yang andal sebagai keluaran standar checkpoint dasar. Jika tugas memerlukan label penutur, kebutuhan itu harus ditangani secara terpisah dari klaim transkrip yang akurat. Arahan yang berguna mengidentifikasi bahasa sumber, apakah transkripsi atau terjemahan bahasa Inggris diperlukan, dan apakah informasi waktu diperlukan.
Keterbatasan penting mencakup teks rekaan yang tidak pernah diucapkan dan teks berulang, yang dikaitkan dengan pelatihan terselia lemah pada data berderau serta desain sequence-to-sequence. Kualitas pengenalan bervariasi antarbahasa, aksen, dan dialek, dengan hasil lebih lemah ketika materi pelatihan lebih sedikit. Karena itu, derau, kosakata khusus bidang tertentu, dan ucapan yang tumpang tindih harus terwakili dalam sampel yang digunakan untuk menilai kesesuaian. Bandingkan nama, kuantitas, dan pernyataan penting dengan rekaman, serta periksa petikan tanpa ucapan atau kalimat berulang alih-alih memperlakukan transkrip yang lancar sebagai bukti bahwa setiap kata telah didengar.
Hasil lengkap mempertahankan teks yang dikenali, bahasanya, serta informasi waktu yang diminta dengan referensi ke rekaman asli. Pisahkan transkripsi dari penyuntingan kemudian: transkrip publikasi yang dikoreksi dapat menghapus kata pengisi, sedangkan transkrip pengenalan mempertahankan apa yang benar-benar dikembalikan model. Identitas dan kemampuan terjemahan large-v3 juga harus dibedakan dari edisi Turbo yang lebih cepat. Kecepatan pemrosesan sebenarnya bergantung pada bahasa, kecepatan bicara, perangkat keras, dan metode inferensi; nama checkpoint saja tidak membuktikan latensi layanan, ukuran unggahan maksimum, atau rute aplikasi yang diaktifkan tertentu.
", "aboutText": "Whisper large-v3 adalah checkpoint pengenalan ucapan yang dirilis OpenAI dengan sekitar 1,55 miliar parameter. Model ini merupakan model encoder-decoder multibahasa: audio masuk ke encoder dan decoder memprediksi teks serta token terkait tugas. Tugas utamanya adalah transkripsi ucapan dalam bahasa sumber dan penerjemahan ucapan ke bahasa Inggris. Ini merupakan identitas model dengan bobot terbuka, yang dibedakan dari pengenal model suatu layanan yang dihoskan atau aturan unggahan dan format respons layanan tersebut.\n\nLarge-v3 mempertahankan arsitektur checkpoint Whisper large sebelumnya dengan dua perubahan yang dinyatakan: masukan spektrogramnya menggunakan 128 bin frekuensi Mel, bukan 80, dan menambahkan token bahasa Kanton. Kartu model produsen menjelaskan pelatihan pada satu juta jam audio berlabel lemah dan empat juta jam audio berlabel semu yang disiapkan dengan Whisper large-v2. Campuran ini digunakan untuk dua epoch pelatihan. Rilis ini merupakan checkpoint large-v3 tertentu, bukan nama umum untuk setiap model dalam keluarga Whisper.\n\nAlur kerja inferensi yang didokumentasikan melakukan transkripsi secara bawaan, mempertahankan bahasa yang diucapkan dalam rekaman. Model ini dapat mendeteksi bahasa sumber secara otomatis atau menerima pilihan bahasa yang diketahui. Untuk terjemahan, model large multibahasa menyediakan hasil teks berbahasa Inggris dari ucapan non-Inggris. Pilih tugas itu secara eksplisit: transkrip dalam bahasa yang sama dan terjemahan bahasa Inggris adalah artefak berbeda. Untuk wawancara, pertahankan susunan kata bahasa asli; untuk dokumen referensi berbahasa Inggris, tentukan bahwa hasil yang diinginkan adalah terjemahan konten lisan.\n\nPersiapan audio merupakan bagian dari jalur masukan. Pemuat OpenAI mendekode rekaman menjadi bentuk gelombang mono dan melakukan resampling ke 16 kHz. Medan reseptif akustik model adalah 30 detik. Itu merupakan jendela pemrosesan, bukan panjang maksimum seluruh wawancara atau kuliah. Inferensi bentuk panjang dapat bergerak secara berurutan melalui jendela geser, atau membagi rekaman panjang menjadi potongan tumpang tindih dan menggabungkan transkripnya. Kartu model produsen menjelaskan pemrosesan berurutan ketika ketepatan menjadi prioritas dan pemrosesan per potongan ketika waktu penyelesaian satu rekaman panjang lebih penting.\n\nKonfigurasi yang dirilis mencantumkan 448 posisi decoder untuk satu urutan dekode. Rekaman yang lebih panjang ditangani melalui proses bentuk panjang, bukan dengan menganggap angka itu sebagai batas transkrip universal. Alur kerja yang didokumentasikan dapat mengembalikan penanda waktu tingkat segmen atau kata bersama teks yang dikenali. Keluaran waktu tersebut berguna untuk menavigasi rekaman dan menyiapkan takarir, sedangkan kontainer subtitel akhir atau format berkas transkrip merupakan pilihan pemformatan keluaran terpisah. Pertahankan waktu rekaman ketika menyiapkan audio jika transkrip akan diselaraskan dengan materi asli.\n\nPeran yang dimaksud untuk Whisper adalah mengenali dan menerjemahkan ucapan. Transkrip kuliah, catatan wawancara, atau koleksi materi lisan yang dapat dicari merupakan keluaran praktis; peringkasan atau interpretasi dapat menyusul sebagai langkah lain atas teks. Kartu model tidak menetapkan klasifikasi penutur atau diarisasi otomatis yang andal sebagai keluaran standar checkpoint dasar. Jika tugas memerlukan label penutur, kebutuhan itu harus ditangani secara terpisah dari klaim transkrip yang akurat. Arahan yang berguna mengidentifikasi bahasa sumber, apakah transkripsi atau terjemahan bahasa Inggris diperlukan, dan apakah informasi waktu diperlukan.\n\nKeterbatasan penting mencakup teks rekaan yang tidak pernah diucapkan dan teks berulang, yang dikaitkan dengan pelatihan terselia lemah pada data berderau serta desain sequence-to-sequence. Kualitas pengenalan bervariasi antarbahasa, aksen, dan dialek, dengan hasil lebih lemah ketika materi pelatihan lebih sedikit. Karena itu, derau, kosakata khusus bidang tertentu, dan ucapan yang tumpang tindih harus terwakili dalam sampel yang digunakan untuk menilai kesesuaian. Bandingkan nama, kuantitas, dan pernyataan penting dengan rekaman, serta periksa petikan tanpa ucapan atau kalimat berulang alih-alih memperlakukan transkrip yang lancar sebagai bukti bahwa setiap kata telah didengar.\n\nHasil lengkap mempertahankan teks yang dikenali, bahasanya, serta informasi waktu yang diminta dengan referensi ke rekaman asli. Pisahkan transkripsi dari penyuntingan kemudian: transkrip publikasi yang dikoreksi dapat menghapus kata pengisi, sedangkan transkrip pengenalan mempertahankan apa yang benar-benar dikembalikan model. Identitas dan kemampuan terjemahan large-v3 juga harus dibedakan dari edisi Turbo yang lebih cepat. Kecepatan pemrosesan sebenarnya bergantung pada bahasa, kecepatan bicara, perangkat keras, dan metode inferensi; nama checkpoint saja tidak membuktikan latensi layanan, ukuran unggahan maksimum, atau rute aplikasi yang diaktifkan tertentu.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "41784f9bd275efa02300f0ad073e47aab583a9118e76029d40894e2ec615de84", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "id", "methods": [ { "html": "openai/whisper-large-v3Whisper large-v3 adalah checkpoint pengenalan ucapan multibahasa dengan bobot terbuka dari OpenAI untuk transkripsi dan penerjemahan ucapan ke bahasa Inggris. Model ini mengubah rekaman ucapan menjadi teks, dengan pemilihan bahasa, penanda waktu, dan pemrosesan panjang melampaui jendela akustik 30 detiknya yang didokumentasikan.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Whisper large-v3 adalah checkpoint pengenalan ucapan yang dirilis OpenAI dengan sekitar 1,55 miliar parameter. Model ini merupakan model encoder-decoder multibahasa: audio masuk ke encoder dan decoder memprediksi teks serta token terkait tugas. Tugas utamanya adalah transkripsi ucapan dalam bahasa sumber dan penerjemahan ucapan ke bahasa Inggris. Ini merupakan identitas model dengan bobot terbuka, yang dibedakan dari pengenal model suatu layanan yang dihoskan atau aturan unggahan dan format respons layanan tersebut.
Large-v3 mempertahankan arsitektur checkpoint Whisper large sebelumnya dengan dua perubahan yang dinyatakan: masukan spektrogramnya menggunakan 128 bin frekuensi Mel, bukan 80, dan menambahkan token bahasa Kanton. Kartu model produsen menjelaskan pelatihan pada satu juta jam audio berlabel lemah dan empat juta jam audio berlabel semu yang disiapkan dengan Whisper large-v2. Campuran ini digunakan untuk dua epoch pelatihan. Rilis ini merupakan checkpoint large-v3 tertentu, bukan nama umum untuk setiap model dalam keluarga Whisper.
Alur kerja inferensi yang didokumentasikan melakukan transkripsi secara bawaan, mempertahankan bahasa yang diucapkan dalam rekaman. Model ini dapat mendeteksi bahasa sumber secara otomatis atau menerima pilihan bahasa yang diketahui. Untuk terjemahan, model large multibahasa menyediakan hasil teks berbahasa Inggris dari ucapan non-Inggris. Pilih tugas itu secara eksplisit: transkrip dalam bahasa yang sama dan terjemahan bahasa Inggris adalah artefak berbeda. Untuk wawancara, pertahankan susunan kata bahasa asli; untuk dokumen referensi berbahasa Inggris, tentukan bahwa hasil yang diinginkan adalah terjemahan konten lisan.
Persiapan audio merupakan bagian dari jalur masukan. Pemuat OpenAI mendekode rekaman menjadi bentuk gelombang mono dan melakukan resampling ke 16 kHz. Medan reseptif akustik model adalah 30 detik. Itu merupakan jendela pemrosesan, bukan panjang maksimum seluruh wawancara atau kuliah. Inferensi bentuk panjang dapat bergerak secara berurutan melalui jendela geser, atau membagi rekaman panjang menjadi potongan tumpang tindih dan menggabungkan transkripnya. Kartu model produsen menjelaskan pemrosesan berurutan ketika ketepatan menjadi prioritas dan pemrosesan per potongan ketika waktu penyelesaian satu rekaman panjang lebih penting.
Konfigurasi yang dirilis mencantumkan 448 posisi decoder untuk satu urutan dekode. Rekaman yang lebih panjang ditangani melalui proses bentuk panjang, bukan dengan menganggap angka itu sebagai batas transkrip universal. Alur kerja yang didokumentasikan dapat mengembalikan penanda waktu tingkat segmen atau kata bersama teks yang dikenali. Keluaran waktu tersebut berguna untuk menavigasi rekaman dan menyiapkan takarir, sedangkan kontainer subtitel akhir atau format berkas transkrip merupakan pilihan pemformatan keluaran terpisah. Pertahankan waktu rekaman ketika menyiapkan audio jika transkrip akan diselaraskan dengan materi asli.
Peran yang dimaksud untuk Whisper adalah mengenali dan menerjemahkan ucapan. Transkrip kuliah, catatan wawancara, atau koleksi materi lisan yang dapat dicari merupakan keluaran praktis; peringkasan atau interpretasi dapat menyusul sebagai langkah lain atas teks. Kartu model tidak menetapkan klasifikasi penutur atau diarisasi otomatis yang andal sebagai keluaran standar checkpoint dasar. Jika tugas memerlukan label penutur, kebutuhan itu harus ditangani secara terpisah dari klaim transkrip yang akurat. Arahan yang berguna mengidentifikasi bahasa sumber, apakah transkripsi atau terjemahan bahasa Inggris diperlukan, dan apakah informasi waktu diperlukan.
Keterbatasan penting mencakup teks rekaan yang tidak pernah diucapkan dan teks berulang, yang dikaitkan dengan pelatihan terselia lemah pada data berderau serta desain sequence-to-sequence. Kualitas pengenalan bervariasi antarbahasa, aksen, dan dialek, dengan hasil lebih lemah ketika materi pelatihan lebih sedikit. Karena itu, derau, kosakata khusus bidang tertentu, dan ucapan yang tumpang tindih harus terwakili dalam sampel yang digunakan untuk menilai kesesuaian. Bandingkan nama, kuantitas, dan pernyataan penting dengan rekaman, serta periksa petikan tanpa ucapan atau kalimat berulang alih-alih memperlakukan transkrip yang lancar sebagai bukti bahwa setiap kata telah didengar.
Hasil lengkap mempertahankan teks yang dikenali, bahasanya, serta informasi waktu yang diminta dengan referensi ke rekaman asli. Pisahkan transkripsi dari penyuntingan kemudian: transkrip publikasi yang dikoreksi dapat menghapus kata pengisi, sedangkan transkrip pengenalan mempertahankan apa yang benar-benar dikembalikan model. Identitas dan kemampuan terjemahan large-v3 juga harus dibedakan dari edisi Turbo yang lebih cepat. Kecepatan pemrosesan sebenarnya bergantung pada bahasa, kecepatan bicara, perangkat keras, dan metode inferensi; nama checkpoint saja tidak membuktikan latensi layanan, ukuran unggahan maksimum, atau rute aplikasi yang diaktifkan tertentu.
POST /v1/audio/transcriptionsaudiotranscription| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan openai/whisper-large-v3 | Bawaan— |
Kolominput_audio | Jenisobject | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolomlanguage | Jenisstring | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolomtemperature | Jenisnumber | PersyaratanOpsional | Nilai & batasan Minimum: 0 Maksimum: 1 | Bawaan— |
Kolomresponse_format | Jenisstring | PersyaratanOpsional | Nilai & batasan json, verbose_json | Bawaanjson |
Kolomtimestamp_granularities | Jenisarray | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolomprovider | Jenisobject | PersyaratanOpsional | Nilai & batasan | Bawaan— |
speech_to_text · Wajib: actual matching-format audio file
| Parameter | Kontrak |
|---|---|
Parametercontent_types | Kontrakapplication/json, multipart/form-data |
Parameterrequired | Kontrakmodel, input_audio |
Parametermaterial_types | Kontrakaudio |
ParameterJSON_audio | Kontrakbyte audio mentah aktual dalam base64 beserta format yang sesuai |
Parametermultipart_required | Kontrakmodel, file |
Parametermultipart_cap_bytes | Kontrak26214400 |
Parameteroptional_controls | Kontraklanguage, temperature, response_format, timestamp_granularities, provider |
Parameterdefault_response_format | Kontrakjson |
Parameteroptional_features | KontrakKeluaran terperinci, diarize/keyterms, serta URL/audio inline yang lebih besar memerlukan kemampuan dan tarif model/penyedia yang tepat. |
Siklus hidup: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · task_id aktual yang dikembalikan atau catatan pustaka media
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Gunakan model yang persis dan bidang masukan yang didokumentasikan.
Simpan respons secara utuh, setiap keluaran aktual, dan ID asli yang dikembalikan.
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 |
| KonfigurasiUltra | Jadwal tarif— | Satuan penagihanper detik audio masukan | Biaya Masukan · detik audio masukan $0.000015 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 →
Jadwal referensi tingkat model tidak mengubah pemilihan metode, estimasi harga, atau biaya. Biaya aktif menggunakan tarif metode Ailoot yang dipilih.
| Konfigurasi | Kondisi penagihan | Biaya |
|---|---|---|
| KonfigurasiOpenAI: Whisper Large V3 · Konfigurasi bawaan | Kondisi penagihanKonfigurasi bawaan | Biaya Masukan · Detik audio masukan US$0,000015 per detik audio masukan |
set -eu\n: "${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}Simpan setiap respons lengkap, berkas, dan bagian konten yang dikembalikan.
JSON asli secara utuh, semua teks/segmen/kata/pembicara/stempel waktu yang tersedia, dan penggunaan.
Simpan operation_id/X-Client-Request-ID awal dan respons asli. Baca catatan tugas/aset aktual yang dimiliki tanpa mengirim ulang; tidak dibentuk URL pemeriksaan berkala khusus audio.
| Kolom | Jenis |
|---|---|
Kolomtext | Jenisstring |
Kolomusage | Jenisobject |
Kolomsegments[] | Jenisobject |
Kolomwords[] | Jenisobject |
Ailoot Ultra openai/whisper-large-v3
Gunakan jalur metode yang ditampilkan di atas.