Deepgram: Nova-3
Nova-3 — Deepgram-ның жазылған және ағындық аудиоға арналған әмбебап сөйлеуді мәтінге айналдыру моделі. Ол бір тілде тануды, тіл ауыстырып сөйлеуге арналған белгіленген көптілді режимді және негізгі терминдер арқылы бағыттауды қолдайды; сөздердің уақыт белгілері мен сенімділік деректері бар транскрипт қайтарады.
Модель туралы
Бұл сипаттама модель мүмкіндіктерін қамтиды. Ailoot жүйесінде таңдалған әдіс үшін қолжетімді кіріс, шығыс және параметрлер төменде берілген.
Nova-3 — Deepgram-ның аудионы мәтінге айналдыруға арналған әмбебап сөйлеуді тану моделі. Өндіруші оны кездесулерге, іс-шара субтитрлеріне, бірнеше сөйлеуші бар жазбаларға және шу не алыстағы микрофондар сияқты күрделі жағдайларға ұсынады; алдын ала жазылған аудионы да, ағындық транскрипцияны да қолдануға болады. Пайдалы нәтижесі — бастапқы аудиомен байланысы сақталған, уақыт белгілері мен сенімділік деректері бар танылған сөйлеу.
Тілмен жұмыс істеу тәсілін таңдаңыз
Құжаттамадағы әдепкі тіл — ағылшын тілі. Біртілді сұрауда сөйленетін тіл немесе қолдау көрсетілетін тілдік нұсқа таңдалады. Жалпы модельдің қазіргі кестесінде ағылшын тілінің аймақтық нұсқалары, испан, француз, неміс, орыс, португал, жапон, итальян, нидерланд, араб тілдері, қытай жазу нұсқалары және қазақ тілін қоса алғанда басқа да көптеген тілдер бар. Кез келген тілдік нұсқа атауы қабылданады деп ойламай, өндіруші қолдайтын кодтардан таңдаңыз.
Көптілді параметр — тіл ауыстырып сөйлеуге арналған бөлек жұмыс тәсілі. Қазіргі Nova-3 кестесінде ол үшін он тіл көрсетілген: ағылшын, испан, француз, неміс, хинди, орыс, португал, жапон, итальян және нидерланд. Бұл жиын кеңірек біртілді тізіммен бірдей емес. Қолдау көрсетілетін тілдер кезектесетін жазба үшін бүкіл әңгімені сәйкес келмейтін бір тіл параметріне мәжбүрлеудің орнына көптілді режимді дайындаңыз. Аударылған немесе қысқартылған нұсқаны әзірлемес бұрын айтылған сөзді сақтаңыз.
Жазылған аудио және транскрипт дайындау
Deepgram-ның файлмен жұмыс істеу тәсілі жүктелген аудио байттарын немесе аудиофайлға сілтемені қабылдайды. Сұрау аяқталғанда қайтарылған транскриптті сақтаңыз: өндіруші транскрипттерді кейін алу үшін сақтамайды. Құжаттамада жиі аталған кіріс пішімдері мен кодтауларына MP3, MP4, MP2, AAC, WAV, FLAC, PCM, M4A, Ogg, Opus және WebM кіреді. Нақты пішім мен арна деректерін жазбамен бірге сақтаңыз. Жазбаға тұрақты идентификатор беріп, нәтижені дұрыс дереккөзбен және оның арна деректерімен байланыстырыңыз. Кездесу үшін бастапқы дыбысты тыңдап отырып, қатысушы есімдері мен техникалық терминдерді тексеріңіз. Дәріс немесе іс-шара үшін аудио ретін сақтаңыз, сонда кейінгі субтитр немесе іздеу нәтижесі тиісті үзіндіні таба алады.
Өндірушінің алдын ала жазылған аудиоға арналған нұсқаулығында файлдың ең үлкен көлемі 2 GB деп көрсетілген және үлкен бейнефайлдан аудио ағынын шығарып алу ұсынылған. Сондай-ақ Nova сұрауларын өңдеудің он минуттық тайм-ауты құжатталған. Бұл шек сұраудың өңделу уақытына қатысты, жазба ұзақтығының он минуттық шегі емес. Пайдалы нәтиже қажетті жазбаның соңын да қамтиды; ішінара сақталған транскриптті толық мәтін деп қабылдауға болмайды.
Сөздерді, уақыттарды және сенімділікті оқыңыз
Құжатталған JSON жауабында транскрипт баламалары және танылған сөздер бар; әр сөздің аудио басынан есептелетін секундпен басталу мен аяқталу уақыты және сенімділік мәні беріледі. Бірнеше сөйлеушісі бар транскрипт үшін өндірушінің міндетті емес диаризациясы әр сөзге сөйлеуші белгісін тағайындайды. Алдын ала жазылған аудио диаризациясы сөйлеушінің сенімділік көрсеткішін де қайтарады; ағындық диаризация сөйлеуші белгісін қайтарады. Бұл белгілерді жазбадағы дауыстармен салыстырып тексеріңіз. Жалпы транскрипт сенімділігі де 0–1 шкаласында хабарланады. Ақылды пішімдеу сұралса, нәтижеде тыныс белгілері мен бас әріптері бар сөздер және оқуға ыңғайлы абзац деректері болуы мүмкін.
Бұл өрістерді мағынасына сай қолданыңыз. Сөз уақыты танылған сөйлеудің орнын көрсетеді, ал сенімділік — модельдің сенім деңгейі; ол күрделі есім немесе сан дұрыс естілгенін дәлелдемейді. Субтитр дайындағанда уақыт деректерін тексерілген тұжырыммен бірге сақтап, шекараларды дыбыспен салыстырыңыз. Оқуға ыңғайлы редакциялық нұсқа үшін күмәнді сөздерді қисынды көрінетін оқиғамен үнсіз алмастырмай, өзгерістерді танылған транскрипттен ажыратылатын етіп сақтаңыз.
Ағындық тану және аяқталған сегменттер
Nova-ның ағындық жұмыс тәсілі аудио келген сайын аралық және аяқталған нәтижелері бар мәтінді қайтарады. is_final индикаторы өзгертілуі мүмкін мәтінді аяқталған сегменттен ажыратады. speech_final индикаторы сөйлеу сегментінің аяқталуын анықтауға қатысты. Бұл сигналдарды жай ғана бос емес транскрипт алудан бөлек қарастырыңыз және толық жазбаны дайындағанда аяқталған сегменттерді аудиодағы ретімен сақтаңыз.
Nova-3 — модельге тән сөйлесу кезегін анықтауы бар бөлек Flux сөйлесу моделі емес, жалпы ASR моделі. Nova транскрипттің аяқталғанын және сөйлеу шекараларын белгілейді; Flux өзінің сөйлесу кезегінің күй оқиғаларын береді. Аудионың жазылып қойғанына немесе тікелей келіп жатқанына қарай транскрипция тәсілін таңдаңыз және сақталатын материал ретінде нақты соңғы нәтижені қолданыңыз.
Маңызды сөздікке арналған негізгі терминдер
Nova-3 моделінің құжатталған Keyterm Prompting мүмкіндігі біртілді және көптілді транскрипцияны қолдайды және модельді қайта оқытпай, тануды маңызды терминдерге бағыттайды. Шынымен айтылуы мүмкін тиісті есімдерді, өнім терминдерін, қысқартуларды немесе көп сөзден тұратын тіркестерді беріңіз. Нұсқаулық барлық негізгі термин кірісін 500 токенмен шектейді және қарапайым сөздерді талғамсыз қосқанша, ең маңызды сөздікке назар аударуды ұсынады.
Өндіруші синтаксисінде қарапайым терминдер қолданылады, әр термин үшін бөлек keyterm жазбасы беріледі. Бірнеше сөзден тұратын тіркес бір тіркес болып қалады. Ескі keyword салмақтары не күшейткіштері және бөлек терминдерді үтірмен, нүктелі үтірмен немесе жол үзілісімен біріктіру бұған тең емес: интерфейс оларды бір тура мән ретінде қабылдап, көзделген күшейтуді бермеуі мүмкін. Есімдер үшін бас әріптерді дұрыс қолданып, кейін транскриптті тексеріңіз, өйткені аудио контексті мен ақылды пішімдеу соңғы жазылуын бәрібір өзгерте алады.
Модель тобының шекаралары және пайдалы нәтижелер
Жалпы Nova-3 профилі жеке аталған Medical және Pharma нұсқаларынан бөлек. Сөздік арқылы бағыттау оны басқа шығарылымға айналдырмайды, ал мамандандырылған модельдердің тіл қамтуын немесе мінез-құлқын жалпы модельге телуге болмайды. Қосымша транскрипт өңдеу мүмкіндіктері — өндірушінің сөйлеумен жұмыс істеу тәсіліндегі таңдаулар; олар тану сұралмаған қысқаша мазмұнды, аударманы немесе басқа материалды жасап қойды деген дәлел емес.
Пайдалы Nova-3 нәтижесі іздеуге болатын кездесу транскрипті, сөз уақыттары бар субтитрге дайын мәтін немесе көптілді әңгіменің жазбасы бола алады. Аудио идентификаторын, таңдалған тілмен жұмыс тәсілін, соңғы мәтінді және пайдалы сенімділік не уақыт өрістерін сақтаңыз. Түсініксіз есімдерді, сандарды, қабаттасқан дауыстарды және тіл ауысуларын бастапқы жазбамен салыстырып тексеріңіз әрі нақты танылған сөйлеуді келесі мазмұн өңдеу қадамына қолжетімді ұстаңыз.
Ailoot Ultra · Сөйлеуді тану POST /v1/audio/transcriptions deepgram/nova-3
deepgram/nova-3Бастау
Nova-3 — Deepgram-ның жазылған және ағындық аудиоға арналған әмбебап сөйлеуді мәтінге айналдыру моделі. Ол бір тілде тануды, тіл ауыстырып сөйлеуге арналған белгіленген көптілді режимді және негізгі терминдер арқылы бағыттауды қолдайды; сөздердің уақыт белгілері мен сенімділік деректері бар транскрипт қайтарады.
- Қабылданатын кіріс деректері
- Аудио
- Нәтижелер
- transcription
Ailoot жүйесінде қолжетімді · кіріс деректері мен әдістер
Ailoot Ultra · Сөйлеуді тану POST /v1/audio/transcriptions
- Кіріс
audio- Шығыс
transcription- Шығыс пішімі
- json
| Өріс | Түрі | Талап | Мәндер мен шектеулер | Әдепкі |
|---|---|---|---|---|
Өрісmodel | Түріstring | ТалапМіндетті | Мәндер мен шектеулер deepgram/nova-3 | Әдепкі— |
Өрісinput_audio | Түріobject | ТалапМіндетті | Мәндер мен шектеулер | Әдепкі— |
Өрісlanguage | Түріstring | ТалапМіндетті емес | Мәндер мен шектеулер | Әдепкі— |
Өрісtemperature | Түріnumber | ТалапМіндетті емес | Мәндер мен шектеулер Ең азы: 0 Ең көбі: 1 | Әдепкі— |
Өрісresponse_format | Түріstring | ТалапМіндетті емес | Мәндер мен шектеулер json, verbose_json | Әдепкіjson |
Өрісtimestamp_granularities | Түріarray | ТалапМіндетті емес | Мәндер мен шектеулер | Әдепкі— |
Өрісprovider | Түріobject | ТалапМіндетті емес | Мәндер мен шектеулер | Әдепкі— |
Кіріс материалдарының үйлесімдері
speech_to_text · Міндетті: actual matching-format audio file
Әдіс параметрлері мен өмірлік циклі
| Параметр | Параметр талаптары |
|---|---|
Параметрcontent_types | Параметр талаптарыapplication/json, multipart/form-data |
Параметрrequired | Параметр талаптарыmodel, input_audio |
Параметрmaterial_types | Параметр талаптарыaudio |
ПараметрJSON_audio | Параметр талаптарыbase64 пішіміндегі нақты өңделмеген аудио байттары және оларға сәйкес пішім |
Параметрmultipart_required | Параметр талаптарыmodel, file |
Параметрmultipart_cap_bytes | Параметр талаптары26214400 |
Параметрoptional_controls | Параметр талаптарыlanguage, temperature, response_format, timestamp_granularities, provider |
Параметрdefault_response_format | Параметр талаптарыjson |
Параметрoptional_features | Параметр талаптарыКеңейтілген шығыс, diarize/keyterms және URL арқылы берілетін не көлемді кірістірілген аудио үшін нақты модель мен жеткізушінің тиісті мүмкіндігі және тарифі қажет. |
Өмірлік цикл: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · Нақты қайтарылған task_id немесе медиатека жазбасы
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Дәл модельді және құжатталған кіріс өрістерін қолданыңыз.
Толық жауапты, әрбір нақты шығыс нәтижесін және бастапқы қайтарылған ID мәндерін сақтаңыз.
Тарифтер
Тариф анықтамасы сұрау мүмкіндіктерін қоспайды. Қолдау көрсетілетін параметрлер таңдалған әдісте берілген.
- Жылдам режим
- Көрсетілмеген Жылдам режим таңдалғанда
- Икемді режим
- Көрсетілмеген flex режимі таңдалғанда
- Ой қорытудың ең жоғары деңгейі
- Көрсетілмеген Ой қорыту деңгейі ең жоғары болып, default түзетуі қолданылғанда
Ailoot мөлшерлемелері
Баптаулар бойынша бағалар
Әр төлемді көрсетілген шарттармен салыстырыңыз. Балама баптаулардың әр жиыны үшін бір мөлшерлемені қолданыңыз.
| Баптау | Мөлшерлемелер кестесі | Есептеу бірлігі | Төлем |
|---|---|---|---|
| БаптауТокендердің базалық тарифтері | Мөлшерлемелер кестесіНегізгі мөлшерлеме | Есептеу бірлігі— | Төлем Кіріс · Кіріс токендері — / 1K токен Шығыс · Шығыс токендері — / 1K токен Кіріс · Кэшті оқу — / 1K токен Кіріс · Кэшке жазу — / 1K токен Кіріс · Кэшке жазу, 1 сағ — / 1K токен |
| БаптауUltra | Мөлшерлемелер кестесі— | Есептеу бірлігікіріс аудионың секунды үшін | Төлем Кіріс · кіріс аудио секунды $0.0001433333333334 кіріс аудионың секунды үшін |
Ailoot сұрау алдында болжамды соманы резервтейді. Нәтижеден кейін өлшенген пайдалану көлемі бойынша қорытынды төлемді шегереді. Ағындық жауап үшін төлем соңғы пайдалану жазбасы негізінде шегеріледі. Резервтеу мен төлемді есептеу тәртібі →
Анықтамалық тариф мәліметтері
Модельдің анықтамалық кестелері әдіс таңдауын, баға есебін не төлемді өзгертпейді. Қолданыстағы төлемдер таңдалған Ailoot әдісінің мөлшерлемелерімен есептеледі.
Deepgram: Nova-3
Баптаулар бойынша бағалар
| Баптау | Төлемді есептеу шарттары | Төлем |
|---|---|---|
| БаптауDeepgram: Nova-3 · Әдепкі конфигурация | Төлемді есептеу шарттарыӘдепкі баптау | Төлем Кіріс · Кіріс аудио секундтары ≈0,000143 $ кіріс аудионың секунды үшін |
Сұрау мысалдары
Ailoot Ultra · Сөйлеуді тану
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': 'deepgram/nova-3', '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.
Нәтижелерді алу және сақтау
Ailoot Ultra · Сөйлеуді тану
json
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
Барлық дайын нәтижені сақтау
Қайтарылған әр толық жауапты, файлды және мазмұн бөлігін сақтаңыз.
Бастапқы JSON толық, барлық қолжетімді мәтін, сегменттер, сөздер, сөйлеушілер, уақыт белгілері және пайдалану деректері.
Бастапқы жауапты тексеру қажет болса
Бастапқы operation_id/X-Client-Request-ID мәндерін және бастапқы жауапты сақтаңыз. Қайта жібермей, иелігіңіздегі нақты тапсырма немесе ресурс жазбаларын оқыңыз; аудио күйін сұрауға арналған бөлек URL құрастырылмайды.
Жауап өрістері
| Өріс | Түрі |
|---|---|
Өрісtext | Түріstring |
Өрісusage | Түріobject |
Өрісsegments[] | Түріobject |
Өрісwords[] | Түріobject |
Балама атаулар
Модельдердің балама атаулары
Ailoot Ultra deepgram/nova-3
Әдіс жолдарының балама атаулары
Жоғарыда көрсетілген әдіс жолдарын пайдаланыңыз.
Шақыруға арналған байланысты ID
FAQ · Deepgram: Nova-3
- Қандай кіріс деректері мен нәтижелер қолжетімді?
POST /v1/audio/transcriptions·deepgram/nova-3:audio→transcription- Сұрау қандай өрістерді пайдаланады?
POST /v1/audio/transcriptions·deepgram/nova-3:model,input_audio,language,temperature,response_format,timestamp_granularities,provider- Қандай шектеулер қолданылады?
POST /v1/audio/transcriptions·deepgram/nova-3:temperature.minimum:0;temperature.maximum:1