Fish Audio: Transcribe 1 Pro

Transcribe 1 Pro ұзақтығы 60 минутқа дейінгі жазбаны сөйлеуші белгілері және міндетті емес сөз деңгейіндегі уақыт белгілері бар мәтінге айналдырады. Болжанған эмоциялар мен дауыс оқиғаларының белгілерін сақтап, сұхбаттарды, кездесулер мен подкасттарды тексеруді, іздеуді және субтитрге дайындауды жеңілдетеді.

Ailoot Ultra · Сөйлеуді тану POST /v1/audio/transcriptions fish-audio/transcribe-1-pro

Модель туралы

Бұл сипаттама модель мүмкіндіктерін қамтиды. Ailoot жүйесінде таңдалған әдіс үшін қолжетімді кіріс, шығыс және параметрлер төменде берілген.

Transcribe 1 Pro — Fish Audio-ның қысқа клиптерге, бірнеше сөйлеушінің әңгімелеріне және ұзын жазбаларға арналған сөйлеуді мәтінге айналдыру моделі. Жазылған аудионы қабылдап, міндетті емес уақыт деректері және құрылымдалған сөйлеуші репликалары бар транскрипт қайтарады. Ерекше қасиеттері — мәтінде белгіленген сөйлеуші ауысулары мен эмоция немесе дауыс оқиғаларының белгілері; олар қарапайым сөз тізбегіне қарағанда жазбаның әңгіме құрылымын көбірек сақтайды.

Сұхбат, кездесу немесе подкаст үшін әңгімені толық бір файлда сақтаңыз, сонда қайта сөйлеген адамдар жауап ішінде бірізді белгілерін сақтай алады. Тексеруге пайдалы нәтиже — бастапқы жазбамен байланысқан, репликалары бөлек көрсетілген және дәйексөзді тексеруге уақыт белгісі қолжетімді транскрипт. Қысқаша мазмұн немесе әрекеттер тізімі — қолданбаның кейінгі қадамы: айтылған дереккөзді салыстыруға қолжетімді ұстау үшін оларды транскрипттен бөлек сақтаңыз.

Өндіруші ұзақтығы 60 минутқа дейінгі жазбаларды қабылдап, MP3, Opus немесе AAC сияқты сығылған аудиомен ұзын файлдарды өңдеуді сипаттайды. Қолдау көрсетілетін пішімдерге WAV, MP3, M4A немесе MP4 ішіндегі AAC, FLAC, Opus немесе Vorbis бар Ogg, WebM/Matroska және MOV кіреді. Бейнефайл үшін бірінші аудиожол қолданылады. AIFF, CAF, WMA, AMR, AC-3 және тақырыпшасыз өңделмеген PCM пішімдеріне қолдау көрсетілмейді. Әр сұрауға бір аудиофайл беріледі; нәтиже бүкіл жазба транскрипцияланғаннан кейін келеді, ал ұзын жазбаны өңдеу бірнеше минут алуы мүмкін. Шамамен 0,08 секундтан қысқа клиптер қабылданбайды.

Өндірушінің жауабы толық мәтінді, жазбаның секундпен ұзақтығын және segments массивін қамтиды. Pro сөйлеуші ауысуларын мәтін ішінде <|speaker:0|> және <|speaker:1|> сияқты белгілермен көрсетеді; белгі келесі белгіге дейінгі мәтінге қолданылады. Бұлар — бір жауап ішіндегі идентификаторлар, сұраулар арасында салыстырып сәйкестендіруге болатын тексерілген есімдер немесе жеке тұлғалар емес. Транскриптте сөйлеуші белгісі болмаса, нұсқаулық оны бір сөйлеушілі нәтиже деп есептейді. Бірінші белгіге дейінгі мәтінді тастамай, бірінші репликамен бірге сақтаңыз.

Сөз деңгейіндегі уақыт белгілері міндетті емес. Өндіруші сұрауында ignore_timestamps әдепкі бойынша true болады; false орнатылса, мәтіні және секундпен басталу мен аяқталу уақыттары бар сегменттер сұралады. Сегмент әдетте бір сөзге, ал қытай және жапон тілдерінде бір немесе бірнеше таңбаға сәйкес келеді. Сегмент мәтінінде тыныс белгілері, сөйлеуші белгілері және оқиға белгілері болмайды; ол айтылған мәнді толық транскрипттен өзгеше нормалауы мүмкін. Сөз сегментінің басталу және аяқталу уақыты бірдей болуы мүмкін. Бос segments массиві уақыт белгілері сұралмағанын, сөйлеу табылмағанын немесе уақыт деректері уақытша қолжетімсіз болғанын білдіруі мүмкін. Екі жол таңба-таңбасымен сәйкес деп ойламай, оқуға ыңғайлы тұжырым үшін толық транскриптті, туралау үшін сегменттерді қолданыңыз.

diarize параметрі әдепкі бойынша auto болады. Уақыт белгілері сұралып, diarize false болмаса, Pro speaker_turns өрісін де қайтарады. Әр репликада сөйлеуші белгісі, мәтін және басталу/аяқталу уақыттары болады; мәтін ішіндегі сөйлеуші белгісінсіз тыныс белгілері мен сақталған оқиға белгілері қалады. Сөз уақыттары қолжетімсіз болса, реплика уақыттары жуық болып, бүкіл жазбаны қамтуы мүмкін; іргелес репликалардың арасында уақыт аралығы болуы немесе олар қабаттасуы мүмкін. diarize өшірілсе, құрылымдалған репликалар тізімі алынады, бірақ толық мәтіндегі сөйлеуші белгілері қалады. Белгілі сөйлеуші саны немесе ең аз және ең көп саны ұзын жазбаның диаризациясын мүмкіндігінше бағыттай алады. Нақты санды сан шектерімен біріктіруге болмайды, ал сан туралы нұсқаулар diarize өшірілгенде қолданылмайды.

Эмоция мен дауыс оқиғаларының белгілері танылған сөйлеумен бірге шаршы жақшадағы мәтін түрінде, мысалы [laughter], көрінеді. Олар — аудиодан шығарылған тұжырымдар, пайдаланушы транскрипция алдында қосуға тиіс сөздер емес. Pro моделінің tag_audio_events параметрі әдепкі бойынша true; оны өшіру уақыт деректерін өзгертпей, транскрипт пен реплика мәтінінен осы белгілерді алып тастайды. Эмоцияның бөлек өрісі немесе эмоциялардың бекітілген тізімі жоқ. Айтылған сөздің қалай естілгені маңызды болса, аннотацияланған транскриптті сақтаңыз; кейінгі нәтижеге тек айтылған сөздер қажет болса, белгілерсіз нұсқаны қолданыңыз.

Тіл автоматты анықталады. Кіші әріптермен берілетін міндетті емес ISO 639-1 нұсқауы аударуды мәжбүрлемейді және Pro транскриптін өзгертпейді. Тілді анықтау мүмкін болмаса, қайтарылған тіл коды аудиомен тексерілмей, нұсқауды көрсетуі мүмкін. Өндіруші аралас тілдегі жазбаның барлық тілін тізбей, бір тіл туралы хабарлайды. Іздеуге болатын мұрағат дайындағанда, әсіресе әңгіменің әр бөлігінде тіл ауысса, бастапқы тұжырымды тіл метадеректерімен бірге сақтаңыз.

Субтитрлер үшін уақыттары бар қатарлас сөздерді әр сөзге жеке субтитр жасамай, оқуға ыңғайлы SRT немесе WebVTT блоктарына біріктіріңіз. Блоктарды үзілістер маңында бөліп, ұзындығы мен көрсетілу уақытын ойнатқыш пен аудиторияға сай таңдаңыз. Реплика шекаралары әртүрлі сөйлеушілерді бөлек блоктарда ұстай алады. Уақыт нәтижесінің бос еместігін және блоктардың аяқталуы басталуынан кейін болуын тексеріңіз. Субтитр пішімдеуі, анонимді сөйлеуші белгілеріне берілетін есімдер және кейінгі қысқаша мазмұн — транскрипция нәтижесінен құрылатын қолданба материалдары.

Практикалық жазба үдерісінде транскрипция алдында қарапайым оқылатын транскрипт, аннотацияланған әңгіме репликалары немесе уақыт белгісі бар субтитрлердің қайсысы керек екенін шешіңіз. Нәтижемен бірге аудио идентификаторын сақтаңыз, тыныс белгілері мен оқиға белгілері маңызды болса, қайтарылған толық мәтінді қалдырыңыз және навигация үшін құрылымдалған уақыт өрістерін қолданыңыз. Pro моделінің ұзын жазба мен бірнеше сөйлеушіге арналған мүмкіндіктері қысқа жазбаларға арналған жалпы Transcribe 1 моделінен бөлек; олардың шектеулері мен басқару параметрлерін өзара алмастырылатын деп қабылдауға болмайды.

Ailoot Ultra · Сөйлеуді тану POST /v1/audio/transcriptions fish-audio/transcribe-1-pro

fish-audio/transcribe-1-pro

Fish Audio /fish-audio/transcribe-1-pro

Бастау

Қабылданатын кіріс деректері: Аудио
Нәтижелер: Мәтін

Ailoot жүйесінде қолжетімді · кіріс деректері мен әдістер

Ailoot Ultra · Сөйлеуді тану POST /v1/audio/transcriptions

Кіріс: audio
Шығыс: text
Шығыс пішімі: json

Өріс	Түрі	Талап	Мәндер мен шектеулер	Әдепкі
Өріс`model`	Түрі`string`	ТалапМіндетті	Мәндер мен шектеулер fish-audio/transcribe-1-pro	Әдепкі—
Өріс`input_audio`	Түрі`object`	ТалапМіндетті	Мәндер мен шектеулер Нақты кілттер: data, format	Әдепкі—
Өріс`input_audio.data`	Түрі`base64_string`	ТалапМіндетті	Мәндер мен шектеулер Декодталған байттардың ең көп саны: 26 214 400 Қатаң Base64: Иә	Әдепкі—
Өріс`input_audio.format`	Түрі`string`	ТалапМіндетті	Мәндер мен шектеулер Шарттар: Файлды нақты тексеру арқылы анықталған пішімге тең болуы керек	Әдепкі—
Өріс`response_format`	Түрі`string`	ТалапМіндетті емес	Мәндер мен шектеулер json	Әдепкі—

Кіріс материалдарының үйлесімдері

speech_to_text · Міндетті: input_audio.data, input_audio.format

Әдіс параметрлері мен өмірлік циклі

Параметр	Параметр талаптары
Параметр`content_type`	Параметр талаптарыapplication/json
Параметр`required`	Параметр талаптарыmodel, input_audio
Параметр`additional_properties`	Параметр талаптарыfalse
Параметр`parameters`	Параметр талаптары{"name":"model","type":"string","required":true,"enum":["fish-audio/transcribe-1-pro"]}, {"name":"input_audio","type":"object","required":true,"exact_keys":["data","format"],"data":"қолдау көрсетілетін нақты аудио байттарының қатаң base64 кодталуы","format":"тексеру арқылы анықталған дәл файл пішімі; нақты байттарға сәйкес келуі керек"}, {"name":"response_format","type":"string","required":false,"enum":["json"]}
Параметр`max_audio_bytes`	Параметр талаптары26214400
Параметр`multipart_for_this_profile`	Параметр талаптарыfalse
Параметр`material_types`	Параметр талаптарыaudio

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}

Толық жауапты және бастапқы қайтарылған ID мәндерін сақтаңыз.

Нәтижесі белгісіз жасау сұрауын ешқашан қайта жібермеңіз.

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
Баптаукіріс аудио секунды	Мөлшерлемелер кестесі—	Есептеу бірлігікіріс аудионың секунды үшін	Төлем Кіріс · кіріс аудио секунды $0.0002 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.

Fish Audio: Transcribe 1 Pro

Баптаулар бойынша бағалар

Баптау	Төлемді есептеу шарттары	Төлем
БаптауFish Audio: Transcribe 1 Pro · Әдепкі конфигурация	Төлемді есептеу шарттарыӘдепкі баптау	Төлем Кіріс · Кіріс аудио секундтары 0,0002 $ кіріс аудионың секунды үшін

Сұрау мысалдары

Ailoot Ultra · Сөйлеуді тану

curl · нақты аудио байттары және тексеру арқылы анықталған пішім

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_AUDIO_FILE:?Set your actual audio file}"
: "${AILOOT_AUDIO_FORMAT:?Set its actual probed file format}"
export AILOOT_AUDIO_FILE AILOOT_AUDIO_FORMAT
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "fish-audio/transcribe-1-pro", "response_format": "json"}')
import base64
f=Path(os.environ['AILOOT_AUDIO_FILE'])
raw=f.read_bytes()
if not raw or len(raw)>26214400:raise SystemExit('Use actual audio bytes within 25 MiB')
fmt=os.environ['AILOOT_AUDIO_FORMAT'].strip()
if not fmt:raise SystemExit('Use the actual probed format; the server checks it against the bytes')
p['input_audio']={'data':base64.b64encode(raw).decode(),'format':fmt}
Path('request.json').write_text(json.dumps(p,ensure_ascii=False))
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 result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
r=json.loads(Path('result.json').read_text())
print(json.dumps(r,ensure_ascii=False,indent=2))
print('Keep the complete JSON and response headers; do not resubmit an unknown creation.')
PY_RESULT

Нәтижелерді алу және сақтау

Ailoot Ultra · Сөйлеуді тану

json

GET /v1/media/tasks/{task_id}
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}

Барлық дайын нәтижені сақтау

Қайтарылған әр толық жауапты, файлды және мазмұн бөлігін сақтаңыз.

JSON жауабын толық, жауап тақырыптарын, мәтінді және нақты қайтарылған әрбір пайдалану өрісін сақтаңыз. Жауаптағы немесе өз медиатекаңыздағы нақты тапсырма мен ресурс идентификаторларын пайдаланыңыз; operation_id және task_id бірдей емес.

Бастапқы жауапты тексеру қажет болса

Қайта жібермей салыстырып тексеру үшін бастапқы operation_id/X-Client-Request-ID мәнін сақтаңыз; аудио күйін мерзімді түрде сұратуға арналған жеке маршрут жоқ.

Жауап өрістері

Өріс	Түрі	Мағынасы
Өріс`text`	Түріstring	МағынасыДыбыстан түсірілген мәтін.
Өріс`usage`	Түріobject	МағынасыАудионы пайдалану деректері.
Өріс`usage.seconds`	Түріnumber	МағынасыАудионың секундпен берілген ұзақтығы.
Өріс`duration`	Түріnumber	МағынасыАудионың секундпен берілген ұзақтығы.
Өріс`task_id`	Түріstring	МағынасыДыбыстан түсірілген мәтін тапсырмасының ID мәні; бос емес мәтін сақталып, жарияланып, оған қолтаңбасы бар мазмұн URL мекенжайы тағайындалғанда asset_url өрісімен бірге қайтарылады.
Өріс`asset_url`	Түріstring	МағынасыДыбыстан түсірілген мәтін мазмұнының қолтаңбасы бар URL мекенжайы; бос емес мәтін сақталып, жарияланып, оған қолтаңбасы бар мазмұн URL мекенжайы тағайындалғанда task_id өрісімен бірге қайтарылады.

Қателер және келесі қадамдар

Жауап	Шарт	Келесі қадам
Жауап400 · `invalid_request_error`	ШартМіндетті өрістер, материалды ұсыну тәсілі немесе параметр мәні қате	Келесі қадамЖаңадан жасау сұрауын жібермес бұрын көрсетілген өрістерді түзетіңіз.
Жауап`server_error`	ШартҚайтарылған жауапта операцияны немесе нәтижені тексеру қажет екені көрсетілген	Келесі қадамБастапқыда қайтарылған операцияның/тапсырманың ID мәнін, сұрау тақырыптарын және жауабын сақтаңыз; сол бастапқы операцияны қолдау көрсетілетін тәсілдермен оқуды жалғастырыңыз. Жасау сұрауын қайта жібермеңіз.

Балама атаулар

Модельдердің балама атаулары

Ailoot Ultra fish-audio/transcribe-1-pro

Әдіс жолдарының балама атаулары

Жоғарыда көрсетілген әдіс жолдарын пайдаланыңыз.

Шақыруға арналған байланысты ID

fish-audio/transcribe-1-pro

FAQ · Fish Audio: Transcribe 1 Pro

Қандай кіріс деректері мен нәтижелер қолжетімді?: POST /v1/audio/transcriptions · fish-audio/transcribe-1-pro: audio → text
Сұрау қандай өрістерді пайдаланады?: POST /v1/audio/transcriptions · fish-audio/transcribe-1-pro: model, input_audio, response_format

Fish Audio: Transcribe 1 Pro