Fish Audio: Transcribe 1

Transcribe 1 қысқа аудиожазбаларды тілді автоматты анықтау және қажет болса сөз деңгейіндегі уақыт белгілерімен мәтінге айналдырады. Транскриптті дауыстық жазбаларға, іздеуге болатын үзінділерге немесе субтитр дайындауға қолданыңыз; уақыты көрсетілген сегменттерді оқуға ыңғайлы толық мәтіннен бөлек сақтаңыз.

Ailoot Ultra · Дыбысты мәтінге түсіру POST /v1/audio/transcriptions fish-audio/transcribe-1

Модель туралы

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

Transcribe 1 — қысқа жазбаларға арналған Fish Audio әмбебап сөйлеуді мәтінге айналдыру моделі. Ол аудиофайлды қабылдап, танылған сөздерді мәтін түрінде, жазба ұзақтығымен, қажет болса уақытпен белгіленген сегменттермен және белгілі болғанда тіл ақпаратымен қайтарады. Бұл модель қысқа дауыстық жазбаға, ауызша нұсқауға, жазбаның бір бөлігіне немесе оқылатын мәтіндік нұсқасы қажет аудиоүзіндіге пайдалы.

Дауыстық жазба үдерісінің мысалы жазбаны толық транскриптімен және бастапқы үзінді идентификаторымен бірге сақтайды. Кейінгі қолданба қадамы айтылған дереккөзді сақтай отырып, осы мәтіннен іздей алады, жазбаны ұйымдастыра алады немесе қысқаша мазмұн жасай алады. Команда үшін транскрипт қолданбаға танылған сөздерді береді; кез келген әрекет — бөлек түсіндіру және орындау қадамы. Сұхбат үзіндісі үшін дәйексөзді дұрыс жерден тексеру мақсатында оның толық аудиодағы орнын тіркеңіз.

Өндіруші WAV, MP3, M4A/MP4 қамтитын AAC, FLAC және Opus не Vorbis бар Ogg пішімдерін қабылдайды. Бұл модель үшін браузердегі WebM жазбаларын Ogg/Opus, MP3 немесе WAV пішіміне түрлендіру керек; Pro қосымша контейнерлердің табиғи қолдауын құжаттайды. Әр сұрауға бір аудиофайл беріңіз. Негізгі модельдің құжатталған сұрау көлемі — ең көбі 50 MiB, ал MP3 пен Opus файлдары 25 MiB-тан аз болуы тиіс. Файл көлемі мен жазба ұзақтығы бөлек қаралады: сығылған файл жүктеу шегіне сыйса да, оны өңдеу тым ұзаққа созылуы мүмкін.

Transcribe 1 қысқа жазбаларға арналған. Өндіруші бірнеше минуттан ұзақ аудиоға Pro ұсынады; негізгі модельге жіберілген ұзақ сұрау өңдеу уақытының шегінен асса, сәтсіз аяқталуы мүмкін. Ұзын дереккөзді қысқа үзінділерге бөліп транскрипциялағанда әр үзіндінің басталу ығысуын сақтап, нәтижелерді біріктірмес бұрын қайтарылған транскрипт толық үзіндіні қамтитынын тексеріңіз. Навигацияны толық жазбамен байланыстыру үшін жергілікті сегмент уақыттарына бастапқы ығысуды қосыңыз. Негізгі модель нұсқауын Pro нұсқасының бөлек 60 минуттық шегі деп түсіндірмеңіз.

Өндіруші жауабына мәтін, ұзақтық және сегменттер кіреді. Ұзақтық секундпен беріледі, ал оқуға ыңғайлы толық транскрипт үзіндінің негізгі мәтіні ретінде сақталуы тиіс. Уақыт белгілері міндетті емес: өндіруші API интерфейсінде ignore_timestamps әдепкіде true, ал false мәтіні, секундпен берілген басталу және аяқталу уақыты бар сөз деңгейіндегі сегменттерді сұрайды. Уақыт бойынша сәйкестендіруді сұрау өңдеу уақытын ұзартады. Бос segments массиві уақытты анықтау өткізіліп жіберілгенін, сөйлеу жоқ екенін немесе сәйкестендірудің уақытша қолжетімсіздігін білдіруі мүмкін, сондықтан оны автоматты түрде толық транскрипт бос деген белгі деп қабылдамаңыз.

Сегменттер әдетте сөздерден, ал қытай және жапон тілдерінде бір не бірнеше таңбадан тұрады. Олардың мәтінінде тыныс белгілері жоқ және мәндер толық транскрипттен өзгеше қалыпқа келтірілуі мүмкін; бұл оқуға арналған жауаптың таңба сайын дәл көшірмесі емес. Сегменттің басталу және аяқталу уақыты бірдей болуы мүмкін. Сегменттерді жазбадағы орынды табуға немесе уақытқа сай көрсетуге, ал толық мәтінді сөздер мен тыныс белгілері маңызды кезде пайдаланыңыз. Алынған артефактта осы екі көріністі бөлек ұстаңыз.

Қосымша тіл нұсқауы берілсе де, берілмесе де тіл автоматты анықталады. Өндіруші нұсқаулар үшін кіші әріппен жазылған ISO 639-1 кодтарын құжаттайды және белгілі болғанда қолданба логикасына тіл кодын, көрсетуге тіл атауын қайтарады. Жауап тіл ауысып отыратын жазбадағы барлық тілдерді емес, бір тілді хабарлайды. Транскрипция сұрауын аудару операциясы деп қабылдамай, бастапқы сөздер мен қолжетімді тіл метадеректерін нәтижемен бірге сақтаңыз.

Субтитр үдерісінде сөздерді бір-бірлеп көрсетудің орнына қатар тұрған уақыт сегменттерін оқуға ыңғайлы титрлерге топтастырыңыз. Пайдалы нәтиже — бастапқы үзіндімен байланыстырылған, кідірістерге сай шекаралары және экранға лайық мәтін көлемі бар SRT немесе WebVTT файлы. Жетіспейтін уақыт белгілерін тексеріп, әр титрдің аяқталуы басталуынан кейін келетінін растаңыз. Субтитрді топтау мен файлды пішімдеу — қайтарылған сәйкестендіруден жасалатын қолданба қадамдары, ал көрсету таңдаулары ойнатқыш пен аудиторияға сай болуы тиіс.

Transcribe 1 моделінің құжатталған басқару элементтері — аудио, тіл нұсқауы және уақыт белгілерін таңдау. Pro нұсқасының сөйлеуші маркерлері, құрылымды сөйлеуші кезектері, эмоциялық оқиғаларды басқару және сөйлеуші саны туралы нұсқаулар бөлек мүмкіндіктер; олар осы негізгі модельдің құжатталған жауап келісіміне кірмейді. Өңдеуден бұрын қажетті артефактты таңдаңыз: жазбаға жай оқылатын мәтін, ал ойнату навигациясы мен субтитрге мәтін және уақыттық сәйкестендіру. Үзінді идентификаторын, транскриптті және бар уақыт ақпаратын сақтау нәтижені келесі қолданба кезеңіне пайдалы етеді.

Ailoot Ultra · Дыбысты мәтінге түсіру POST /v1/audio/transcriptions fish-audio/transcribe-1

fish-audio/transcribe-1

Fish Audio /fish-audio/transcribe-1

Бастау

Қабылданатын кіріс деректері: Аудио
Нәтижелер: Мәтін

Ailoot жүйесінде қолжетімді · кіріс деректері мен әдістер

Ailoot Ultra · Дыбысты мәтінге түсіру POST /v1/audio/transcriptions

Кіріс: audio
Шығыс: text

Өріс	Түрі	Талап	Мәндер мен шектеулер	Әдепкі
Өріс`model`	Түрі`string`	ТалапМіндетті	Мәндер мен шектеулер fish-audio/transcribe-1	Әдепкі—
Өріс`input_audio`	Түрі`object`	ТалапМіндетті	Мәндер мен шектеулер	Әдепкі—

Әдіс параметрлері мен өмірлік циклі

Параметр	Параметр талаптары
Параметр`content_type`	Параметр талаптарыapplication/json
Параметр`required`	Параметр талаптарыmodel, input_audio
Параметр`material_types`	Параметр талаптарыaudio
Параметр`material_conditions`	Параметр талаптарыМысал сіздің нақты, бос емес PCM WAV файлыңызды оқып, файлдың барлық байтын base64 пішіміне кодтайды және input_audio.format өрісін wav мәнімен жібереді.

Өмірлік цикл: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · иелігіңіздегі бар медиа жазбасынан алынған дәл task_id

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

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

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 →

Сұрау мысалдары

Ailoot Ultra · Дыбысты мәтінге түсіру

curl · нақты WAV файлы және бастапқы толық нәтиже

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_AUDIO_FILE:?Set the path to your actual PCM WAV recording}"
export AILOOT_AUDIO_FILE
python3 - <<'PY_REQUEST'
import base64, io, json, os, wave
from pathlib import Path
audio = Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()
if not (audio[:4] == b'RIFF' and audio[8:12] == b'WAVE'):
    raise SystemExit('Supply your actual PCM WAV audio file')
with wave.open(io.BytesIO(audio), 'rb') as recording:
    if recording.getcomptype() != 'NONE' or recording.getnframes() <= 0:
        raise SystemExit('Supply a nonempty PCM WAV recording')
request = {'model': 'fish-audio/transcribe-1', 'input_audio': {'data': base64.b64encode(audio).decode('ascii'), 'format': 'wav'}}
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
# Retain the complete original response, headers and actual X-Client-Request-ID.
# Read existing owned records for recovery; do not resubmit an uncertain operation.

Нәтижелерді алу және сақтау

Ailoot Ultra · Дыбысты мәтінге түсіру

Бастапқы жауаптың толық денесі, күйі және әрі қарай берілген тақырыптары. Бұл өңдегіш әмбебап JSON құрылымын, мәтін өрісін немесе тапсырманың сыртқы құрылымын қоспайды.

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.

Толық жауапты және тақырыптарды, алынған әрбір нәтижені, бастапқыда қайтарылған идентификаторларды және пайдалану туралы барлық өрістерді сақтаңыз. Жасау сұрауын қайта жібермей, бастапқы операцияны қалпына келтіріңіз.

Бастапқы жауапты тексеру қажет болса

Нақты X-Client-Request-ID мәнін және толық жауапты сақтаңыз. Иелігіңіздегі бастапқы ресурстарды және олардың қолтаңбасы бар дәл мазмұн URL мекенжайларын оқыңыз; нәтижесі белгісіз жасау сұрауын ешқашан қайта жібермеңіз.

Жауап өрістері

Өріс	Түрі
Өріс`text (when present)`	Түрі
Өріс`usage (when present)`	Түрі

Қателер және келесі қадамдар

Жауап	Шарт	Келесі қадам
Жауап400 · `invalid_request_error`	ШартJSON денесі немесе нақты канондық модель ID мәні жарамсыз.	Келесі қадамЖауапты сақтап, сұраудың көрсетілген өрісін түзетіңіз.
Жауап401 · `authentication_error`	ШартAiloot API кілті жарамсыз.	Келесі қадамПайдалануға рұқсат етілген Ailoot API кілтіңізді қолданыңыз.
Жауап403 · `permission_error`	ШартКілттің тобына бұл әдісті пайдалануға рұқсат берілмеген.	Келесі қадамҚайтарылған қатенің толық мәліметін сақтаңыз.
Жауап404 · `not_found_error`	ШартТаңдалған әдісте пайдалануға рұқсат етілген маршрут жоқ.	Келесі қадамҚайтарылған қатенің толық мәліметін сақтаңыз.
Жауап422 · `price_unavailable`	ШартҚабылданған тариф өзіне қажетті кіріс мөлшерін немесе шегін ала алмайды.	Келесі қадамЖауапты сақтаңыз; қабылданған тариф талап ететін кіріс пішімін пайдаланыңыз.
Жауап503 ·	ШартҚажетті қойма, маршрут, әдіс бағасы немесе қаражат резерві қолжетімді емес.	Келесі қадамБастапқы жауапты толық сақтаңыз. Нәтижесі белгісіз қаражат резерві сұрауды қайта жіберуге рұқсат бермейді.
Жауап502 · `server_error`	ШартБастапқы нәтижені, пайдалану деректерін немесе есеп айырысуды тексеру қажет.	Келесі қадамНақты сұрау ID мәнін және бастапқы жауапты сақтаңыз. Иелігіңіздегі бар жазбаны оқыңыз; жасау сұрауын қайта жібермеңіз.

Балама атаулар

Модельдердің балама атаулары

Ailoot Ultra fish-audio/transcribe-1

Әдіс жолдарының балама атаулары

Жоғарыда көрсетілген әдіс жолдарын пайдаланыңыз.

Шақыруға арналған байланысты ID

fish-audio/transcribe-1

FAQ · Fish Audio: Transcribe 1

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

Fish Audio: Transcribe 1