gpt-4o-transcribe-diarize

GPT-4o Transcribe Diarize жазылған сөзді сөйлеуші белгілері мен уақыттары бар сегменттерге бөлінген мәтінге айналдырады. Ол кімнің қашан сөйлегенін көрсетуі тиіс жиналыс, сұхбат және бірнеше адам қатысқан жазбаларға жарайды; белгілі сөйлеушілер үшін қысқа дауыс референстерін қосуға болады.

Ailoot Ultra · Сөйлеуді тану POST /v1/audio/transcriptions openai/gpt-4o-transcribe-diarize

Модель туралы

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

GPT-4o Transcribe Diarize — OpenAI компаниясының сөйлеушілерді ажыратуы кіріктірілген автоматты сөйлеу тану моделі. Ол мәтінге айналдырылған аудиосегменттерді әңгімедегі әртүрлі сөйлеушілермен байланыстырады. Пайдалы нәтиже — тұтас сөздер блогы ғана емес, сөйлеуші мен уақыт бойынша реттелген транскрипт. Ол жиналыс, сұхбат немесе бірнеше адам қатысқан талқылау сияқты сөйлеуші белгілерін қажет ететін жазылған сөзге арналған.

Аяқталған жазбаны дайындаңыз

Мәтінге айналдырылатын жазбаны беріңіз. Құжатталған файл процесі MP3, MP4, MPEG, MPGA, M4A, WAV және WebM пішімдерін, файл өлшемінің 25 MB шегімен қабылдайды. Сөйлеуші ауысуын, есімді немесе анық емес тіркесті нақты аудиоға салыстыру үшін бастапқы жазбаға қолжетімділікті сақтаңыз.

Жиналыста репликаларды ажыратуға көмектесетін қысқа үзілістерді қиып тастаудың орнына әңгіме ретін сақтаңыз. Сұхбатта тапсырмаға сұрақ пен жауаптың байланысы қажет болса, оларды бірге ұстаңыз. Аудионы дайындау сөйлеуші белгілері бар нәтиже үшін маңызды ақпаратты жоймай, сөзді естілетін етуі тиіс.

Бұл — файлды мәтінге айналдыру процесі. Аяқталған жазбаны өңдеу және әлі келіп жатқан аудиоағынды тану — әртүрлі тапсырмалар; модельдің сөйлеуші белгілері Realtime транскрипция сессияларында қолдау таппайды.

Сөйлеуші белгілері бар транскрипт сұраңыз

diarized_json нәтиже пішімі сөйлеушіні білдіретін белгілері, басталу және аяқталу уақыттары бар сегменттерді қайтарады. Әр сегмент өзінің танылған мәтінін де қамтиды. Сөздерді жазбаның тиісті бөлігімен байланыстыру үшін бұл өрістерді бірге сақтаңыз.

Жиналыстың пайдалы транскрипті үшін сегменттер ретін сақтап, әр сөйлеушінің сөзін уақытымен бірге көрсетіңіз. Кейінгі тапсырма транскрипттен хаттама немесе әрекеттер тізімін дайындай алады, бірақ сөйлеушілерді ажыратудың өзі жиналыста не келісілгенін анықтамайды және тексерілген қорытынды жасамайды.

Сөйлеуші белгілері модельдің сөзді топтастыруын сипаттайды. Адамдар бірін-бірі бөлетін, қысқа сөйлейтін немесе қатар сөйлейтін ауысуларды тексеріңіз. Жақсы құрылымды нәтиже бағдарлануға және тексеруге пайдалы, бірақ нақты репликаны белгілі сөйлеушіге жатқызу үшін бастапқы аудионы тыңдау әлі қажет болуы мүмкін.

Белгілі сөйлеушілердің референстері

Құжатталған процесс атауы берілген төрт сөйлеуші референсіне дейін қабылдай алады. Әр референс — негізгі жүктеуге қолдау көрсетілетін пішімдегі 2–10 секундтық қысқа аудиоклип. Сегменттерді белгілі сөйлеушілермен байланыстыру үшін атаулар мен референстер бірге беріледі.

Қажетті сөйлеуші анық естілетін референс дайындап, оның атауын транскрипттің көзделген белгілерімен сәйкестендіріңіз. Сұхбатта жүргізушінің референсі әр қатысушыны анонимді белгіге айналдырмай, сөйлеуші белгілері бар нәтижені реттеуге көмектеседі. Референс сөзді сөйлеушіге жатқызуға арналған кіріс; ол жалпы дауыс клондау операциясы немесе адамның тұлғасын дәлелдеу емес.

Сөйлеушіні атауды айтылған сөздерді өңдеумен шатастырмаңыз. Пайдалы шығыс жазба мазмұнын және репликалардың нақты ретін сақтауы тиіс.

Бөліктерге бөлу және модель шектері

30 секундтан ұзақ аудио үшін өндіруші бөлу стратегиясын — автоматты бөлуді немесе дауыс белсенділігін анықтау баптауын — талап етеді. Бұл талап жазбаның ең ұзақ уақытын белгілемейді. Ол ұзын кірістің өңдеу үшін қалай бөлінетінін сипаттайды.

Модель карточкасы 16 000 токендік контекст терезесін және ең көбі 2 000 шығыс токенін көрсетеді. Бұлар файл процесінің 25 MB жүктеу шегінен және бөлу табалдырығынан бөлек модельдің токен шектері. Оларды барлық жазбаға ортақ ойдан алынған минут санына айналдыруға болмайды.

Ұзын транскриптті жинағанда немесе тексергенде уақыт пен сегмент идентификаторларын сақтаңыз. Жазба жіберуге дейін бөлінсе, жергілікті уақыт белгісін толық әңгімедегі орнымен шатастырмас үшін әр бөліктің бастапқы аудиомен байланысын сақтаңыз.

Аяқталған сегменттерді ағынмен беру

Файлды мәтінге айналдыру процесі жазбаны өңдеу кезінде мәтінді ағынмен бере алады. Сөйлеуші белгілері бар ағынмен беруде аяқталған сегменттер сегмент оқиғаларын жасайды. Мәтін өсімдері сегмент идентификаторын қамтиды, бірақ сөйлеушінің алдын ала тағайындалуын қамтымайды; сөйлеуші сегмент аяқталғанда тағайындалады.

Бұл айырмашылық көрсету үшін маңызды. Модель сегментті аяқтағанша күмәнді сөйлеуші белгісін қоспай, алдын ала мәтін мен аяқталған репликаны әртүрлі күй ретінде көрсетіңіз. Транскрипт кейін өңдеу не талдау үшін қажет болса, аяқталған нәтижені сақтаңыз.

Модель мен шығыстың шекаралары

Бұл профиль — кәдімгі GPT-4o транскрипциясынан, Mini транскрипциясынан, сөйлеу синтезінен және жанды әңгіме модельдерінен бөлек сөйлеушілерді ажырату моделі. Ол транскрипцияға арналған мәтіндік нұсқауларды қолдамайды; терминдерді тексеру не түзетуді бастапқы аудиомен салыстырылатын бөлек қадам ретінде орындаңыз. Өндіруші интерфейсі жазылған аудионы мәтінге айналдыруға арналған. Ол аудиожауап жасамайды және бөлек аудио аудару процесі арқылы жазбаны аудармайды.

Оны мазмұн мен сөйлеушілер құрылымы қатар қажет транскрипттер үшін пайдаланыңыз. Есімдерді, техникалық терминдерді, сандарды, реплика шекараларын және сөйлеушіге жатқызуды жазбаға салыстырып тексеріңіз. Түзету нақты бір тіркеске немесе сөйлеушіге жатқызуға бағытталуы үшін аудионы, таңдалған нәтиже пішімін, референстерді және аяқталған транскриптті сақтаңыз.

Ailoot Ultra · Сөйлеуді тану POST /v1/audio/transcriptions openai/gpt-4o-transcribe-diarize

openai/gpt-4o-transcribe-diarize

OpenAI /openai/gpt-4o-transcribe-diarize

Бастау

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
Өріс`model`	Түрі`string`	ТалапМіндетті	Мәндер мен шектеулер openai/gpt-4o-transcribe-diarize	Әдепкі—
Өріс`file`	Түрі`file`	ТалапМіндетті	Мәндер мен шектеулер Байттардың ең көп саны: 26 214 400 MIME түрлері: audio/mpeg Файл кеңейтімі: .mp3 Ұзақтықтың жоғарғы шегі, секунд: 30	Әдепкі—
Өріс`response_format`	Түрі`string`	ТалапМіндетті	Мәндер мен шектеулер diarized_json	Әдепкі—

Кіріс материалдарының үйлесімдері

diarized_transcription

Әдіс параметрлері мен өмірлік циклі

Параметр	Параметр талаптары
Параметр`content_type`	Параметр талаптарыmultipart/form-data
Параметр`required`	Параметр талаптарыmodel, file, response_format
Параметр`file_formats`	Параметр талаптарыmp3
Параметр`max_audio_seconds`	Параметр талаптары30
Параметр`max_bytes`	Параметр талаптары26214400
Параметр`response_format`	Параметр талаптарыdiarized_json
Параметр`other_options`	Параметр талаптарыfalse
Параметр`material_types`	Параметр талаптарыaudio
Параметр`additional_properties`	Параметр талаптарыfalse
Параметр`form_string_maximum_bytes`	Параметр талаптары256

Әдістің балама атаулары: /audio/transcriptions

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}

Нақты жазбаны және оған сәйкес пішімді пайдаланыңыз.

Дыбыстан түсірілген мәтінді толық, сегменттерді, сөйлеуші ID мәндерін және уақыт деректерін 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 бірлігі/ 1K аудио токен	Төлем Кіріс · кіріс аудио токені $0.012 / 1K аудио токен
БаптауUltra	Мөлшерлемелер кестесі—	Есептеу бірлігі/ 1K аудио токен	Төлем Шығыс · шығыс аудио токені $0.02 / 1K аудио токен

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 · Сөйлеуді тану

curl · сақталған құру сұрауының дәл нұсқасы

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_AUDIO_FILE:?Set the path to your actual MP3 recording}"
export AILOOT_AUDIO_FILE
python3 - <<'PY_REQUEST'
import os
from pathlib import Path
p=Path(os.environ["AILOOT_AUDIO_FILE"])
if not p.is_file() or p.suffix.lower()!=".mp3":raise SystemExit("Choose an existing MP3 recording")
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \
  -H "Authorization: Bearer $AILOOT_API_KEY" \
  --form-string model=openai/gpt-4o-transcribe-diarize -F "file=@$AILOOT_AUDIO_FILE" --form-string response_format=diarized_json \
  -D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
print(json.dumps(json.loads(Path("result.json").read_text())))
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}

Басқа мазмұнды оқу

Өзіңізге тиесілі әр қайтарылған транскрипцияны сақтауМедиа кітапханасыТапсырма күйіМатериал мәліметтері

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
export AILOOT_API_KEY
python3 - <<'PY_ASSETS'
import json,os,subprocess
from pathlib import Path
from urllib.parse import urljoin,urlsplit
r=json.loads(Path('result.json').read_text())
urls=[]
if isinstance(r.get('asset_url'),str) and r['asset_url']:urls.append(('transcript',r['asset_url']))
for label,path in urls:
    u=urljoin('https://api.ailoot.ai',path);z=urlsplit(u)
    if z.scheme!='https' or z.netloc!='api.ailoot.ai' or z.username or z.password:raise SystemExit('Use the actual returned Ailoot owned content URL')
    target=Path('owned-'+label+'.bin')
    subprocess.run(['curl','--fail-with-body','--silent','--show-error',u,'-H','Authorization: Bearer '+os.environ['AILOOT_API_KEY'],'-D',str(target)+'.headers','-o',str(target)],check=True)
print('All returned owned URLs saved; complete metadata, timing and usage remain in the JSON.')
PY_ASSETS

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \
  -H "Authorization: Bearer $AILOOT_API_KEY" -o media-assets.json

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_MEDIA_TASK_ID:?Set the actual ID returned by the response or media-library metadata}"
export AILOOT_MEDIA_TASK_ID
resource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_MEDIA_TASK_ID"],safe=""))')
curl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/tasks/$resource_id" \
  -H "Authorization: Bearer $AILOOT_API_KEY" -o media-task.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
print(json.dumps(json.loads(Path("media-task.json").read_text())))
PY_RESULT

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_ASSET_ID:?Set the actual ID returned by the response or media-library metadata}"
export AILOOT_ASSET_ID
resource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_ASSET_ID"],safe=""))')
curl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/assets/$resource_id" \
  -H "Authorization: Bearer $AILOOT_API_KEY" -o media-asset.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
print(json.dumps(json.loads(Path("media-asset.json").read_text())))
PY_RESULT

Барлық дайын нәтижені сақтау

Қайтарылған әр толық жауапты, файлды және мазмұн бөлігін сақтаңыз.

Тек мәтінді емес, JSON жауабын толық сақтаңыз; қолжетімді әрбір сегментті, сөйлеушіні, уақыт белгісін және нақты тапсырма мен ресурс идентификаторын сақтаңыз.

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
Өріс`text`	Түріstring
Өріс`segments[]`	Түріobject
Өріс`task_id`	Түріstring
Өріс`asset_url`	Түріstring
Өріс`usage`	Түріobject
Өріс`segments[].speaker`	Түріstring
Өріс`segments[].start`	Түріnumber
Өріс`segments[].end`	Түріnumber

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 openai/gpt-4o-transcribe-diarize

Әдіс жолдарының балама атаулары

/audio/transcriptions

Шақыруға арналған байланысты ID

openai/gpt-4o-transcribe-diarize

FAQ · gpt-4o-transcribe-diarize

Қандай кіріс деректері мен нәтижелер қолжетімді?: POST /v1/audio/transcriptions · openai/gpt-4o-transcribe-diarize: audio → transcription
Сұрау қандай өрістерді пайдаланады?: POST /v1/audio/transcriptions · openai/gpt-4o-transcribe-diarize: model, file, response_format

gpt-4o-transcribe-diarize