OpenAI: GPT-4o Transcribe

GPT-4o Transcribe OpenAI компаниясының GPT-4o сөйлеу тану мүмкіндіктерімен аудионы мәтінге айналдырады. Ол контекстік нұсқауларды, кіріс тілін көрсетуді, JSON транскрипттерін, файл нәтижесін ағынмен беруді және күмәнді танылған сөздерді тексеруге арналған қосымша токендік логарифмдік ықтималдықтарды қолдайды.

Ailoot Ultra · Дыбысты мәтінге түсіру POST /v1/audio/transcriptions openai/gpt-4o-transcribe

Модель туралы

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

GPT-4o Transcribe — OpenAI компаниясының GPT-4o негізіндегі сөйлеуді мәтінге айналдыру моделі. Оның кірісі — қосымша мәтіндік нұсқауы бар аудио, ал шығысы — танылған мәтін. Ол GPT-4o Mini Transcribe нұсқасынан және сөйлеушілерді белгілеуге маманданған GPT-4o Transcribe Diarize моделінен бөлек. Сөздің дәл мәтіндік жазбасын дайындау үшін осы профильді қолданып, тексеру мен кейінгі редакциялау үшін бастапқы жазбаға қолжетімділікті сақтаңыз.

Файл кірісі және ұзын материалды дайындау

OpenAI транскрипция нұсқаулығы 25 MB-қа дейінгі жүктеулерді құжаттайды. Қазіргі соңғы нүкте анықтамасы FLAC, MP3, MP4, MPEG, MPGA, M4A, OGG, WAV және WebM пішімдерін қабылдап, пішімді анықтайтын файл метадеректерін, соның ішінде кеңейтімі бар файл атауын және тиісті мазмұн түрін ұсынады. Үлкенірек жазба үшін сығу немесе реті сақталған, 25 MB-тан аспайтын бөліктер өндірушінің ұзын кіріс нұсқаулығына сай келеді. Сөйлемнің ортасынан бөлмеуге тырысып, әр бөліктің толық жазбадағы орнын сақтаңыз.

Сұхбатта әр кіріс файлды жазбамен және ол қамтитын үзіндімен байланыстырыңыз. Техникалық таныстырылымда қажетті өнім атауларын, қысқартуларды және салалық терминдерді контекст ретінде дайындап, олардың жазылуын сөйлеушінің нақты айтқанына салыстырыңыз. Сандық мәндері бар жазылған түсіндірмені жазбаша рәсімге айналдырмай тұрып, транскриптті дереккөзбен бірге тексеріңіз. Алғашқы қажетті материал — танылған сөздің мәтіндік нұсқасы; одан бөлек қадамда ықшам есеп немесе аударылған құжат дайындауға болады.

Нақты жазбаға арналған нұсқаулар және тіл таңдау

Өндіруші нұсқаулығы GPT-4o Transcribe моделінің мәтіндік нұсқауларды қолдайтынын анық көрсетеді. Нұсқау дұрыс жазылуды, алдыңғы сегмент контекстін және тыныс белгілері, бас әріптер, қыстырма сөздер немесе жазу жүйесі жөніндегі қалауларды бере алады. Анықтама бойынша оның тілі жазба тілімен сәйкес болуы тиіс. Тақырып пен сөздікке қатысты қысқа сипаттама айтылмаған терминдерді міндетті шығысқа айналдырмай, транскрипцияға пайдалы контекст береді.

Бұл профиль ISO 639-1 түрінде құжатталған, жекеше language тіл нұсқауын қолдайды. Нақты кіріс тілін беру тануға көмектесе алады. GPT Transcribe моделінің жаңа keywords және көпше languages өрістері сол бөлек аталған модельге тиесілі, оларды GPT-4o Transcribe үшін бар деп санауға болмайды. Тіл баптауын мәтінге айналдыратын сөзбен байланыстырып, кейін аудару немесе стильдік қайта жазуға дейін бастапқы тұжырымды сақтаңыз.

Нәтиже пішімі, ықтималдықтар және маманданған шығыстар

Қазіргі соңғы нүкте анықтамасы GPT-4o Transcribe қолдайтын жауап пішімі ретінде JSON көрсетеді. Нәтиже танылған мәтінді қамтиды және осы JSON пішімімен бірге қосымша токендік логарифмдік ықтималдықтарды сұрауға болады. Ықтималдық деректері модельдің токен таңдауын сипаттайды. Олар қай үзінділерді тексеру керегін көрсете алады, бірақ күрделі есім, сан немесе тіркестің дұрыс берілгенін аудиомен салыстыру анықтайды.

Қалыпты профильдің JSON нәтижесі өзіндік субтитр пішімдерін, сөздердің егжей-тегжейлі уақыт белгілерін немесе сөйлеушілерді тағайындауды бермейді. Мұндай шығыстар қажет болса, OpenAI басқа модель мен пішім таңдауларын құжаттайды; GPT-4o Transcribe Diarize — сөйлеушілерді белгілейтін бөлек нұсқа. Субтитр тапсырмасында тексерілген транскриптті тиісті уақыт белгілеу қадамы үшін сақтаңыз. Әңгіме транскриптінің абзацы тақырыпты немесе дауысты өзгертетіндей көрінгені үшін ғана сөйлеуші есімдерін ойдан қоспаңыз.

Аяқталған файл нәтижесін ағынмен беру

OpenAI сөйлеуді мәтінге айналдыру нұсқаулығы қолданыстағы GPT-4o Transcribe интеграциялары файлды ағынмен өңдеуді қолдайтынын айтады. Қолданба алдымен жазбаны береді, кейін ол өңделген кезде транскрипт мәтінін алып, аяқталған нәтижені сақтайды. Бұл микрофон аудиосын келген сайын қабылдау емес, аяқталған жазбаның транскриптін ағынмен беру. Модельдің нақты карточкасы транскрипция және Realtime соңғы нүкте отбасыларын да тізімдейді; модельге тән сессия әрекетін жаңа үздіксіз ағынды модельден алмай, осы профильмен байланыстыру керек.

Модель шектері және қорытынды материалды тексеру

Қазіргі GPT-4o Transcribe спецификациясы 16 000 токендік контекст терезесін, ең көбі 2 000 токен шығысты және білім шегін 2024 жылғы 1 маусым деп көрсетеді. Бұл токен шектері аудионың бекітілген ұзақтығы емес және файл транскрипциясын дайындау ережелерін алмастырмайды. Ұзын жазбада дереккөз ретін және қажетті алдыңғы контексті сақтап, аяқталған мәтін әр көзделген сегменттің соңына жететінін тексеріңіз.

Пайдалы қорытынды транскрипт іздеуге болатын сұхбат материалына, техникалық құжаттаманың дереккөзіне немесе кейінгі субтитр процесінің мәтініне айнала алады. Күмәнді сөздікті, шамаларды, тыныс белгілерін, акценттерді және қатар айтылған сөзді жазбаға салыстырып тексеріңіз. Танылған мәтінді кейінгі түзетулерден немесе қорытындылардан ажыратып, айналадағы процестің идентификаторлары арқылы дереккөз байланысын сақтаңыз. Модель мәтіндік жазба береді; кірісті мұқият дайындау мен дереккөзді тексеру оның келесі қолданысқа жарамдылығын анықтайды.

Ailoot Ultra · Дыбысты мәтінге түсіру POST /v1/audio/transcriptions openai/gpt-4o-transcribe

openai/gpt-4o-transcribe

OpenAI /openai/gpt-4o-transcribe

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 openai/gpt-4o-transcribe	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 токені	Мөлшерлемелер кестесі—	Есептеу бірлігі/ 1K токен	Төлем Кіріс $0.005 / 1K токен
Баптаушығыс токені	Мөлшерлемелер кестесі—	Есептеу бірлігі/ 1K токен	Төлем Шығыс $0.02 / 1K 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 · 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': 'openai/gpt-4o-transcribe', '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 openai/gpt-4o-transcribe

Әдіс жолдарының балама атаулары

Жоғарыда көрсетілген әдіс жолдарын пайдаланыңыз.

Шақыруға арналған байланысты ID

openai/gpt-4o-transcribe

FAQ · OpenAI: GPT-4o Transcribe

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

OpenAI: GPT-4o Transcribe