OpenAI: GPT Transcribe

GPT Transcribe жазылған сөйлеуді бастапқы тіліндегі мәтінге айналдырады; мәнмәтіндік нұсқауларды, нақты кілт сөздер жөніндегі ишараларды және бірнеше тіл жөніндегі ишараларды пайдаланады. OpenAI аяқталған файлды транскрипциялауды, файл нәтижелерін ағынмен беруді және Realtime ішінде бекітілген аудио репликалардан кейінгі транскрипцияны құжаттайды.

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

Модель туралы

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

GPT Transcribe — OpenAI компаниясының аяқталған аудио файлдарға, ағынмен берілетін файл транскрипцияларына және Realtime сеанстарында бекітілген аудио репликаларға арналған сөйлеуді мәтінге айналдыру моделі. Ол аудионы қосымша мәтіндік мәнмәтінмен қабылдап, танылған мәтінді қайтарады. Өндіруші оны жазылған сөйлеуді бастапқы тілінде дәл транскрипциялауға, соның ішінде салалық терминдерге, көптілді жазбаларға және тіл ауыстыруға бағыттайды. Пайдалы нәтиже — жазбамен байланысы сақталған транскрипция және модель сенімді болжам жасай алған жағдайда анықталған тілдер туралы метадеректер.

Аяқталған жазбаны дайындау

OpenAI компаниясының файл транскрипциялау үдерісі көлемі ең көбі 25 MB болатын жүктеулерді қабылдайды. Эндпоинттің ағымдағы анықтамасында FLAC, MP3, MP4, MPEG, MPGA, M4A, OGG, WAV және WebM кіріс пішімдері көрсетілген; пішімді анықтауға жеткілікті файл метадеректерін, соның ішінде тиісті файл атауының кеңейтімі мен мазмұн түрін беру ұсынылады. Үлкенірек жазбаны нұсқаулық қысуды немесе көлемі ең көбі 25 MB болатын файлдарға бөлуді ұсынады. Сөйлемнің ортасынан кеспеңіз: айналасындағы сөйлеу бөліктерін алып тастау тану дәлдігін төмендетуі мүмкін. Бөліктердің ретін және бастапқы жазбадағы орнын сақтаңыз.

Жиналыс, сұхбат немесе жазылған таныстырылым үшін нақты аудионы беріп, тақырып пен айтылуы ықтимал терминдерді көрсетіңіз. Пайдалы нәтиже — талқылаудан тұжырымдалған қысқаша мазмұн емес, танылған сөздер. Қайтарылған мәтінмен бірге жазба идентификаторын сақтаңыз: есімді, санды немесе күмәнді тіркесті тексеретін адам тиісті дереккөзге орала алады. Транскрипция кейін бөлек түйіндеу, аудару немесе редакциялау үдерісінің материалы бола алады.

Мәнмәтін, кілт сөздер жөніндегі ишаралар және күтілетін тілдер

Өндіруші бағыттаудың үш түрін ажыратады. Нұсқау мәтіні жазбаның тақырыбы немесе жағдайы туралы еркін мәнмәтін береді. Кілт сөздер сөйлеуде күтілетін нақты сөздерді немесе тіркестерді береді. languages тізімі күтілетін сөйлеу тілдерін көрсетеді. Екі тілде өтетін өнім талқылауы үшін нұсқауда жағдайды сипаттап, тиісті өнім атауларын кілт сөздер ретінде тізіп, күтілетін тілдерді беріңіз. Бұлар — тануға арналған ишаралар; ешкім айтпаған сөздерді енгізу нұсқаулары емес.

GPT Transcribe бұрынғы жекеше language өрісінің орнына көпше languages өрісін пайдаланады; OpenAI екеуін бірге жібермеуді айтады. Оның нұсқаулығы қолдау көрсетілетін ISO 639-1 кодтарын, таңдалған ISO 639-3 кодтарын және қытай тілінің аймақтық кодтарын қабылдап, қолдау көрсетілмейтін немесе қате пішімделген мәндерді қабылдамайды. Әр кілт сөз бір жолда қалуы керек және бұрышты жақша, жол басына қайтару немесе жаңа жолға өту таңбасын қамтымауы тиіс. Жарамсыз кілт сөз немесе тым ұзын нұсқау бүкіл сұраудың қабылданбауына әкелуі мүмкін. Мәнмәтінді тақырыпқа сай ұстаңыз және ишаралар тізімін транскрипция деп қабылдамай, көрсетілген атаулардың аудиода шынымен бар-жоғын тексеріңіз.

JSON шығысы және анықталған тілдер туралы болжамдар

Құжатталған файл нәтижесі — транскрипция мен анықталған тілдерді қамтитын JSON. Бұл тіл болжамдары берілген тіл ишараларының көшірмесі емес, модельдің шығысы. Модель сенімді болжам жасай алмаса, бос тілдер тізімі жарамды нәтиже болып саналады; ол жазбада дыбыс болмағанын немесе транскрипция сәтсіз аяқталғанын дәлелдемейді. Кейінгі өңдеу әрқайсысын өз мағынасына сай пайдалануы үшін танылған мәтін мен тіл метадеректерін бөлек сақтаңыз.

Файл транскрипциясын ағынмен беру

Аяқталған файл өңделу барысында транскрипция мәтінін біртіндеп бере алады. OpenAI жартылай мәтін үшін transcript.text.delta оқиғаларын, ал толық файл транскрипциясы үшін transcript.text.done оқиғасын құжаттайды; соңғы оқиға анықталған тілдерді де қамтиды. Бұл бұрын берілген жазбаның шығысын ағынмен береді. Ұзақ жүктеудің барысын көрсетуге пайдалы; соңғы оқиға аяқталған нәтиже ретінде сақталатын мәтінді анықтайды.

Realtime сеанстарындағы бекітілген репликалар

GPT Transcribe моделінде WebSocket арқылы іске асатын арнайы Realtime үдерісі де бар. Аудио кіріс буферіне қосылады, содан кейін қолданба аудио репликаны айқын түрде бекітеді. Транскрипция сол бекітілген бөлік үшін басталып, аяқталу оқиғасына дейін аралық жаңартуларды, соның ішінде анықталған тіл туралы ақпаратты бере алады. Өндірушінің осы сеанстық үдерісінде модель бұған дейін транскрипцияланған репликаларды мәнмәтін ретінде автоматты түрде пайдаланады. Бұл микрофон аудиосы түскен сайын тікелей субтитр мәтінін үздіксіз беруден бөлек; OpenAI мұндай үздіксіз үдеріс үшін GPT Live Transcribe атауын қолданады.

Бірнеше реплика болғанда тиісті транскрипциямен бірге кіріс элементінің идентификаторын сақтаңыз. OpenAI әртүрлі репликалардың аяқталу оқиғалары сөйлеу ретімен келмеуі мүмкін екенін ескертеді. Сондықтан әңгімені тек аяқталу уақыты бойынша реттемей, әр соңғы нәтижені оның бекітілген кірісімен байланыстырыңыз. Пайдалы нәтиже — тиісті соңғы элементтерден жиналған реттелген транскрипция; аралық мәтін бөлек аяқталған айтылым емес, жұмыс барысы ретінде қарастырылады.

Арнайы шығыстар және маңызды шектеулер

Бұл профиль субтитрлерге, уақыт белгілеріне, аудармаға немесе сөйлеуші белгілеріне ортақ әмбебап сипаттама ұсынбайды. OpenAI көшу нұсқаулығы осы арнайы мүмкіндіктерді ажыратады: субтитрлердің төл пішімдері мен сөздердің уақытын көрсетуге үйлесімді модель мен пішім қажет, ал сөйлеуші белгілері үшін GPT-4o Transcribe Diarize пайдаланылады. GPT Transcribe файл нәтижесі SRT, VTT немесе егжей-тегжейлі уақыт белгілері бар жауапты тікелей алмастыратын пішім емес, JSON түрінде беріледі. Оның нақты модель карточкасында мәнмәтіннің немесе ең үлкен шығыстың сандық шегі жарияланбаған, сондықтан аудио транскрипциясына чат моделінің токен терезесін жорамалдауға болмайды.

Күрделі сөздерді, сандарды, акценттерді, фондық шуды және тіл ауысуларын жазбамен салыстырып тексеріңіз. Тиісті ишаралар айтылмаған терминдерді қоспай, тануды жақсартқанын және соңғы транскрипция аудионың аяқ жағын қамтығанын тексеріңіз. Көптілді нәтиже үшін аударылған нұсқаны дайындамас бұрын айтылған сөздерді сақтаңыз. Осы тексерулер мәнмәтіндік ишараларды, анықталған тілдерді және танылған сөйлеуді анық ажырата отырып, транскрипцияны пайдалы бастапқы материалға айналдырады.

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

openai/gpt-transcribe

OpenAI /openai/gpt-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-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 аудио секунды	Мөлшерлемелер кестесі—	Есептеу бірлігікіріс аудионың секунды үшін	Төлем Кіріс · кіріс аудио секунды $0.00015 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': 'openai/gpt-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-transcribe

Әдіс жолдарының балама атаулары

Жоғарыда көрсетілген әдіс жолдарын пайдаланыңыз.

Шақыруға арналған байланысты ID

openai/gpt-transcribe

FAQ · OpenAI: GPT Transcribe

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

OpenAI: GPT Transcribe