OpenAI: Whisper 1
Whisper 1 аяқталған аудиофайлды мәтінге транскрипциялайды; көптілді тану мен сөз немесе сегмент уақыт белгілері бар. Өндіруші субтитр пішімдерін және бөлек ағылшын тіліне аудару үдерісін қолдайды; транскрипция нәтижесі жазба тілін сақтайды.
Модель туралы
Бұл сипаттама модель мүмкіндіктерін қамтиды. Ailoot жүйесінде таңдалған әдіс үшін қолжетімді кіріс, шығыс және параметрлер төменде берілген.
Whisper 1 — ашық кодты Whisper V2 моделіне негізделген деп құжатталған OpenAI-дың әмбебап сөйлеуді тану API моделі. Ол аудиофайлды қабылдап, мәтін қайтарады. Жасаушы көптілді тануды, тілді анықтауды және бөлек сөйлеуді аудару міндетін сипаттайды. Транскрипция сөйленген тілді сақтайды; өндірушінің бөлек аудару интерфейсі ағылшынша мәтін қайтарады.
Пайдалы қолдану — сұхбатты, дауыстық жазбаны немесе жазылған әңгімені кейін іздеу мен өңдеуге дайындау. Аяқталған жазбаны және белгілі болса, оның кіріс тілін беріңіз. OpenAI қолдау көрсетілетін 98 тілді құжаттайды және тану дәлдігі тілге қарай өзгеретінін айтады. Бір тілдік нұсқау ISO 639-1 кодын қолданады; басқа транскрипция модельдерінің жаңарақ көптілді және кілт сөз өрістері бөлек параметрлер болып саналады.
Өндірушінің файл транскрипциялау үдерісі MP3, MP4, MPEG, MPGA, M4A, WAV немесе WebM пішімінде 25 MB көлемге дейінгі файлдарды қабылдайды. Үлкенірек жазба үшін сығылған пішім қолданыңыз немесе оны шекке сыятын бөліктерге бөліңіз. Жиналған транскрипт бастапқы жазбамен байланыста қалуы үшін сөйлем шекараларын және бөліктер ретін сақтаңыз. Бейне контейнері бұл міндетке визуалды сипаттама кірісі ретінде емес, өзінің аудиосын береді.
Нұсқау есімдерді, қысқартуларды немесе жазбаға тән сөздікті және бұрынғы сегмент контекстін бере алады. Whisper нұсқауының шегі — 224 токен, ал нұсқау аудио тіліне сай болуы керек. Жасаушы Whisper әмбебап мәтін моделі сияқты нұсқауларды орындамайтынын айтады. Нұсқауды тиісті транскрипция контексті ретінде қолданып, терминдер тізімін сөйлеуші міндетті түрде айтқан сөздер деп қабылдамай, маңызды жазылуларды жазбамен салыстырыңыз.
Өндіруші JSON, қарапайым мәтін, SRT, VTT және verbose JSON транскрипция пішімдерін құжаттайды. Сөз және сегмент уақыт белгілеріне verbose JSON қажет; осы деңгейлердің бірін немесе екеуін де сұрауға болады. API анықтамасында сегмент уақыт белгілері қосымша кідіріс қоспайтыны, ал сөз уақыт белгілері қосымша өңдеуді қажет ететіні айтылған. Бұл нәтижелер субтитрлеуге және өңдеу кезінде үзінділерді табуға көмектеседі; сөйлеуші диаризациясының аннотациялары басқа мамандандырылған модельге жатады.
Whisper 1 файл транскрипциясының ағындық берілуін қолдамайды. Оның анықтамасында нөл мен бір арасындағы іріктеу температурасы да құжатталған; нөлде модель декодтау шектері қажет еткенде температураны автоматты арттыра алады. Бұл — әр жазба бірдей немесе мінсіз дәл транскрипт береді деген уәде емес, өндірушінің өңдеу параметрлерінің сипаттамасы.
Соңғы материалды анықтаңыз: іздеуге арналған транскрипт, субтитр файлы немесе сөз/сегмент уақыты бар мәтін. Бастапқы жазбаны, бөліктер ретін және тиісті бастапқы уақыт сілтемелерін нәтижемен бірге сақтаңыз. Кейінгі мәтін өңдеу қадамы қате жазылуды түзете алады немесе қысқаша мазмұн дайындай алады, бірақ сөйлеуші мағынасы сақталуы үшін өзгерістерді аудиомен салыстырыңыз. Танылған мәтін айтылған сұраққа жасалған жауап емес, келесі міндетке арналған дәлелге айналады.
Ailoot Ultra · Сөйлеуді тану POST /v1/audio/transcriptions openai/whisper-1
openai/whisper-1Бастау
Whisper 1 аяқталған аудиофайлды мәтінге транскрипциялайды; көптілді тану мен сөз немесе сегмент уақыт белгілері бар. Өндіруші субтитр пішімдерін және бөлек ағылшын тіліне аудару үдерісін қолдайды; транскрипция нәтижесі жазба тілін сақтайды.
- 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 |
|---|---|---|---|---|
Өрісmodel | Түріstring | ТалапМіндетті | Мәндер мен шектеулер openai/whisper-1 | Әдепкі— |
Өрісfile | Түріfile | ТалапМіндетті | Мәндер мен шектеулер Мазмұн түрі: multipart/form-data | Әдепкі— |
Өрісresponse_format | Түріstring | ТалапМіндетті емес | Мәндер мен шектеулер json | Әдепкі— |
Өрісinput_audio.data | Түріbase64_string | ТалапМіндетті | Мәндер мен шектеулер Мына жағдайда қолданылады: WhisperOR JSON кірісі | Әдепкі— |
Өрісinput_audio.format | Түріstring | ТалапМіндетті | Мәндер мен шектеулер wav, mp3, flac, ogg, m4a, webm Мына жағдайда қолданылады: WhisperOR JSON кірісі | Әдепкі— |
Кіріс материалдарының үйлесімдері
· Міндетті: model, file
Әдіс параметрлері мен өмірлік циклі
| Параметр | Параметр талаптары |
|---|---|
Параметрcontours | Параметр талаптары{"content_types":["application/json","multipart/form-data"],"required_json":["model","input_audio.data","input_audio.format"],"required_multipart":["model","file"],"file_formats":["wav","mp3","flac","ogg","m4a","webm"],"response_format_optional":["json"]}, {"content_types":["multipart/form-data"],"required":["model","file"],"file_formats":["mp3"],"response_format_option":false} |
Параметрmax_bytes | Параметр талаптары26214400 |
Параметрmaterial_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}
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 |
| Баптаукіріс аудио секунды | Мөлшерлемелер кестесі— | Есептеу бірлігікіріс аудионың секунды үшін | Төлем Кіріс · кіріс аудио секунды $0.0002 кіріс аудионың секунды үшін |
Анықтамалық тариф мәліметтері
Модельдің анықтамалық кестелері әдіс таңдауын, баға есебін не төлемді өзгертпейді. Қолданыстағы төлемдер таңдалған Ailoot әдісінің мөлшерлемелерімен есептеледі.
OpenAI: Whisper 1
Баптаулар бойынша бағалар
| Баптау | Төлемді есептеу шарттары | Төлем |
|---|---|---|
| БаптауOpenAI: Whisper 1 · Әдепкі конфигурация | Төлемді есептеу шарттарыӘдепкі баптау | Төлем Кіріс · Кіріс аудио секундтары 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 · Сөйлеуді тану
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 $AILOOT_API_KEY" \
--form-string model=openai/whisper-1 -F "file=@$AILOOT_AUDIO_FILE" \
-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}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
Басқа мазмұнды оқу
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 |
|---|---|
Өрісtext | Түріstring |
Өрісsegments[] | Түріobject |
Өрісtask_id | Түріstring |
Өрісasset_url | Түріstring |
Өрісusage | Түріobject |
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. |
Жауапserver_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/whisper-1
Әдіс жолдарының балама атаулары
Жоғарыда көрсетілген әдіс жолдарын пайдаланыңыз.
Шақыруға арналған байланысты ID
FAQ · OpenAI: Whisper 1
- Қандай кіріс деректері мен нәтижелер қолжетімді?
POST /v1/audio/transcriptions·openai/whisper-1:audio→transcription- Сұрау қандай өрістерді пайдаланады?
POST /v1/audio/transcriptions·openai/whisper-1:model,file,response_format