asr-1.0
MiniMax ASR 1.0 paverčia garsą tekstu, palaiko rusų kalbą, replikų atskyrimą pagal kalbėtojus ir laiko žymas.
Apie modelį
Šis aprašas apima modelio galimybes. Pasirinktam metodui Ailoot prieinamos įvestys, išvestys ir parinktys nurodytos toliau.
Pokalbio įrašas į tekstą
MiniMax ASR 1.0 atpažįsta kalbą garso faile. Gamintojas aprašo taikymą susitikimams, interviu, tinklalaidėms, vaizdo įrašo garso takeliui, turinio kontrolei ir pokalbių nagrinėjimui. Modelis pritaikytas šnekamajai kalbai, triukšmui ir profesinei leksikai, pabrėžiant išgalvotų fragmentų mažinimą. Šioje Ailoot kortelėje įvestis – garsas, rezultatas – tekstas.
Kalba ir keli dalyviai
Palaikomos rusų ir ukrainiečių, anglų, prancūzų, vokiečių, ispanų, italų, portugalų ir lenkų kalbos; taip pat kinų, kantoniečių, japonų, korėjiečių, tajų, vietnamiečių, indoneziečių, malajų, filipiniečių, arabų ir turkų. Jei kalba nenurodyta, modelis automatiškai nustato pagrindinę kalbą; gamintojas atskirai aprašo kinų ir anglų kalbos derinį.
Išplėstai pateikdamas rezultatą modelis gali išskirti kalbėtojus ir susieti replikas su laiku. Šiuo formatu grąžinamas bendras dalyvių skaičius ir segmentai su kalbėtojo žyma, pradžia, pabaiga bei tekstu. Tai padeda nustatyti, kas ir kada ištarė konkrečią repliką, nesumaišant skirtingų dalyvių replikų.
Rezultato pateikimas
Gamintojas numato įprastą JSON su tekstu ir trukme, išplėstą verbose_json bei SRT ir WebVTT subtitrus. Laiko žymoms pagal numatytąsias nuostatas naudojamas sakinio arba segmento lygis. Atskirų žodžių žymos aprašytos anglų kalbai, atskirų simbolių – kinų; tokios žymos taikomos formatams su lygiavimu.
Galima laipsniška tekstinė išvestis, tačiau jos negalima derinti su kalbėtojų atskyrimu ir subtitrų formatais. Toks režimas grąžina naujus atpažinto teksto fragmentus apdorojant jau pateiktą failą. Tai rezultato srautas, o ne nepertraukiamas garso siuntimas iš mikrofono.
Reikalavimai įrašui
Deklaruojami įvesties formatai – WAV, AIFF, FLAC, ALAC M4A konteineryje, MP3, AAC, Opus ir Ogg. Faile turi būti ne daugiau kaip 500 sekundžių garso, o jo dydis negali viršyti 50 MB. Viršijus trukmę failas atmetamas, o ne nepastebimai nukerpamas. Neapdorotas PCM be konteinerio nepalaikomas.
Rengiant įrašą gamintojas rekomenduoja 16 kHz mono garsą arba suspaustą garso formatą: aukštas dažnis ir stereofoninis garsas atpažinimui nereikalingi ir didina failo dydį. Išplėstos išvesties ir srautinio apdorojimo galimybės taikomos ASR 1.0; konkrečios užklausos prieinamas atsakymo formatas nustatomas Ailoot priemonėmis.
Ailoot · Kalba į tekstą POST /v1/audio/transcriptions asr-1.0
asr-1.0Pradžia
MiniMax ASR 1.0 paverčia garsą tekstu, palaiko rusų kalbą, replikų atskyrimą pagal kalbėtojus ir laiko žymas.
- Leidžiamos įvestys
- Garsas
- Rezultatai
- Tekstas
Prieinama Ailoot · įvestys ir metodai
Ailoot · Kalba į tekstą POST /v1/audio/transcriptions
- Įvestis
audio- Išvestis
text- Išvesties formatas
- json
| Laukas | Tipas | Reikalavimas | Reikšmės ir ribos | Numatyta |
|---|---|---|---|---|
Laukasmodel | Tipasstring | ReikalavimasPrivaloma | Reikšmės ir ribos asr-1.0 | Numatyta— |
Laukasfile | Tipasfile | ReikalavimasPrivaloma | Reikšmės ir ribos Didžiausias baitų skaičius: 52 428 800 Failų formatai: wav, mp3, m4a, ogg, webm, flac Turinio tipas: multipart/form-data Didžiausia trukmė (neįskaitytinai), sekundės: 500 | Numatyta— |
Laukasresponse_format | Tipasstring | ReikalavimasNeprivaloma | Reikšmės ir ribos json | Numatyta— |
Įvesties medžiagos deriniai
speech_to_text · Privaloma: actual audio file
Metodo parametrai ir gyvavimo ciklas
| Parametras | Specifikacija |
|---|---|
Parametrasmaterial_types | Specifikacijaaudio |
Parametrasrequired | Specifikacijanull |
Parametrasoptional_controls | Specifikacijanull |
Gyvavimo ciklas: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · faktiškai grąžinta task_id reikšmė arba medijos bibliotekos įrašas
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Metodų struktūros ir ID yra tikslūs; tiekėjo galimybės yra atskirtos nuo užklausos priėmimo.
Planai
Ailoot metodų įkainiai
POST /v1/audio/transcriptions- Įvestis
- 0,38 USD už garso valandą
Ailoot prieš užklausą rezervuoja numatomą sumą. Gavus rezultatą, galutinis mokestis nuskaitomas pagal išmatuotą naudojimą. Srautinio atsakymo atsiskaitymui naudojamas galutinis naudojimo įrašas. Kaip veikia rezervavimas ir atsiskaitymas →
Užklausų pavyzdžiai
Ailoot · Kalba į tekstą
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_AUDIO_FILE:?Set your actual MP3 recording}"
export AILOOT_AUDIO_FILE
python3 - <<'PY_REQUEST'
import os
from pathlib import Path
f=Path(os.environ["AILOOT_AUDIO_FILE"])
if not f.is_file() or f.suffix.lower()!=".mp3":raise SystemExit("Choose your actual MP3 recording")
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \
-H "Authorization: Bearer $AILOOT_API_KEY" \
--form-string model=asr-1.0 -F "file=@$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()),ensure_ascii=False,indent=2))
PY_RESULT
Gauti ir išsaugoti rezultatus
Ailoot · Kalba į tekstą
json
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
Išsaugoti visus baigtus rezultatus
Išsaugokite kiekvieną visą grąžintą atsakymą, failą ir turinio dalį.
Išsaugokite visą JSON, ne vien tekstą; išsaugokite kiekvieną pasiekiamą segmentą, kalbėtoją, laiko žymą ir tikrą užduoties ar ištekliaus tapatybę.
Jei reikia patikrinti pradinį atsakymą
Išsaugokite pradinį operation_id/X-Client-Request-ID duomenims sutikrinti, pakartotinai neteikdami užklausos; atskiro garso būsenos tikrinimo maršruto nėra.
Atsakymo laukai
| Laukas | Tipas |
|---|---|
Laukastext | Tipasstring |
Laukassegments[] | Tipasobject |
Laukastask_id | Tipasstring |
Laukasasset_url | Tipasstring |
Laukasusage | Tipasobject |
Klaidos ir tolesni veiksmai
| Atsakymas | Sąlyga | Kitas žingsnis |
|---|---|---|
Atsakymas400 · invalid_request_error | SąlygaNetinkami privalomi laukai, medžiagos pateikimo forma arba parametro reikšmė | Kitas žingsnisPrieš naują kūrimo užklausą pataisykite nurodytus laukus. |
Atsakymasserver_error | SąlygaGrąžintame atsakyme nurodoma, kad operaciją arba rezultatą reikia patikrinti | Kitas žingsnisIšsaugokite pradinį grąžintą operacijos ar užduoties ID, užklausos antraštes ir atsakymą; toliau tikrinkite tos pačios pradinės operacijos duomenis palaikomais būdais. Kūrimo užklausos pakartotinai neteikite. |
Pseudonimai
Modelių pseudonimai
Ailoot asr-1.0
Metodų kelių pseudonimai
Naudokite aukščiau nurodytus metodų kelius.
Susiję ID iškvietimui
FAQ · asr-1.0
- Kokios įvestys ir rezultatai prieinami?
POST /v1/audio/transcriptions·asr-1.0:audio→text- Kokius laukus naudoja užklausa?
POST /v1/audio/transcriptions·asr-1.0:model,file,response_format