Muse Voice Transcribe 1.0 – Meta garso suvokimo modelis, skirtas kalbai transkribuoti, pasakymų riboms aptikti ir kalbėjimo segmentams priskirti kalbėtojams. Jis priklauso Muse Spark modelių šeimai ir pačiame modelyje sujungia atpažinimą, kalbėtojų atskyrimą bei kalbėjimo pabaigos aptikimą. Jo išvestis – atpažintas tekstas su pasirinktu režimu prieinama laiko ir kalbėtojų informacija.
Modelis apdoroja garsą 80 milisekundžių dalimis ir nusprendžia, kada toliau klausytis, o kada pateikti tekstą. Prisitaikanti delsa leidžia palaukti papildomo garso, kai žodį sunkiau atpažinti. Taip gaunamas dalinis tekstas, kol kalba dar atkeliauja, o paskui – užbaigti transkripcijos rezultatai. Dalinę hipotezę ir užbaigtą kalbėjimo segmentą laikykite skirtingais klausymo proceso etapais.
Rinkitės iš trijų režimų. Push-to-talk yra numatytasis režimas vienam kontroliuojamam pasakymui, pavyzdžiui, balso užklausai ar trumpai diktuojamai ištraukai. Endpointing leidžia modeliui aptikti kalbėjimo segmentų ribas ir kiekvienam aptiktam segmentui grąžinti po vieną užbaigtą transkripciją. Diarization priskiria atpažintą kalbą kalbėtojų žymoms ir yra skirtas įrašams su keliais kalbėtojais, o ne sparčiausiam apsikeitimui balso komandomis.
Įrašyto fragmento failo transkribavimo darbo eiga grąžina visą transkripciją viena užklausa. Numatytasis rezultatas yra JSON su transkripcija ir garso trukme, o režimuose Endpointing ir Diarization jame yra ir turns masyvas. Kiekvienas segmentas gali turėti identifikatorių, pradžią bei pabaigą milisekundėmis ir jo atpažintą tekstą. Kalbėtojų žymos pateikiamos režimu Diarization. Push-to-talk pateikia visą transkripciją be aptiktų segmentų tame masyve. Gamintojo įrašytų failų sąsaja taip pat gali grąžinti paprastą tekstą arba transkribavimo įvykių srautą. Paprastame tekste aptikti segmentai išlaikomi atskirose eilutėse ir gali būti kalbėtojų žymų; įvykių srautas baigiasi po paskutinio įvykio, be atskiros JSON santraukos. Jo delta dalinis režimas grąžina palaipsniui papildomą tekstą, o galutiniame transkripcijos įvykyje pateikiamas visas tekstas.
Paruoškite RIFF/WAVE failą su vieno kanalo, 16 bitų sveikųjų skaičių PCM garsu, kurio diskretizavimo dažnis yra 16 arba 24 kHz. Modelio savasis dažnis yra 24 kHz, o sąsaja taip pat priima 16 kHz. Prieš pateikdami įrašą, kitus konteinerius ar koduotes paverskite šiuo palaikomu WAV formatu. Failų transkribavimo profilis leidžia iki 10 minučių garso ir iki 32 MB bendrą užklausos turinį. Išlaikykite pirminį įrašą ir bet kurią jo konversiją susietus su grąžinta transkripcija, kad vėliau galėtumėte ją patikrinti klausydamiesi.
Tiesioginio garso darbo eiga naudoja neapdorotą vieno kanalo PCM su 16 bitų sveikaisiais skaičiais su ženklu ir little-endian baitų tvarka; 16 arba 24 kHz garsas siunčiamas maždaug realiuoju laiku. Dokumentuota jos sesijos trukmės riba yra 60 minučių. Meta aprašo savąją garso įvestį, ilgesnę nei viena valanda; dokumentuoti failų ir tiesioginių sesijų apribojimai išlieka atskiromis sąsajos ribomis. Įrašyto failo ar tiesioginio garso darbo eigą rinkitės pagal tai, ar garsas jau visas įrašytas, ar dar fiksuojamas, ir skirtingų sesijų rezultatus išlaikykite susietus su jų įvesties segmentais.
Muse Voice Transcribe mokytas daugiau nei 70 kalbų, o dokumentuotoje atpažinimo sąsajoje išvardytos 25 palaikomos kalbos. Tarp jų yra anglų, prancūzų, vokiečių, ispanų, arabų, mandarinų kinų, hindi, japonų, korėjiečių, italų ir portugalų kalbos. Jis atpažįsta kalbų kaitą sakinio viduje arba tarp sakinių. Kalbos užuomina gali nurodyti, kokių kalbų tikimasi garso įraše, tačiau ji nukreipia atpažinimą, o ne priverčia transkripciją būti viena kalba.
Žodyno užuominos padeda atpažinti įrašui svarbius produktų terminus, akronimus, vardus ar vietovardžius. Pateikite tikrus žodžius ir jų rašybą, kuriuos tikitės išgirsti. Raktažodžių sąrašas palenkia atpažinimą jų link, tačiau negarantuoja tikslios rašybos, todėl lemiamus terminus patikrinkite pagal garsą. Kalbos užuominos ir raktažodžiai parenkami transkribavimo pradžioje; išlaikykite juos tinkamus tam įrašui, nekeisdami jų prasmės vykstant sesijai.
Modelis palaiko kalbėtojų atskyrimą pokalbiuose, kuriuose yra daugiau nei 20 kalbėtojų. Tokios žymos kaip A ir B nurodo kalbėtojus vienoje transkripcijoje. Jos nėra patvirtinti vardai ir neįrodo, kad ta pati žyma kitoje sesijoje reiškia tą patį žmogų. Atlikdami pirminę susitikimo analizę, prašykite kalbėtojams priskirtų segmentų, išsaugokite įrašą ir naudokite žymas diskusijai susisteminti, o tik tada per aplinkinę darbo eigą priskirkite tikrus dalyvių vardus.
Tiesioginio garso dalinės transkripcijos gali keistis, kai atkeliauja daugiau kalbos. Kaupiamuoju režimu kiekvienas dalinis rezultatas pakeičia ankstesnę hipotezę, užuot pridėjęs dar vieną jos kopiją. Aptikta kalbėjimo pabaiga pažymi ribą, o užbaigto segmento rezultatas pateikia galutinį tekstą, kuris gali skirtis nuo paskutinio dalinio rezultato. Persidengiančius segmentus išlaikykite susietus su jų identifikatoriais ir apdorokite užbaigtus rezultatus prieš laikydami transkripciją baigta. Kai tiesioginė įvestis baigiasi, praneškite apie įvesties pabaigą ir toliau priimkite rezultatus, kol gamintojo sistema baigs pateikti visus laukiančius rezultatus. Iškart uždarius ryšį, šie rezultatai gali būti prarasti; aptikta kalbėjimo riba užbaigia segmentą, o ne visą sesiją.
Laiko informacija pateikiama segmentų lygmeniu. Šis profilis nepateikia atskirų žodžių laiko žymų ar patikimumo įverčių, o garso apdorojimo eiga nėra konkretaus žodžio laiko žyma. Garso įvykių aptikimas, emocijų aptikimas ir transkripcijos performatavimas taip pat nepatenka į dokumentuotą išvesties profilį. Grąžintus segmentų intervalus naudokite kalbėtojų laiko juostai arba segmentų peržiūrai, o atpažintus žodžius išsaugokite, jei vėliau atskiru redagavimo žingsniu bus parengti aiškesni užrašai.
Naudingi rezultatai yra užbaigta diktuota ištrauka, balso užklausos transkripcija, kalbėtojams priskirtas pokalbis arba pasakymų laiko juosta. Vardus, skaičius ir techninius terminus palyginkite su pirminiu įrašu, išsaugokite režimo ir laiko sąsajas bei palikite visus segmentus prieinamus peržiūrai. Transkripcija parodo, kas buvo atpažinta garse; atsakymas į ištartą klausimą, jo vertimas ar pavertimas susitikimo užrašais priklauso paskesniam programos veiksmui.
", "aboutText": "Muse Voice Transcribe 1.0 – Meta garso suvokimo modelis, skirtas kalbai transkribuoti, pasakymų riboms aptikti ir kalbėjimo segmentams priskirti kalbėtojams. Jis priklauso Muse Spark modelių šeimai ir pačiame modelyje sujungia atpažinimą, kalbėtojų atskyrimą bei kalbėjimo pabaigos aptikimą. Jo išvestis – atpažintas tekstas su pasirinktu režimu prieinama laiko ir kalbėtojų informacija.\n\nModelis apdoroja garsą 80 milisekundžių dalimis ir nusprendžia, kada toliau klausytis, o kada pateikti tekstą. Prisitaikanti delsa leidžia palaukti papildomo garso, kai žodį sunkiau atpažinti. Taip gaunamas dalinis tekstas, kol kalba dar atkeliauja, o paskui – užbaigti transkripcijos rezultatai. Dalinę hipotezę ir užbaigtą kalbėjimo segmentą laikykite skirtingais klausymo proceso etapais.\n\nRinkitės iš trijų režimų. Push-to-talk yra numatytasis režimas vienam kontroliuojamam pasakymui, pavyzdžiui, balso užklausai ar trumpai diktuojamai ištraukai. Endpointing leidžia modeliui aptikti kalbėjimo segmentų ribas ir kiekvienam aptiktam segmentui grąžinti po vieną užbaigtą transkripciją. Diarization priskiria atpažintą kalbą kalbėtojų žymoms ir yra skirtas įrašams su keliais kalbėtojais, o ne sparčiausiam apsikeitimui balso komandomis.\n\nĮrašyto fragmento failo transkribavimo darbo eiga grąžina visą transkripciją viena užklausa. Numatytasis rezultatas yra JSON su transkripcija ir garso trukme, o režimuose Endpointing ir Diarization jame yra ir turns masyvas. Kiekvienas segmentas gali turėti identifikatorių, pradžią bei pabaigą milisekundėmis ir jo atpažintą tekstą. Kalbėtojų žymos pateikiamos režimu Diarization. Push-to-talk pateikia visą transkripciją be aptiktų segmentų tame masyve. Gamintojo įrašytų failų sąsaja taip pat gali grąžinti paprastą tekstą arba transkribavimo įvykių srautą. Paprastame tekste aptikti segmentai išlaikomi atskirose eilutėse ir gali būti kalbėtojų žymų; įvykių srautas baigiasi po paskutinio įvykio, be atskiros JSON santraukos. Jo delta dalinis režimas grąžina palaipsniui papildomą tekstą, o galutiniame transkripcijos įvykyje pateikiamas visas tekstas.\n\nParuoškite RIFF/WAVE failą su vieno kanalo, 16 bitų sveikųjų skaičių PCM garsu, kurio diskretizavimo dažnis yra 16 arba 24 kHz. Modelio savasis dažnis yra 24 kHz, o sąsaja taip pat priima 16 kHz. Prieš pateikdami įrašą, kitus konteinerius ar koduotes paverskite šiuo palaikomu WAV formatu. Failų transkribavimo profilis leidžia iki 10 minučių garso ir iki 32 MB bendrą užklausos turinį. Išlaikykite pirminį įrašą ir bet kurią jo konversiją susietus su grąžinta transkripcija, kad vėliau galėtumėte ją patikrinti klausydamiesi.\n\nTiesioginio garso darbo eiga naudoja neapdorotą vieno kanalo PCM su 16 bitų sveikaisiais skaičiais su ženklu ir little-endian baitų tvarka; 16 arba 24 kHz garsas siunčiamas maždaug realiuoju laiku. Dokumentuota jos sesijos trukmės riba yra 60 minučių. Meta aprašo savąją garso įvestį, ilgesnę nei viena valanda; dokumentuoti failų ir tiesioginių sesijų apribojimai išlieka atskiromis sąsajos ribomis. Įrašyto failo ar tiesioginio garso darbo eigą rinkitės pagal tai, ar garsas jau visas įrašytas, ar dar fiksuojamas, ir skirtingų sesijų rezultatus išlaikykite susietus su jų įvesties segmentais.\n\nMuse Voice Transcribe mokytas daugiau nei 70 kalbų, o dokumentuotoje atpažinimo sąsajoje išvardytos 25 palaikomos kalbos. Tarp jų yra anglų, prancūzų, vokiečių, ispanų, arabų, mandarinų kinų, hindi, japonų, korėjiečių, italų ir portugalų kalbos. Jis atpažįsta kalbų kaitą sakinio viduje arba tarp sakinių. Kalbos užuomina gali nurodyti, kokių kalbų tikimasi garso įraše, tačiau ji nukreipia atpažinimą, o ne priverčia transkripciją būti viena kalba.\n\nŽodyno užuominos padeda atpažinti įrašui svarbius produktų terminus, akronimus, vardus ar vietovardžius. Pateikite tikrus žodžius ir jų rašybą, kuriuos tikitės išgirsti. Raktažodžių sąrašas palenkia atpažinimą jų link, tačiau negarantuoja tikslios rašybos, todėl lemiamus terminus patikrinkite pagal garsą. Kalbos užuominos ir raktažodžiai parenkami transkribavimo pradžioje; išlaikykite juos tinkamus tam įrašui, nekeisdami jų prasmės vykstant sesijai.\n\nModelis palaiko kalbėtojų atskyrimą pokalbiuose, kuriuose yra daugiau nei 20 kalbėtojų. Tokios žymos kaip A ir B nurodo kalbėtojus vienoje transkripcijoje. Jos nėra patvirtinti vardai ir neįrodo, kad ta pati žyma kitoje sesijoje reiškia tą patį žmogų. Atlikdami pirminę susitikimo analizę, prašykite kalbėtojams priskirtų segmentų, išsaugokite įrašą ir naudokite žymas diskusijai susisteminti, o tik tada per aplinkinę darbo eigą priskirkite tikrus dalyvių vardus.\n\nTiesioginio garso dalinės transkripcijos gali keistis, kai atkeliauja daugiau kalbos. Kaupiamuoju režimu kiekvienas dalinis rezultatas pakeičia ankstesnę hipotezę, užuot pridėjęs dar vieną jos kopiją. Aptikta kalbėjimo pabaiga pažymi ribą, o užbaigto segmento rezultatas pateikia galutinį tekstą, kuris gali skirtis nuo paskutinio dalinio rezultato. Persidengiančius segmentus išlaikykite susietus su jų identifikatoriais ir apdorokite užbaigtus rezultatus prieš laikydami transkripciją baigta. Kai tiesioginė įvestis baigiasi, praneškite apie įvesties pabaigą ir toliau priimkite rezultatus, kol gamintojo sistema baigs pateikti visus laukiančius rezultatus. Iškart uždarius ryšį, šie rezultatai gali būti prarasti; aptikta kalbėjimo riba užbaigia segmentą, o ne visą sesiją.\n\nLaiko informacija pateikiama segmentų lygmeniu. Šis profilis nepateikia atskirų žodžių laiko žymų ar patikimumo įverčių, o garso apdorojimo eiga nėra konkretaus žodžio laiko žyma. Garso įvykių aptikimas, emocijų aptikimas ir transkripcijos performatavimas taip pat nepatenka į dokumentuotą išvesties profilį. Grąžintus segmentų intervalus naudokite kalbėtojų laiko juostai arba segmentų peržiūrai, o atpažintus žodžius išsaugokite, jei vėliau atskiru redagavimo žingsniu bus parengti aiškesni užrašai.\n\nNaudingi rezultatai yra užbaigta diktuota ištrauka, balso užklausos transkripcija, kalbėtojams priskirtas pokalbis arba pasakymų laiko juosta. Vardus, skaičius ir techninius terminus palyginkite su pirminiu įrašu, išsaugokite režimo ir laiko sąsajas bei palikite visus segmentus prieinamus peržiūrai. Transkripcija parodo, kas buvo atpažinta garse; atsakymas į ištartą klausimą, jo vertimas ar pavertimas susitikimo užrašais priklauso paskesniam programos veiksmui.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "07e4a501b517bb4f7cbfe66673b436b9760de831daf1ac157925702651d1a504", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "lt", "methods": [ { "html": "meta/muse-voice-transcribe-1.0Muse Voice Transcribe 1.0 – Meta kalbos atpažinimo modelis diktavimui, aptiktiems kalbėjimo segmentams ir transkripcijoms su kalbėtojų žymomis. Jis palaiko kalbos ir žodyno užuominas, kalbų kaitą bei segmentų laiko žymas, o įrašytam garso fragmentui ir tiesioginiam garsui skirtos atskiros darbo eigos.
Šis aprašas apima modelio galimybes. Pasirinktam metodui Ailoot prieinamos įvestys, išvestys ir parinktys nurodytos toliau.
Muse Voice Transcribe 1.0 – Meta garso suvokimo modelis, skirtas kalbai transkribuoti, pasakymų riboms aptikti ir kalbėjimo segmentams priskirti kalbėtojams. Jis priklauso Muse Spark modelių šeimai ir pačiame modelyje sujungia atpažinimą, kalbėtojų atskyrimą bei kalbėjimo pabaigos aptikimą. Jo išvestis – atpažintas tekstas su pasirinktu režimu prieinama laiko ir kalbėtojų informacija.
Modelis apdoroja garsą 80 milisekundžių dalimis ir nusprendžia, kada toliau klausytis, o kada pateikti tekstą. Prisitaikanti delsa leidžia palaukti papildomo garso, kai žodį sunkiau atpažinti. Taip gaunamas dalinis tekstas, kol kalba dar atkeliauja, o paskui – užbaigti transkripcijos rezultatai. Dalinę hipotezę ir užbaigtą kalbėjimo segmentą laikykite skirtingais klausymo proceso etapais.
Rinkitės iš trijų režimų. Push-to-talk yra numatytasis režimas vienam kontroliuojamam pasakymui, pavyzdžiui, balso užklausai ar trumpai diktuojamai ištraukai. Endpointing leidžia modeliui aptikti kalbėjimo segmentų ribas ir kiekvienam aptiktam segmentui grąžinti po vieną užbaigtą transkripciją. Diarization priskiria atpažintą kalbą kalbėtojų žymoms ir yra skirtas įrašams su keliais kalbėtojais, o ne sparčiausiam apsikeitimui balso komandomis.
Įrašyto fragmento failo transkribavimo darbo eiga grąžina visą transkripciją viena užklausa. Numatytasis rezultatas yra JSON su transkripcija ir garso trukme, o režimuose Endpointing ir Diarization jame yra ir turns masyvas. Kiekvienas segmentas gali turėti identifikatorių, pradžią bei pabaigą milisekundėmis ir jo atpažintą tekstą. Kalbėtojų žymos pateikiamos režimu Diarization. Push-to-talk pateikia visą transkripciją be aptiktų segmentų tame masyve. Gamintojo įrašytų failų sąsaja taip pat gali grąžinti paprastą tekstą arba transkribavimo įvykių srautą. Paprastame tekste aptikti segmentai išlaikomi atskirose eilutėse ir gali būti kalbėtojų žymų; įvykių srautas baigiasi po paskutinio įvykio, be atskiros JSON santraukos. Jo delta dalinis režimas grąžina palaipsniui papildomą tekstą, o galutiniame transkripcijos įvykyje pateikiamas visas tekstas.
Paruoškite RIFF/WAVE failą su vieno kanalo, 16 bitų sveikųjų skaičių PCM garsu, kurio diskretizavimo dažnis yra 16 arba 24 kHz. Modelio savasis dažnis yra 24 kHz, o sąsaja taip pat priima 16 kHz. Prieš pateikdami įrašą, kitus konteinerius ar koduotes paverskite šiuo palaikomu WAV formatu. Failų transkribavimo profilis leidžia iki 10 minučių garso ir iki 32 MB bendrą užklausos turinį. Išlaikykite pirminį įrašą ir bet kurią jo konversiją susietus su grąžinta transkripcija, kad vėliau galėtumėte ją patikrinti klausydamiesi.
Tiesioginio garso darbo eiga naudoja neapdorotą vieno kanalo PCM su 16 bitų sveikaisiais skaičiais su ženklu ir little-endian baitų tvarka; 16 arba 24 kHz garsas siunčiamas maždaug realiuoju laiku. Dokumentuota jos sesijos trukmės riba yra 60 minučių. Meta aprašo savąją garso įvestį, ilgesnę nei viena valanda; dokumentuoti failų ir tiesioginių sesijų apribojimai išlieka atskiromis sąsajos ribomis. Įrašyto failo ar tiesioginio garso darbo eigą rinkitės pagal tai, ar garsas jau visas įrašytas, ar dar fiksuojamas, ir skirtingų sesijų rezultatus išlaikykite susietus su jų įvesties segmentais.
Muse Voice Transcribe mokytas daugiau nei 70 kalbų, o dokumentuotoje atpažinimo sąsajoje išvardytos 25 palaikomos kalbos. Tarp jų yra anglų, prancūzų, vokiečių, ispanų, arabų, mandarinų kinų, hindi, japonų, korėjiečių, italų ir portugalų kalbos. Jis atpažįsta kalbų kaitą sakinio viduje arba tarp sakinių. Kalbos užuomina gali nurodyti, kokių kalbų tikimasi garso įraše, tačiau ji nukreipia atpažinimą, o ne priverčia transkripciją būti viena kalba.
Žodyno užuominos padeda atpažinti įrašui svarbius produktų terminus, akronimus, vardus ar vietovardžius. Pateikite tikrus žodžius ir jų rašybą, kuriuos tikitės išgirsti. Raktažodžių sąrašas palenkia atpažinimą jų link, tačiau negarantuoja tikslios rašybos, todėl lemiamus terminus patikrinkite pagal garsą. Kalbos užuominos ir raktažodžiai parenkami transkribavimo pradžioje; išlaikykite juos tinkamus tam įrašui, nekeisdami jų prasmės vykstant sesijai.
Modelis palaiko kalbėtojų atskyrimą pokalbiuose, kuriuose yra daugiau nei 20 kalbėtojų. Tokios žymos kaip A ir B nurodo kalbėtojus vienoje transkripcijoje. Jos nėra patvirtinti vardai ir neįrodo, kad ta pati žyma kitoje sesijoje reiškia tą patį žmogų. Atlikdami pirminę susitikimo analizę, prašykite kalbėtojams priskirtų segmentų, išsaugokite įrašą ir naudokite žymas diskusijai susisteminti, o tik tada per aplinkinę darbo eigą priskirkite tikrus dalyvių vardus.
Tiesioginio garso dalinės transkripcijos gali keistis, kai atkeliauja daugiau kalbos. Kaupiamuoju režimu kiekvienas dalinis rezultatas pakeičia ankstesnę hipotezę, užuot pridėjęs dar vieną jos kopiją. Aptikta kalbėjimo pabaiga pažymi ribą, o užbaigto segmento rezultatas pateikia galutinį tekstą, kuris gali skirtis nuo paskutinio dalinio rezultato. Persidengiančius segmentus išlaikykite susietus su jų identifikatoriais ir apdorokite užbaigtus rezultatus prieš laikydami transkripciją baigta. Kai tiesioginė įvestis baigiasi, praneškite apie įvesties pabaigą ir toliau priimkite rezultatus, kol gamintojo sistema baigs pateikti visus laukiančius rezultatus. Iškart uždarius ryšį, šie rezultatai gali būti prarasti; aptikta kalbėjimo riba užbaigia segmentą, o ne visą sesiją.
Laiko informacija pateikiama segmentų lygmeniu. Šis profilis nepateikia atskirų žodžių laiko žymų ar patikimumo įverčių, o garso apdorojimo eiga nėra konkretaus žodžio laiko žyma. Garso įvykių aptikimas, emocijų aptikimas ir transkripcijos performatavimas taip pat nepatenka į dokumentuotą išvesties profilį. Grąžintus segmentų intervalus naudokite kalbėtojų laiko juostai arba segmentų peržiūrai, o atpažintus žodžius išsaugokite, jei vėliau atskiru redagavimo žingsniu bus parengti aiškesni užrašai.
Naudingi rezultatai yra užbaigta diktuota ištrauka, balso užklausos transkripcija, kalbėtojams priskirtas pokalbis arba pasakymų laiko juosta. Vardus, skaičius ir techninius terminus palyginkite su pirminiu įrašu, išsaugokite režimo ir laiko sąsajas bei palikite visus segmentus prieinamus peržiūrai. Transkripcija parodo, kas buvo atpažinta garse; atsakymas į ištartą klausimą, jo vertimas ar pavertimas susitikimo užrašais priklauso paskesniam programos veiksmui.
POST /v1/audio/transcriptionsaudiotext| Laukas | Tipas | Reikalavimas | Reikšmės ir ribos | Numatyta |
|---|---|---|---|---|
Laukasmodel | Tipasstring | ReikalavimasPrivaloma | Reikšmės ir ribos meta/muse-voice-transcribe-1.0 | Numatyta— |
Laukasinput_audio | Tipasobject | ReikalavimasPrivaloma | Reikšmės ir ribos | Numatyta— |
| Parametras | Specifikacija |
|---|---|
Parametrascontent_type | Specifikacijaapplication/json |
Parametrasrequired | Specifikacijamodel, input_audio |
Parametrasmaterial_types | Specifikacijaaudio |
Parametrasmaterial_conditions | SpecifikacijaPavyzdys nuskaito jūsų tikrą netuščią PCM WAV failą, visus failo baitus užkoduoja base64 formatu ir siunčia input_audio.format reikšmę wav. |
Gyvavimo ciklas: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · tikslus task_id iš esamo jums priklausančio medijos įrašo
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Tarifų informacija neprideda užklausos parinkčių. Palaikomi parametrai nurodyti prie pasirinkto metodo.
Kiekvieną mokestį susiekite su nurodytomis sąlygomis. Kiekvienam alternatyvių konfigūracijų rinkiniui taikykite vieną įkainį.
| Konfigūracija | Įkainių lentelė | Apskaitos vienetas | Mokestis |
|---|---|---|---|
| KonfigūracijaBaziniai žetonų įkainiai | Įkainių lentelėBazinis įkainis | Apskaitos vienetas— | Mokestis Įvestis · Įvesties tokenai — / 1K tokenų Išvestis · Išvesties tokenai — / 1K tokenų Įvestis · Talpyklos skaitymas — / 1K tokenų Įvestis · Rašymas į talpyklą — / 1K tokenų Įvestis · Rašymas į talpyklą, 1 val — / 1K tokenų |
| Konfigūracijaįvesties garso sekundė | Įkainių lentelė— | Apskaitos vienetasuž įvesties garso sekundę | Mokestis Įvestis · įvesties garso sekundė $0.0001 už įvesties garso sekundę |
Ailoot prieš užklausą rezervuoja numatomą sumą. Gavus rezultatą, galutinis mokestis nuskaitomas pagal išmatuotą naudojimą. Srautinio atsakymo atsiskaitymui naudojamas galutinis naudojimo įrašas. Kaip veikia rezervavimas ir atsiskaitymas →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_AUDIO_FILE:?Set the path to your actual PCM WAV recording}"\nexport AILOOT_AUDIO_FILE\npython3 - <<'PY_REQUEST'\nimport base64, io, json, os, wave\nfrom pathlib import Path\naudio = Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()\nif not (audio[:4] == b'RIFF' and audio[8:12] == b'WAVE'):\n raise SystemExit('Supply your actual PCM WAV audio file')\nwith wave.open(io.BytesIO(audio), 'rb') as recording:\n if recording.getcomptype() != 'NONE' or recording.getnframes() <= 0:\n raise SystemExit('Supply a nonempty PCM WAV recording')\nrequest = {'model': 'meta/muse-voice-transcribe-1.0', 'input_audio': {'data': base64.b64encode(audio).decode('ascii'), 'format': 'wav'}}\nPath('request.json').write_text(json.dumps(request, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o response.bin\n# Retain the complete original response, headers and actual X-Client-Request-ID.\n# Read existing owned records for recovery; do not resubmit an uncertain operation.\nVisas pradinis atsakymo turinys, būsena ir persiųstos antraštės. Ši apdorojimo funkcija neprideda universalios JSON struktūros, teksto lauko ar užduoties apgaubiančios struktūros.
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}Išsaugokite kiekvieną visą grąžintą atsakymą, failą ir turinio dalį.
Išsaugokite visą atsakymą ir antraštes, visus faktiškai gautus rezultatus, pradinius grąžintus identifikatorius ir visus naudojimo apskaitos laukus. Atkurkite prieigą prie pradinės operacijos pakartotinai neteikdami kūrimo užklausos.
Išsaugokite tikrąjį X-Client-Request-ID ir visą atsakymą. Skaitykite pradinių jums priklausančių išteklių duomenis ir naudokite tikslius jų pasirašytus turinio URL; niekada neteikite kūrimo užklausos dar kartą, kai jos baigtis neaiški.
| Laukas | Tipas |
|---|---|
Laukastext (when present) | Tipas |
Laukasusage (when present) | Tipas |
| Atsakymas | Sąlyga | Kitas žingsnis |
|---|---|---|
Atsakymas400 · invalid_request_error | SąlygaJSON turinys arba aiškiai nurodytas kanoninis modelio ID netinkamas. | Kitas žingsnisIšsaugokite atsakymą ir pataisykite nurodytą užklausos lauką. |
Atsakymas401 · authentication_error | SąlygaAiloot API raktas negalioja. | Kitas žingsnisNaudokite savo įgaliotą Ailoot API raktą. |
Atsakymas403 · permission_error | SąlygaRakto grupei nesuteikta prieiga prie šio metodo. | Kitas žingsnisIšsaugokite grąžintą išsamią klaidos informaciją. |
Atsakymas404 · not_found_error | SąlygaPasirinktas metodas neturi leistino maršruto. | Kitas žingsnisIšsaugokite grąžintą išsamią klaidos informaciją. |
Atsakymas422 · price_unavailable | SąlygaPagal priimtą tarifą nepavyksta gauti privalomo įvesties kiekio ar jo ribos. | Kitas žingsnisIšsaugokite atsakymą; naudokite priimtam tarifui reikalingą įvesties pateikimo formą. |
Atsakymas503 · | SąlygaPrivaloma saugykla, maršrutas, metodo kaina arba rezervavimas nepasiekiami. | Kitas žingsnisIšsaugokite visą pradinį atsakymą. Neaiškus lėšų rezervavimas nėra leidimas teikti užklausą pakartotinai. |
Atsakymas502 · server_error | SąlygaPradinį rezultatą, naudojimo duomenis arba atsiskaitymą reikia patikrinti. | Kitas žingsnisIšsaugokite tikrą užklausos ID ir pradinį atsakymą. Skaitykite esamą jums priklausantį įrašą; neteikite kūrimo užklausos pakartotinai. |
Ailoot Ultra meta/muse-voice-transcribe-1.0
Naudokite aukščiau nurodytus metodų kelius.