gpt-4o-transcribe-diarize

GPT-4o Transcribe Diarize paverčia įrašytą kalbą tekstu su kalbėtojų žymomis ir laiko ribomis pažymėtais segmentais. Tinka susitikimams, interviu ir kelių žmonių įrašams, kai išklotinėje turi matytis, kas ir kada kalbėjo; žinomiems kalbėtojams galima pateikti trumpus balso pavyzdžius.

Ailoot Ultra · Kalbos atpažinimas POST /v1/audio/transcriptions openai/gpt-4o-transcribe-diarize

Apie modelį

Šis aprašas apima modelio galimybes. Pasirinktam metodui Ailoot prieinamos įvestys, išvestys ir parinktys nurodytos toliau.

GPT-4o Transcribe Diarize yra OpenAI automatinio kalbos atpažinimo modelis su integruotu kalbėtojų atskyrimu. Jis susieja transkribuotus garso segmentus su skirtingais pokalbio dalyviais. Naudingas rezultatas — išklotinė, sutvarkyta pagal kalbėtoją ir laiką, o ne vien ištisinis žodžių blokas. Modelis skirtas įrašytai kalbai, kuriai reikia kalbėtojų žymų, pavyzdžiui, susitikimui, interviu ar kelių žmonių diskusijai.

Paruoškite užbaigtą įrašą

Pateikite įrašą, kurį reikia transkribuoti. Dokumentuotas failų apdorojimo procesas priima MP3, MP4, MPEG, MPGA, M4A, WAV ir WebM, o failo dydžio riba yra 25 MB. Išsaugokite pradinį įrašą, kad kalbėtojo pasisakymą, vardą ar neaiškią frazę būtų galima patikrinti pagal tikrą garsą.

Susitikimo įraše išlaikykite pokalbio seką, užuot iškirpę trumpas pauzes, padedančias atskirti pasisakymus. Interviu klausimą ir atsakymą laikykite kartu, kai užduočiai svarbus jų ryšys. Garso paruošimas turėtų padaryti kalbą girdimą nepašalinant informacijos, svarbios rezultatui su kalbėtojų žymomis.

Tai failo transkribavimo procesas. Užbaigto įrašo apdorojimas ir dar gaunamo garso srauto atpažinimas yra skirtingos užduotys; modelio kalbėtojų žymėjimas nepalaikomas Realtime transkribavimo sesijose.

Paprašykite išklotinės su kalbėtojų žymomis

Rezultato formatas diarized_json grąžina segmentus su kalbėtojų tapatybės žymomis bei pradžios ir pabaigos laiku. Kiekviename segmente taip pat yra jo transkribuotas tekstas. Šiuos laukus laikykite kartu, kad žodžius būtų galima susieti su atitinkama įrašo dalimi.

Naudingoje susitikimo išklotinėje išlaikykite segmentų seką ir pateikite kiekvieno kalbėtojo žodžius kartu su jų laiku. Vėlesnė užduotis gali pagal šią išklotinę parengti protokolą ar veiksmų sąrašą, tačiau pats kalbėtojų atskyrimas nenusprendžia, dėl ko susitikime sutarta, ir negeneruoja patikrintos santraukos.

Kalbėtojų žymos apibūdina modelio atliktą kalbos grupavimą. Patikrinkite perėjimus, kai žmonės vienas kitą pertraukia, kalba trumpai arba vienu metu. Gerai struktūruotas rezultatas padeda naršyti ir peržiūrėti įrašą, tačiau konkretų priskyrimą vis tiek gali tekti patikrinti klausantis pradinio garso.

Žinomų kalbėtojų pavyzdžiai

Dokumentuotas procesas gali priimti iki keturių įvardytų kalbėtojų pavyzdžių. Kiekvienas pavyzdys yra trumpas 2–10 sekundžių garso įrašas, pateiktas pagrindiniam įkėlimui palaikomu formatu. Vardai ir pavyzdžiai pateikiami kartu, kad segmentus būtų galima susieti su žinomais kalbėtojais.

Paruoškite pavyzdį, kuriame aiškiai girdimas numatytas kalbėtojas, ir jo vardą naudokite nuosekliai su numatytomis išklotinės žymomis. Interviu vedėjo pavyzdys gali padėti sutvarkyti rezultatą su kalbėtojų žymomis nepaverčiant kiekvieno dalyvio anonimine žyma. Pavyzdys yra priskyrimo įvestis, o ne bendro pobūdžio balso klonavimo operacija ar asmens tapatybės įrodymas.

Nepainiokite kalbėtojo įvardijimo su ištartų žodžių redagavimu. Naudinga išvestis vis tiek turi išsaugoti įrašo turinį ir tikrą pasisakymų tvarką.

Skaidymas ir modelio ribos

Ilgesniam nei 30 sekundžių garsui gamintojas reikalauja skaidymo strategijos: automatinio skaidymo arba balso aktyvumo aptikimo konfigūracijos. Šis reikalavimas nėra didžiausia įrašo trukmė. Jis apibūdina, kaip ilgesnė įvestis suskaidoma apdorojimui.

Modelio kortelėje nurodytas 16 000 žetonų konteksto langas ir daugiausia 2 000 išvesties žetonų. Tai modelio žetonų ribos, atskiros nuo failų proceso 25 MB įkėlimo ribos ir skaidymo slenksčio. Jų negalima paversti išgalvotu minučių skaičiumi, taikomu kiekvienam įrašui.

Jungdami ar tikrindami ilgesnę išklotinę išsaugokite laiką ir segmentų tapatybę. Jei prieš pateikiant įrašas suskaidytas, išlaikykite kiekvienos dalies ryšį su pradiniu garsu, kad vietinė laiko žyma nebūtų supainiota su jos vieta visame pokalbyje.

Užbaigtų segmentų srautinis perdavimas

Failo transkribavimo procesas gali srautiniu būdu perduoti tekstą apdorojant įrašą. Srautiniame perdavime su kalbėtojų žymomis užbaigti segmentai sukuria segmentų įvykius. Teksto pokyčiuose yra segmento identifikatorius, bet nėra dalinių kalbėtojų priskyrimų; kalbėtojas priskiriamas užbaigus segmentą.

Šis skirtumas svarbus pateikimui. Laikiną tekstą ir užbaigtą kalbėtojo pasisakymą rodykite kaip skirtingas būsenas, užuot priskyrę nepatikimą kalbėtojo žymą, kol modelis dar neužbaigė segmento. Išsaugokite užbaigtą rezultatą, kai išklotinė bus reikalinga vėlesniam redagavimui ar analizei.

Modelio ir išvesties ribos

Šis profilis yra kalbėtojų atskyrimo modelis, atskiras nuo įprasto GPT-4o transkribavimo, Mini transkribavimo, kalbos sintezės ir tiesioginio pokalbio modelių. Jis nepalaiko transkribavimo užklausos teksto; terminų peržiūrą ar taisymą laikykite atskiru žingsniu, tikrinamu pagal pradinį garsą. Gamintojo sąsaja transkribuoja įrašytą garsą į tekstą. Ji negeneruoja garsinio atsakymo ir neverčia įrašo per atskirą garso vertimo procesą.

Naudokite modelį išklotinėms, kurioms reikia ir turinio, ir kalbėtojų struktūros. Vardus, techninius terminus, skaičius, pasisakymų ribas bei priskyrimus tikrinkite pagal įrašą. Išsaugokite garsą, pasirinktą rezultato formatą, pavyzdžius ir užbaigtą išklotinę, kad pataisa galėtų būti skirta vienai konkrečiai frazei ar kalbėtojo priskyrimui.

Ailoot Ultra · Kalbos atpažinimas POST /v1/audio/transcriptions openai/gpt-4o-transcribe-diarize

openai/gpt-4o-transcribe-diarize

OpenAI /openai/gpt-4o-transcribe-diarize

Pradžia

Leidžiamos įvestys: Garsas
Rezultatai: transcription

Prieinama Ailoot · įvestys ir metodai

Ailoot Ultra · Kalbos atpažinimas POST /v1/audio/transcriptions

Įvestis: audio
Išvestis: transcription
Išvesties formatas: json

Laukas	Tipas	Reikalavimas	Reikšmės ir ribos	Numatyta
Laukas`model`	Tipas`string`	ReikalavimasPrivaloma	Reikšmės ir ribos openai/gpt-4o-transcribe-diarize	Numatyta—
Laukas`file`	Tipas`file`	ReikalavimasPrivaloma	Reikšmės ir ribos Didžiausias baitų skaičius: 26 214 400 MIME tipai: audio/mpeg Failo plėtinys: .mp3 Didžiausia trukmė, sekundės: 30	Numatyta—
Laukas`response_format`	Tipas`string`	ReikalavimasPrivaloma	Reikšmės ir ribos diarized_json	Numatyta—

Įvesties medžiagos deriniai

diarized_transcription

Metodo parametrai ir gyvavimo ciklas

Parametras	Specifikacija
Parametras`content_type`	Specifikacijamultipart/form-data
Parametras`required`	Specifikacijamodel, file, response_format
Parametras`file_formats`	Specifikacijamp3
Parametras`max_audio_seconds`	Specifikacija30
Parametras`max_bytes`	Specifikacija26214400
Parametras`response_format`	Specifikacijadiarized_json
Parametras`other_options`	Specifikacijafalse
Parametras`material_types`	Specifikacijaaudio
Parametras`additional_properties`	Specifikacijafalse
Parametras`form_string_maximum_bytes`	Specifikacija256

Metodo pseudonimai: /audio/transcriptions

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}

Naudokite tikrą įrašą ir atitinkamą formatą.

Išsaugokite visą transkripciją, segmentus, kalbėtojų ID ir laiko duomenis.

Planai

Tarifų informacija neprideda užklausos parinkčių. Palaikomi parametrai nurodyti prie pasirinkto metodo.

Spartusis režimas: Nenurodyta Pasirinkus spartųjį režimą
Flex režimas: Nenurodyta Pasirinkus flex režimą
Didžiausios samprotavimo pastangos: Nenurodyta Kai didžiausioms samprotavimo pastangoms taikomas numatytasis koregavimas (default)

Ailoot įkainiai

Kainos pagal konfigūraciją

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
KonfigūracijaUltra	Įkainių lentelė—	Apskaitos vienetas/ 1K garso tokenų	Mokestis Įvestis · garso įvesties žetonas $0.012 / 1K garso tokenų
KonfigūracijaUltra	Įkainių lentelė—	Apskaitos vienetas/ 1K garso tokenų	Mokestis Išvestis · garso išvesties žetonas $0.02 / 1K garso tokenų

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 Ultra · Kalbos atpažinimas

curl · tiksli išsaugota kūrimo užklausa

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 $AILOOT_API_KEY" \
  --form-string model=openai/gpt-4o-transcribe-diarize -F "file=@$AILOOT_AUDIO_FILE" --form-string response_format=diarized_json \
  -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

Gauti ir išsaugoti rezultatus

Ailoot Ultra · Kalbos atpažinimas

json

GET /v1/media/tasks/{task_id}
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}

Kito turinio skaitymas

Išsaugoti kiekvieną grąžintą jums priklausančią transkripcijąMedijos bibliotekaUžduoties būsenaMedžiagos duomenys

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
export AILOOT_API_KEY
python3 - <<'PY_ASSETS'
import json,os,subprocess
from pathlib import Path
from urllib.parse import urljoin,urlsplit
r=json.loads(Path('result.json').read_text())
urls=[]
if isinstance(r.get('asset_url'),str) and r['asset_url']:urls.append(('transcript',r['asset_url']))
for label,path in urls:
    u=urljoin('https://api.ailoot.ai',path);z=urlsplit(u)
    if z.scheme!='https' or z.netloc!='api.ailoot.ai' or z.username or z.password:raise SystemExit('Use the actual returned Ailoot owned content URL')
    target=Path('owned-'+label+'.bin')
    subprocess.run(['curl','--fail-with-body','--silent','--show-error',u,'-H','Authorization: Bearer '+os.environ['AILOOT_API_KEY'],'-D',str(target)+'.headers','-o',str(target)],check=True)
print('All returned owned URLs saved; complete metadata, timing and usage remain in the JSON.')
PY_ASSETS

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

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
Laukas`text`	Tipasstring
Laukas`segments[]`	Tipasobject
Laukas`task_id`	Tipasstring
Laukas`asset_url`	Tipasstring
Laukas`usage`	Tipasobject
Laukas`segments[].speaker`	Tipasstring
Laukas`segments[].start`	Tipasnumber
Laukas`segments[].end`	Tipasnumber

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.
Atsakymas`server_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 Ultra openai/gpt-4o-transcribe-diarize

Metodų kelių pseudonimai

/audio/transcriptions

Susiję ID iškvietimui

openai/gpt-4o-transcribe-diarize

FAQ · gpt-4o-transcribe-diarize

Kokios įvestys ir rezultatai prieinami?: POST /v1/audio/transcriptions · openai/gpt-4o-transcribe-diarize: audio → transcription
Kokius laukus naudoja užklausa?: POST /v1/audio/transcriptions · openai/gpt-4o-transcribe-diarize: model, file, response_format

gpt-4o-transcribe-diarize