OpenAI: GPT-4o Transcribe

GPT-4o Transcribe paverčia garsą tekstu naudodamas OpenAI GPT-4o kalbos atpažinimo galimybes. Palaiko kontekstines užklausas, įvesties kalbos užuominą, JSON išklotines, srautinę failo išvestį ir pasirenkamas žetonų logaritmines tikimybes neaiškioms formuluotėms peržiūrėti.

Ailoot Ultra · Transkribavimas POST /v1/audio/transcriptions openai/gpt-4o-transcribe

Apie modelį

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

GPT-4o Transcribe yra OpenAI kalbos pavertimo tekstu modelis, paremtas GPT-4o. Jo įvestis — garsas su pasirenkamais tekstiniais nurodymais, o išvestis — atpažintas tekstas. Jis atskiras nuo GPT-4o Mini Transcribe leidimo ir GPT-4o Transcribe Diarize, specializuoto kalbėtojų žymėjimo modelio. Šį profilį naudokite tiksliai rašytinei sakytinės medžiagos išklotinei parengti, išsaugodami pradinį įrašą peržiūrai ir vėlesniam redagavimui.

Failų įvestis ir ilgos medžiagos paruošimas

OpenAI transkribavimo vadove dokumentuojami iki 25 MB įkeliami failai. Dabartinė galinio taško specifikacija priima FLAC, MP3, MP4, MPEG, MPGA, M4A, OGG, WAV ir WebM bei rekomenduoja formatą nurodančius failo metaduomenis, įskaitant failo vardą su plėtiniu ir tinkamą turinio tipą. Didesniam įrašui gamintojo ilgesnės įvesties rekomendacijas atitinka glaudinimas arba nuoseklios ne didesnės kaip 25 MB dalys. Venkite skaidyti sakinio viduryje ir išsaugokite kiekvienos dalies vietą visame įraše.

Interviu atveju kiekvieną įvesties failą susiekite su įrašu ir jo apimama ištrauka. Techniniam pristatymui paruoškite aktualius produktų pavadinimus, santrumpas ir srities terminus kaip kontekstą, tada jų rašybą patikrinkite pagal tai, ką kalbėtojas iš tikrųjų pasakė. Įrašytam paaiškinimui su skaitinėmis reikšmėmis prieš paversdami jį rašytine procedūra išklotinę peržiūrėkite kartu su šaltiniu. Pageidaujamas pirmasis artefaktas — atpažinta kalba teksto pavidalu; glaustą ataskaitą ar išverstą dokumentą iš šio teksto galima parengti atskiru žingsniu.

Konkrečiam įrašui skirti nurodymai ir kalbos pasirinkimas

Gamintojo vadove GPT-4o Transcribe aiškiai įtrauktas į modelius, palaikančius transkribavimo nurodymus. Užklausos tekste galima pateikti taisyklingą rašybą, ankstesnio segmento kontekstą ir pageidavimus dėl skyrybos, didžiųjų raidžių, užpildančių žodžių ar rašto sistemos. Specifikacijoje nurodyta, kad jis turi atitikti įrašo kalbą. Trumpas, aktualus temos ir žodyno aprašas suteikia transkribavimui naudingo konteksto, neverčiant neištartų terminų privaloma išvestimi.

Šis profilis palaiko vienaskaitinę kalbos užuominą language, dokumentuotą ISO 639-1 forma. Tikros įvesties kalbos pateikimas gali padėti atpažinti kalbą. Naujesni GPT Transcribe laukai keywords ir daugiskaitinis languages priklauso tam atskirai įvardytam modeliui ir neturi būti laikomi GPT-4o Transcribe galimybėmis. Kalbos nustatymą susiekite su transkribuojama kalba ir išsaugokite pradinę formuluotę prieš bet kokį vėlesnį vertimą ar stilistinį perrašymą.

Rezultato formatas, tikimybės ir specializuotos išvestys

Dabartinėje galinio taško specifikacijoje JSON dokumentuotas kaip GPT-4o Transcribe palaikomas atsakymo formatas. Rezultate yra atpažintas tekstas, o su šiuo JSON formatu galima paprašyti pasirenkamų žetonų logaritminių tikimybių. Tikimybių duomenys apibūdina modelio žetonų pasirinkimą. Jie gali parodyti, kurias ištraukas verta patikrinti, tačiau palyginimas su garsu nustato, ar išklotinė tiksliai perteikia sudėtingą vardą, skaičių ar frazę.

Standartinio profilio JSON rezultatas neteikia paties modelio subtitrų formatų, išsamių žodžių laiko žymų ar kalbėtojų priskyrimų. OpenAI dokumentuoja kitus modelio ir formato pasirinkimus, kai tokių išvesčių reikia; GPT-4o Transcribe Diarize yra atskiras kalbėtojų žymėjimo leidimas. Subtitrų užduočiai išsaugokite patikrintą išklotinę tinkamam laiko žymų priskyrimo žingsniui. Pokalbyje neišgalvokite kalbėtojų vardų vien todėl, kad išklotinės pastraipoje, regis, pasikeičia tema ar balsas.

Srautiniai rezultatai iš užbaigto failo

OpenAI kalbos pavertimo tekstu vadove nurodyta, kad esamos GPT-4o Transcribe integracijos palaiko failų srautinį perdavimą. Programa pirmiausia pateikia įrašą, tada gauna išklotinės tekstą, kai įrašas apdorojamas, ir išsaugo užbaigtą rezultatą. Taip srautiniu būdu perduodama užbaigto įrašo išklotinė, o ne priimamas mikrofono garsas jam dar atkeliaujant. Konkretaus modelio kortelėje taip pat išvardytos transkribavimo ir Realtime galinių taškų šeimos; konkretaus modelio sesijos veikimas turi būti siejamas su šiuo profiliu, o ne perimtas iš naujesnio nuolat srautu veikiančio modelio.

Modelio ribos ir galutinio artefakto patikra

Dabartinėje GPT-4o Transcribe specifikacijoje nurodytas 16 000 žetonų konteksto langas, didžiausia 2 000 žetonų išvestis ir žinių riba — 2024 m. birželio 1 d. Šios žetonų ribos nėra fiksuota garso trukmė ir nepakeičia failo transkribavimo paruošimo taisyklių. Ilgesniame įraše išsaugokite šaltinio tvarką bei aktualų ankstesnį kontekstą, tada patikrinkite, ar užbaigtas tekstas pasiekia kiekvieno numatyto segmento pabaigą.

Naudinga galutinė išklotinė gali tapti paieškai tinkama interviu medžiaga, techninių dokumentų šaltiniu ar vėlesnio subtitrų proceso tekstu. Neaiškų žodyną, kiekius, skyrybą, akcentus ir vienu metu girdimą kalbą tikrinkite pagal įrašą. Atpažintą tekstą atskirkite nuo vėlesnių pataisų ar santraukų ir išsaugokite ryšį su šaltiniu per aplinkinio proceso identifikatorius. Modelis pateikia tekstinį įrašą; kruopštus įvesties paruošimas ir šaltinio peržiūra lemia, ar jis tinkamas tolesniam naudojimui.

Ailoot Ultra · Transkribavimas POST /v1/audio/transcriptions openai/gpt-4o-transcribe

openai/gpt-4o-transcribe

OpenAI /openai/gpt-4o-transcribe

Pradžia

Leidžiamos įvestys: Garsas
Rezultatai: Tekstas

Prieinama Ailoot · įvestys ir metodai

Ailoot Ultra · Transkribavimas POST /v1/audio/transcriptions

Įvestis: audio
Išvestis: text

Laukas	Tipas	Reikalavimas	Reikšmės ir ribos	Numatyta
Laukas`model`	Tipas`string`	ReikalavimasPrivaloma	Reikšmės ir ribos openai/gpt-4o-transcribe	Numatyta—
Laukas`input_audio`	Tipas`object`	ReikalavimasPrivaloma	Reikšmės ir ribos	Numatyta—

Metodo parametrai ir gyvavimo ciklas

Parametras	Specifikacija
Parametras`content_type`	Specifikacijaapplication/json
Parametras`required`	Specifikacijamodel, input_audio
Parametras`material_types`	Specifikacijaaudio
Parametras`material_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}

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
Konfigūracijaįvesties žetonas	Įkainių lentelė—	Apskaitos vienetas/ 1K tokenų	Mokestis Įvestis $0.005 / 1K tokenų
Konfigūracijaišvesties žetonas	Įkainių lentelė—	Apskaitos vienetas/ 1K tokenų	Mokestis Išvestis $0.02 / 1K 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 · Transkribavimas

curl · tikras WAV failas ir visas originalus rezultatas

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-4o-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.

Gauti ir išsaugoti rezultatus

Ailoot Ultra · Transkribavimas

Visas 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}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}

Išsaugoti visus baigtus rezultatus

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.

Jei reikia patikrinti pradinį atsakymą

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.

Atsakymo laukai

Laukas	Tipas
Laukas`text (when present)`	Tipas
Laukas`usage (when present)`	Tipas

Klaidos ir tolesni veiksmai

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.

Pseudonimai

Modelių pseudonimai

Ailoot Ultra openai/gpt-4o-transcribe

Metodų kelių pseudonimai

Naudokite aukščiau nurodytus metodų kelius.

Susiję ID iškvietimui

openai/gpt-4o-transcribe

FAQ · OpenAI: GPT-4o Transcribe

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

OpenAI: GPT-4o Transcribe