OpenAI: GPT Transcribe

GPT Transcribe paverčia įrašytą šneką tekstu originalo kalba, naudodamas kontekstines užklausas, pažodines raktažodžių užuominas ir kelių kalbų užuominas. OpenAI dokumentuoja užbaigtų failų transkripciją, dalimis perduodamus failų rezultatus ir transkripciją po garso pasisakymo įvesties patvirtinimo Realtime seanse.

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

Apie modelį

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

GPT Transcribe yra OpenAI šnekos pavertimo tekstu modelis, skirtas užbaigtiems garso failams, dalimis perduodamoms failų transkripcijoms ir Realtime seansuose užfiksuotiems garso pasisakymams. Jis priima garsą su neprivalomu tekstiniu kontekstu ir grąžina atpažintą tekstą. Gamintojas jį pristato kaip modelį, skirtą tiksliai transkribuoti įrašytą šneką originalo kalba, įskaitant srities terminus, daugiakalbius įrašus ir kalbų kaitą. Naudingas jo rezultatas yra su įrašu susieta transkripcija su aptiktos kalbos metaduomenimis, kai modelis gali patikimai ją numatyti.

Užbaigto įrašo parengimas

OpenAI failų transkripcijos darbo eiga priima iki 25 MB dydžio įkėlimus. Dabartiniame galinio taško apraše išvardyti įvesties formatai FLAC, MP3, MP4, MPEG, MPGA, M4A, OGG, WAV ir WebM bei rekomenduojama pateikti pakankamai failo metaduomenų jo formatui nustatyti, įskaitant tinkamą failo vardo plėtinį ir turinio tipą. Didesnį įrašą vadove rekomenduojama suglaudinti arba padalyti į 25 MB ar mažesnius failus. Venkite skaidyti sakinio viduryje, nes pašalinus aplinkinę šneką atpažinimas gali tapti ne toks tikslus. Išlaikykite dalių eilės tvarką ir jų vietas pradiniame įraše.

Susitikimui, interviu ar įrašytam pristatymui pateikite tikrąjį garsą ir nurodykite temą bei terminus, kurie tikėtina bus ištarti. Naudingas rezultatas yra atpažinta formuluotė, o ne numanoma diskusijos santrauka. Kartu su grąžintu tekstu išsaugokite įrašo identifikatorių, kad vardą, skaičių ar neaiškią frazę tikrinantis žmogus galėtų grįžti prie tinkamo šaltinio. Transkripcija vėliau gali tapti atskiros apibendrinimo, vertimo ar redagavimo darbo eigos medžiaga.

Kontekstas, raktažodžių užuominos ir numatomos kalbos

Gamintojas skiria trijų rūšių informaciją. Užklausa suteikia laisvos formos kontekstą apie įrašo temą ar aplinkybes. Raktažodžiai nurodo pažodinius žodžius ar frazes, kurių tikimasi šnekoje. Kalbų sąrašas nurodo numatomas šnekamąsias kalbas. Dvikalbei produkto diskusijai užklausoje aprašykite aplinkybes, atitinkamus produktų pavadinimus pateikite kaip raktažodžius ir nurodykite numatomas kalbas. Tai atpažinimo užuominos, o ne nurodymai įterpti žodžius, kurių niekas nepasakė.

GPT Transcribe naudoja daugiskaitinį lauką languages vietoj ankstesnio vienaskaitinio lauko language; OpenAI nurodo nesiųsti abiejų kartu. Vadove priimami palaikomi ISO 639-1 kodai, pasirinkti ISO 639-3 kodai ir regioniniai kinų kalbos lokalės kodai; nepalaikomos ar netinkamai suformuotos reikšmės atmetamos. Kiekvienas raktažodis turi likti vienoje eilutėje ir negali turėti kampinio skliausto, grįžimo į eilutės pradžią ar naujos eilutės simbolio. Dėl netinkamo raktažodžio ar per ilgos užklausos gali būti atmesta visa užklausa. Pateikite tik aktualų kontekstą ir tikrinkite, ar užuominose nurodyti vardai iš tiesų pasitaiko garso įraše, užuot užuominų sąrašą laikę transkripcija.

JSON rezultatas ir aptiktų kalbų prognozės

Dokumentuotas failo rezultatas yra JSON su transkripcija ir aptiktomis kalbomis. Šios kalbų prognozės yra modelio rezultatas, o ne pateiktų kalbų užuominų kopija. Tuščias kalbų sąrašas yra tinkamas rezultatas, kai modelis negali pateikti patikimos prognozės; tai neįrodo, kad įrašas buvo tylus ar transkripcija nepavyko. Atpažintą tekstą ir kalbos metaduomenis laikykite atskirai, kad vėlesnis apdorojimas galėtų kiekvieną naudoti pagal jo reikšmę.

Failo transkripcijos perdavimas dalimis

Apdorojant užbaigtą failą transkripcijos tekstas gali būti pateikiamas palaipsniui. OpenAI dokumentuoja transcript.text.delta įvykius daliniam tekstui ir transcript.text.done įvykį visai failo transkripcijai; galutiniame įvykyje taip pat pateikiamos aptiktos kalbos. Taip dalimis perduodamas jau pateikto įrašo rezultatas. Tai naudinga ilgo įkėlimo pažangai rodyti, o galutinis įvykis nustato tekstą, kurį reikia išsaugoti kaip užbaigtą rezultatą.

Realtime seansuose užfiksuoti pasisakymai

GPT Transcribe taip pat turi specializuotą Realtime darbo eigą per WebSocket. Garsas pridedamas prie įvesties buferio, tada programa atskiru veiksmu patvirtina vieno garso pasisakymo įvestį. Transkripcija pradedama šiai užfiksuotai atkarpai ir iki jos užbaigimo įvykio gali pateikti dalinius rezultatus, įskaitant informaciją apie aptiktą kalbą. Šioje gamintojo seanso darbo eigoje modelis automatiškai naudoja ankstesnius transkribuotus pasisakymus kaip kontekstą. Tai skiriasi nuo nuolatinio tiesioginių subtitrų teksto pateikimo vos gaunant mikrofono garsą; OpenAI tokiai nuolatinei darbo eigai nurodo GPT Live Transcribe.

Keliems pasisakymams išsaugokite įvesties elemento identifikatorių kartu su atitinkama transkripcija. OpenAI įspėja, kad skirtingų pasisakymų užbaigimo įvykiai nebūtinai atkeliauja šnekos eilės tvarka, todėl kiekvieną galutinį rezultatą susiekite su jo užfiksuota įvestimi, užuot pokalbį rikiavę vien pagal užbaigimo laiką. Naudingas artefaktas yra tvarkinga transkripcija, surinkta iš tinkamų galutinių elementų, kurioje tarpinis tekstas laikomas pažangos rodiniu, o ne atskiru užbaigtu pasisakymu.

Specializuoti rezultatai ir esminiai apribojimai

Šis profilis nepateikia universalaus subtitrų, laiko žymų, vertimo ar kalbėtojų žymų kontrakto. OpenAI perkėlimo vadove šios specializuotos galimybės atskiriamos: subtitrų išvesties formatams ir žodžių laiko žymoms reikia suderinamo modelio bei formato, o kalbėtojų žymoms naudojamas GPT-4o Transcribe Diarize. GPT Transcribe failo rezultatas yra JSON, o ne tiesioginis SRT, VTT ar išsamaus atsakymo su laiko žymomis pakaitalas. Tiksliame modelio apraše nepaskelbtas skaitinis konteksto ar maksimalaus rezultato limitas, todėl garso transkripcijai negalima savaime taikyti pokalbio modelio tokenų lango.

Sudėtingus terminus, skaičius, akcentus, foninį triukšmą ir kalbų kaitą tikrinkite pagal įrašą. Tikrinkite, ar aktualios užuominos pagerino atpažinimą neįterpdamos neištartų terminų ir ar galutinėje transkripcijoje yra garso įrašo pabaiga. Daugiakalbio rezultato atveju prieš rengdami vertimą išsaugokite ištartą formuluotę. Šios patikros leidžia transkripciją naudoti kaip šaltinio medžiagą ir aiškiai atskiria konteksto užuominas, aptiktas kalbas bei atpažintą šneką.

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

openai/gpt-transcribe

OpenAI /openai/gpt-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-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 garso sekundė	Įkainių lentelė—	Apskaitos vienetasuž įvesties garso sekundę	Mokestis Įvestis · įvesties garso sekundė $0.00015 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 →

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-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-transcribe

Metodų kelių pseudonimai

Naudokite aukščiau nurodytus metodų kelius.

Susiję ID iškvietimui

openai/gpt-transcribe

FAQ · OpenAI: GPT Transcribe

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

OpenAI: GPT Transcribe