OpenAI: Whisper 1

Whisper 1 transkribuoja užbaigtą garso failą į tekstą, palaikydamas daugiakalbį atpažinimą ir žodžių ar segmentų laiko žymas. Gamintojas palaiko subtitrų formatus ir atskirą vertimo į anglų kalbą procesą; transkripcijos rezultatas išsaugo įrašo kalbą.

Ailoot Ultra · Kalbos atpažinimas POST /v1/audio/transcriptions openai/whisper-1

Apie modelį

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

Whisper 1 yra bendrosios paskirties OpenAI kalbos atpažinimo API modelis, dokumentuojamas kaip veikiantis atvirojo kodo Whisper V2 modelio pagrindu. Jis priima garso failą ir grąžina tekstą. Kūrėjas aprašo daugiakalbį atpažinimą, kalbos nustatymą ir atskirą kalbos vertimo užduotį. Transkripcija išsaugo sakytinę kalbą; atskira gamintojo vertimo sąsaja grąžina anglišką tekstą.

Naudingas taikymas – interviu, balso pastabos ar įrašyto pokalbio paruošimas vėlesnei paieškai ir redagavimui. Pateikite užbaigtą įrašą ir, jei žinoma, jo įvesties kalbą. OpenAI dokumentuoja 98 palaikomas kalbas ir pažymi, kad atpažinimo tikslumas skiriasi pagal kalbą. Vienos kalbos užuomina naudoja ISO 639-1 kodą; naujesni kitų transkripcijos modelių kelių kalbų ir raktažodžių laukai yra atskiri valdikliai.

Gamintojo failo transkripcijos procesas priima iki 25 MB failus MP3, MP4, MPEG, MPGA, M4A, WAV arba WebM formatu. Didesniam įrašui naudokite suspaustą formatą arba padalykite jį į ribą atitinkančias dalis. Išsaugokite sakinių ribas ir dalių tvarką, kad surinkta transkripcija liktų susieta su originaliu įrašu. Šiai užduočiai vaizdo konteineris pateikia savo garsą, o ne vaizdo aprašymo įvestį.

Užklausoje galima pateikti vardus, akronimus ar įrašui būdingą žodyną ir ankstesnio segmento kontekstą. Whisper užklausos konteksto riba yra 224 žetonai, o jo kalba turi atitikti garso kalbą. Kūrėjas nurodo, kad Whisper neseka instrukcijų kaip bendrosios paskirties teksto modelis. Kontekstą naudokite kaip transkripcijai svarbią informaciją, tada svarbią rašybą patikrinkite pagal įrašą, užuot terminų sąrašą laikę žodžiais, kuriuos kalbėtojas būtinai turėjo pasakyti.

Gamintojas dokumentuoja JSON, paprasto teksto, SRT, VTT ir išplėstinio JSON transkripcijos formatus. Žodžių ir segmentų laiko žymoms reikia išplėstinio JSON; galima prašyti vieno arba abiejų detalumo lygių. API žinyne pažymima, kad segmentų laiko žymos neprideda delsos, o žodžių laiko žymoms reikia papildomo apdorojimo. Šios išvestys padeda kurti subtitrus ir rasti ištraukas redaguojant; kalbėtojų atskyrimo anotacijos priklauso kitam specializuotam modeliui.

Whisper 1 nepalaiko srautinio failų transkribavimo. Jo žinyne taip pat dokumentuojama atrankos temperatūra nuo nulio iki vieneto; esant nuliui modelis gali temperatūrą automatiškai padidinti, kai to reikalauja jo dekodavimo slenksčiai. Tai aprašo gamintojo apdorojimo valdiklius, o ne žada, kad kiekvieno įrašo transkripcija bus identiška ar visiškai tiksli.

Apibrėžkite galutinį rezultatą: paieškai skirtą transkripciją, subtitrų failą ar tekstą su žodžių arba segmentų laiko žymomis. Kartu su rezultatu išsaugokite originalų įrašą, dalių tvarką ir reikalingas šaltinio laiko nuorodas. Vėlesnis teksto redagavimo veiksmas gali ištaisyti rašybą ar paruošti santrauką, tačiau pakeitimus palyginkite su garsu, kad kalbėtojo prasmė išliktų. Atpažintas tekstas tampa kitos užduoties įrodymu, o ne sugeneruotu atsakymu į ištartą klausimą.

Ailoot Ultra · Kalbos atpažinimas POST /v1/audio/transcriptions openai/whisper-1

openai/whisper-1

OpenAI /openai/whisper-1

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/whisper-1	Numatyta—
Laukas`file`	Tipas`file`	ReikalavimasPrivaloma	Reikšmės ir ribos Turinio tipas: multipart/form-data	Numatyta—
Laukas`response_format`	Tipas`string`	ReikalavimasNeprivaloma	Reikšmės ir ribos json	Numatyta—
Laukas`input_audio.data`	Tipas`base64_string`	ReikalavimasPrivaloma	Reikšmės ir ribos Taikoma, kai: WhisperOR JSON įvestis	Numatyta—
Laukas`input_audio.format`	Tipas`string`	ReikalavimasPrivaloma	Reikšmės ir ribos wav, mp3, flac, ogg, m4a, webm Taikoma, kai: WhisperOR JSON įvestis	Numatyta—

Įvesties medžiagos deriniai

· Privaloma: model, file

Metodo parametrai ir gyvavimo ciklas

Parametras	Specifikacija
Parametras`contours`	Specifikacija{"content_types":["application/json","multipart/form-data"],"required_json":["model","input_audio.data","input_audio.format"],"required_multipart":["model","file"],"file_formats":["wav","mp3","flac","ogg","m4a","webm"],"response_format_optional":["json"]}, {"content_types":["multipart/form-data"],"required":["model","file"],"file_formats":["mp3"],"response_format_option":false}
Parametras`max_bytes`	Specifikacija26214400
Parametras`material_types`	Specifikacijaaudio

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
Konfigūracijaįvesties garso sekundė	Įkainių lentelė—	Apskaitos vienetasuž įvesties garso sekundę	Mokestis Įvestis · įvesties garso sekundė $0.0002 už įvesties garso sekundę

Informacinio tarifo duomenys

Modelio informacinės lentelės nekeičia metodo pasirinkimo, kainos įverčių ar mokesčių. Galiojantys mokesčiai nustatomi pagal pasirinkto Ailoot metodo įkainius.

OpenAI: Whisper 1

Kainos pagal konfigūraciją

Konfigūracija	Apmokestinimo sąlygos	Mokestis
KonfigūracijaOpenAI: Whisper 1 · Numatytoji konfigūracija	Apmokestinimo sąlygosNumatytoji konfigūracija	Mokestis Įvestis · Įvesties garso sekundės 0,0002 USD 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 · Kalbos atpažinimas

curl

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 $AILOOT_API_KEY" \
  --form-string model=openai/whisper-1 -F "file=@$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())))
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

Medijos bibliotekaUžduoties būsenaMedžiagos duomenys

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

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/whisper-1

Metodų kelių pseudonimai

Naudokite aukščiau nurodytus metodų kelius.

Susiję ID iškvietimui

openai/whisper-1

FAQ · OpenAI: Whisper 1

Kokios įvestys ir rezultatai prieinami?: POST /v1/audio/transcriptions · openai/whisper-1: audio → transcription
Kokius laukus naudoja užklausa?: POST /v1/audio/transcriptions · openai/whisper-1: model, file, response_format

OpenAI: Whisper 1

OpenAI: Whisper 1

Pradžia

Prieinama Ailoot · įvestys ir metodai

Planai

Ailoot įkainiai

Kainos pagal konfigūraciją

Informacinio tarifo duomenys

Kainos pagal konfigūraciją

Užklausų pavyzdžiai

Ailoot Ultra · Kalbos atpažinimas

Gauti ir išsaugoti rezultatus

Ailoot Ultra · Kalbos atpažinimas

Išsaugoti visus baigtus rezultatus

Jei reikia patikrinti pradinį atsakymą

Pseudonimai

Modelių pseudonimai

Metodų kelių pseudonimai

Susiję ID iškvietimui

Įmonė ir jos projektų portfelis

Pirkite žetonus su nuolaida.

Prijunkite API prie produkto, kurį parduodate.