{ "aboutHtml": "

Whisper large-v3 ialah checkpoint pengecaman pertuturan keluaran OpenAI dengan kira-kira 1.55 bilion parameter. Ia ialah model pengekod-penyahkod berbilang bahasa: audio memasuki pengekod dan penyahkod meramalkan teks serta token berkaitan tugas. Tugas utamanya ialah transkripsi pertuturan dalam bahasa sumber dan terjemahan pertuturan ke bahasa Inggeris. Ini ialah identiti model dengan pemberat terbuka, yang perlu dibezakan daripada pengecam model sesuatu perkhidmatan yang dihoskan serta peraturan muat naik dan format respons perkhidmatan itu.

Large-v3 mengekalkan seni bina checkpoint Whisper large terdahulu dengan dua perubahan yang dinyatakan: input spektrogramnya menggunakan 128 jalur frekuensi Mel dan bukannya 80, serta menambahkan token bahasa Kantonis. Kad model pengeluar menerangkan latihan menggunakan satu juta jam audio berlabel lemah dan empat juta jam audio berlabel pseudo yang disediakan dengan Whisper large-v2. Campuran ini digunakan untuk dua epok latihan. Keluaran ini ialah checkpoint large-v3 tertentu dan bukannya nama umum untuk setiap model dalam keluarga Whisper.

Aliran kerja inferens yang didokumenkan melakukan transkripsi secara lalai, mengekalkan bahasa yang dituturkan dalam rakaman. Ia boleh mengesan bahasa sumber secara automatik atau menerima pilihan bahasa yang diketahui. Untuk terjemahan, model large berbilang bahasa memberikan hasil teks bahasa Inggeris daripada pertuturan bukan bahasa Inggeris. Pilih tugas itu secara jelas: transkrip dalam bahasa yang sama dan terjemahan bahasa Inggeris ialah artifak yang berbeza. Untuk temu bual, kekalkan perkataan dalam bahasa asal; untuk dokumen rujukan bahasa Inggeris, nyatakan bahawa hasil yang dikehendaki ialah terjemahan kandungan pertuturan.

Penyediaan audio ialah sebahagian daripada laluan input. Pemuat OpenAI menyahkod rakaman kepada bentuk gelombang mono dan mensampelkannya semula kepada 16 kHz. Medan penerimaan akustik model ialah 30 saat. Itu ialah tetingkap pemprosesan, bukannya panjang maksimum untuk seluruh temu bual atau kuliah. Inferens bentuk panjang boleh bergerak secara berurutan melalui tetingkap gelongsor, atau membahagikan rakaman panjang kepada cebisan bertindih dan menyambungkan transkripnya. Kad model pengeluar menerangkan pemprosesan berurutan apabila ketepatan diutamakan dan pemprosesan bercebisan apabila masa menyiapkan satu rakaman panjang lebih penting.

Konfigurasi yang dikeluarkan menyenaraikan 448 kedudukan penyahkod bagi satu jujukan penyahkodan. Rakaman yang lebih panjang dikendalikan melalui proses bentuk panjang dan bukannya dengan menganggap nombor itu sebagai had transkrip sejagat. Aliran kerja yang didokumenkan boleh mengembalikan cap masa peringkat segmen atau perkataan bersama teks yang dikenal pasti. Output pemasaan tersebut berguna untuk menavigasi rakaman dan menyediakan kapsyen, manakala sebarang bekas sari kata akhir atau format fail transkrip ialah pilihan pemformatan output yang berasingan. Kekalkan pemasaan rakaman semasa menyediakan audio jika transkrip akan dijajarkan dengan bahan asal.

Peranan Whisper yang dimaksudkan ialah mengenal pasti dan menterjemah pertuturan. Transkrip kuliah, rekod temu bual atau koleksi bahan pertuturan yang boleh dicari ialah output praktikal; peringkasan atau tafsiran boleh menyusul sebagai langkah lain terhadap teks. Kad model tidak menetapkan pengelasan penutur atau diarisasi automatik yang teguh sebagai output standard checkpoint asas. Jika tugas memerlukan label penutur, keperluan itu mesti dikendalikan secara berasingan daripada dakwaan transkrip yang tepat. Taklimat yang berguna mengenal pasti bahasa sumber, sama ada transkripsi atau terjemahan bahasa Inggeris diperlukan, dan sama ada maklumat pemasaan diperlukan.

Batasan ketara termasuk teks rekaan yang tidak pernah dituturkan dan teks berulang, yang dikaitkan dengan latihan terselia lemah pada data berhingar serta reka bentuk jujukan ke jujukan. Kualiti pengecaman berbeza mengikut bahasa, loghat dan dialek, dengan hasil lebih lemah apabila bahan latihan lebih sedikit. Oleh itu, hingar, kosa kata khusus dan pertuturan bertindih patut diwakili dalam sampel yang digunakan untuk menilai kesesuaian. Bandingkan nama, kuantiti dan pernyataan penting dengan rakaman, serta periksa petikan tanpa pertuturan atau baris berulang dan bukannya menganggap transkrip yang lancar sebagai bukti bahawa setiap perkataan telah didengar.

Hasil lengkap mengekalkan teks yang dikenal pasti, bahasanya dan sebarang pemasaan yang diminta bersama rujukan kepada rakaman asal. Asingkan transkripsi daripada penyuntingan kemudian: transkrip penerbitan yang dibetulkan mungkin membuang kata pengisi, manakala transkrip pengecaman mengekalkan perkara yang benar-benar dikembalikan oleh model. Identiti dan keupayaan terjemahan large-v3 juga patut dibezakan daripada edisi Turbo yang lebih pantas. Kelajuan pemprosesan sebenar bergantung pada bahasa, kadar pertuturan, perkakasan dan kaedah inferens; nama checkpoint sahaja tidak membuktikan kependaman perkhidmatan yang dihoskan, saiz maksimum muat naik atau laluan aplikasi yang didayakan.

", "aboutText": "Whisper large-v3 ialah checkpoint pengecaman pertuturan keluaran OpenAI dengan kira-kira 1.55 bilion parameter. Ia ialah model pengekod-penyahkod berbilang bahasa: audio memasuki pengekod dan penyahkod meramalkan teks serta token berkaitan tugas. Tugas utamanya ialah transkripsi pertuturan dalam bahasa sumber dan terjemahan pertuturan ke bahasa Inggeris. Ini ialah identiti model dengan pemberat terbuka, yang perlu dibezakan daripada pengecam model sesuatu perkhidmatan yang dihoskan serta peraturan muat naik dan format respons perkhidmatan itu.\n\nLarge-v3 mengekalkan seni bina checkpoint Whisper large terdahulu dengan dua perubahan yang dinyatakan: input spektrogramnya menggunakan 128 jalur frekuensi Mel dan bukannya 80, serta menambahkan token bahasa Kantonis. Kad model pengeluar menerangkan latihan menggunakan satu juta jam audio berlabel lemah dan empat juta jam audio berlabel pseudo yang disediakan dengan Whisper large-v2. Campuran ini digunakan untuk dua epok latihan. Keluaran ini ialah checkpoint large-v3 tertentu dan bukannya nama umum untuk setiap model dalam keluarga Whisper.\n\nAliran kerja inferens yang didokumenkan melakukan transkripsi secara lalai, mengekalkan bahasa yang dituturkan dalam rakaman. Ia boleh mengesan bahasa sumber secara automatik atau menerima pilihan bahasa yang diketahui. Untuk terjemahan, model large berbilang bahasa memberikan hasil teks bahasa Inggeris daripada pertuturan bukan bahasa Inggeris. Pilih tugas itu secara jelas: transkrip dalam bahasa yang sama dan terjemahan bahasa Inggeris ialah artifak yang berbeza. Untuk temu bual, kekalkan perkataan dalam bahasa asal; untuk dokumen rujukan bahasa Inggeris, nyatakan bahawa hasil yang dikehendaki ialah terjemahan kandungan pertuturan.\n\nPenyediaan audio ialah sebahagian daripada laluan input. Pemuat OpenAI menyahkod rakaman kepada bentuk gelombang mono dan mensampelkannya semula kepada 16 kHz. Medan penerimaan akustik model ialah 30 saat. Itu ialah tetingkap pemprosesan, bukannya panjang maksimum untuk seluruh temu bual atau kuliah. Inferens bentuk panjang boleh bergerak secara berurutan melalui tetingkap gelongsor, atau membahagikan rakaman panjang kepada cebisan bertindih dan menyambungkan transkripnya. Kad model pengeluar menerangkan pemprosesan berurutan apabila ketepatan diutamakan dan pemprosesan bercebisan apabila masa menyiapkan satu rakaman panjang lebih penting.\n\nKonfigurasi yang dikeluarkan menyenaraikan 448 kedudukan penyahkod bagi satu jujukan penyahkodan. Rakaman yang lebih panjang dikendalikan melalui proses bentuk panjang dan bukannya dengan menganggap nombor itu sebagai had transkrip sejagat. Aliran kerja yang didokumenkan boleh mengembalikan cap masa peringkat segmen atau perkataan bersama teks yang dikenal pasti. Output pemasaan tersebut berguna untuk menavigasi rakaman dan menyediakan kapsyen, manakala sebarang bekas sari kata akhir atau format fail transkrip ialah pilihan pemformatan output yang berasingan. Kekalkan pemasaan rakaman semasa menyediakan audio jika transkrip akan dijajarkan dengan bahan asal.\n\nPeranan Whisper yang dimaksudkan ialah mengenal pasti dan menterjemah pertuturan. Transkrip kuliah, rekod temu bual atau koleksi bahan pertuturan yang boleh dicari ialah output praktikal; peringkasan atau tafsiran boleh menyusul sebagai langkah lain terhadap teks. Kad model tidak menetapkan pengelasan penutur atau diarisasi automatik yang teguh sebagai output standard checkpoint asas. Jika tugas memerlukan label penutur, keperluan itu mesti dikendalikan secara berasingan daripada dakwaan transkrip yang tepat. Taklimat yang berguna mengenal pasti bahasa sumber, sama ada transkripsi atau terjemahan bahasa Inggeris diperlukan, dan sama ada maklumat pemasaan diperlukan.\n\nBatasan ketara termasuk teks rekaan yang tidak pernah dituturkan dan teks berulang, yang dikaitkan dengan latihan terselia lemah pada data berhingar serta reka bentuk jujukan ke jujukan. Kualiti pengecaman berbeza mengikut bahasa, loghat dan dialek, dengan hasil lebih lemah apabila bahan latihan lebih sedikit. Oleh itu, hingar, kosa kata khusus dan pertuturan bertindih patut diwakili dalam sampel yang digunakan untuk menilai kesesuaian. Bandingkan nama, kuantiti dan pernyataan penting dengan rakaman, serta periksa petikan tanpa pertuturan atau baris berulang dan bukannya menganggap transkrip yang lancar sebagai bukti bahawa setiap perkataan telah didengar.\n\nHasil lengkap mengekalkan teks yang dikenal pasti, bahasanya dan sebarang pemasaan yang diminta bersama rujukan kepada rakaman asal. Asingkan transkripsi daripada penyuntingan kemudian: transkrip penerbitan yang dibetulkan mungkin membuang kata pengisi, manakala transkrip pengecaman mengekalkan perkara yang benar-benar dikembalikan oleh model. Identiti dan keupayaan terjemahan large-v3 juga patut dibezakan daripada edisi Turbo yang lebih pantas. Kelajuan pemprosesan sebenar bergantung pada bahasa, kadar pertuturan, perkakasan dan kaedah inferens; nama checkpoint sahaja tidak membuktikan kependaman perkhidmatan yang dihoskan, saiz maksimum muat naik atau laluan aplikasi yang didayakan.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "be1968ea66563747d21f08aafe67bca39855cc5c84d13b03a6e68105057db896", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "ms", "methods": [ { "html": "
O

OpenAI: Whisper Large V3

OpenAI /openai/whisper-large-v3

Pengenalan

Whisper large-v3 ialah checkpoint pengecaman pertuturan berbilang bahasa OpenAI dengan pemberat terbuka untuk transkripsi dan terjemahan pertuturan ke bahasa Inggeris. Ia menukar rakaman pertuturan kepada teks, dengan pemilihan bahasa, cap masa dan pemprosesan panjang melebihi tetingkap akustik 30 saatnya yang didokumenkan.

Input yang diterima
Audio
Hasil
transcription
Tentang model

Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.

Whisper large-v3 ialah checkpoint pengecaman pertuturan keluaran OpenAI dengan kira-kira 1.55 bilion parameter. Ia ialah model pengekod-penyahkod berbilang bahasa: audio memasuki pengekod dan penyahkod meramalkan teks serta token berkaitan tugas. Tugas utamanya ialah transkripsi pertuturan dalam bahasa sumber dan terjemahan pertuturan ke bahasa Inggeris. Ini ialah identiti model dengan pemberat terbuka, yang perlu dibezakan daripada pengecam model sesuatu perkhidmatan yang dihoskan serta peraturan muat naik dan format respons perkhidmatan itu.

Large-v3 mengekalkan seni bina checkpoint Whisper large terdahulu dengan dua perubahan yang dinyatakan: input spektrogramnya menggunakan 128 jalur frekuensi Mel dan bukannya 80, serta menambahkan token bahasa Kantonis. Kad model pengeluar menerangkan latihan menggunakan satu juta jam audio berlabel lemah dan empat juta jam audio berlabel pseudo yang disediakan dengan Whisper large-v2. Campuran ini digunakan untuk dua epok latihan. Keluaran ini ialah checkpoint large-v3 tertentu dan bukannya nama umum untuk setiap model dalam keluarga Whisper.

Aliran kerja inferens yang didokumenkan melakukan transkripsi secara lalai, mengekalkan bahasa yang dituturkan dalam rakaman. Ia boleh mengesan bahasa sumber secara automatik atau menerima pilihan bahasa yang diketahui. Untuk terjemahan, model large berbilang bahasa memberikan hasil teks bahasa Inggeris daripada pertuturan bukan bahasa Inggeris. Pilih tugas itu secara jelas: transkrip dalam bahasa yang sama dan terjemahan bahasa Inggeris ialah artifak yang berbeza. Untuk temu bual, kekalkan perkataan dalam bahasa asal; untuk dokumen rujukan bahasa Inggeris, nyatakan bahawa hasil yang dikehendaki ialah terjemahan kandungan pertuturan.

Penyediaan audio ialah sebahagian daripada laluan input. Pemuat OpenAI menyahkod rakaman kepada bentuk gelombang mono dan mensampelkannya semula kepada 16 kHz. Medan penerimaan akustik model ialah 30 saat. Itu ialah tetingkap pemprosesan, bukannya panjang maksimum untuk seluruh temu bual atau kuliah. Inferens bentuk panjang boleh bergerak secara berurutan melalui tetingkap gelongsor, atau membahagikan rakaman panjang kepada cebisan bertindih dan menyambungkan transkripnya. Kad model pengeluar menerangkan pemprosesan berurutan apabila ketepatan diutamakan dan pemprosesan bercebisan apabila masa menyiapkan satu rakaman panjang lebih penting.

Konfigurasi yang dikeluarkan menyenaraikan 448 kedudukan penyahkod bagi satu jujukan penyahkodan. Rakaman yang lebih panjang dikendalikan melalui proses bentuk panjang dan bukannya dengan menganggap nombor itu sebagai had transkrip sejagat. Aliran kerja yang didokumenkan boleh mengembalikan cap masa peringkat segmen atau perkataan bersama teks yang dikenal pasti. Output pemasaan tersebut berguna untuk menavigasi rakaman dan menyediakan kapsyen, manakala sebarang bekas sari kata akhir atau format fail transkrip ialah pilihan pemformatan output yang berasingan. Kekalkan pemasaan rakaman semasa menyediakan audio jika transkrip akan dijajarkan dengan bahan asal.

Peranan Whisper yang dimaksudkan ialah mengenal pasti dan menterjemah pertuturan. Transkrip kuliah, rekod temu bual atau koleksi bahan pertuturan yang boleh dicari ialah output praktikal; peringkasan atau tafsiran boleh menyusul sebagai langkah lain terhadap teks. Kad model tidak menetapkan pengelasan penutur atau diarisasi automatik yang teguh sebagai output standard checkpoint asas. Jika tugas memerlukan label penutur, keperluan itu mesti dikendalikan secara berasingan daripada dakwaan transkrip yang tepat. Taklimat yang berguna mengenal pasti bahasa sumber, sama ada transkripsi atau terjemahan bahasa Inggeris diperlukan, dan sama ada maklumat pemasaan diperlukan.

Batasan ketara termasuk teks rekaan yang tidak pernah dituturkan dan teks berulang, yang dikaitkan dengan latihan terselia lemah pada data berhingar serta reka bentuk jujukan ke jujukan. Kualiti pengecaman berbeza mengikut bahasa, loghat dan dialek, dengan hasil lebih lemah apabila bahan latihan lebih sedikit. Oleh itu, hingar, kosa kata khusus dan pertuturan bertindih patut diwakili dalam sampel yang digunakan untuk menilai kesesuaian. Bandingkan nama, kuantiti dan pernyataan penting dengan rakaman, serta periksa petikan tanpa pertuturan atau baris berulang dan bukannya menganggap transkrip yang lancar sebagai bukti bahawa setiap perkataan telah didengar.

Hasil lengkap mengekalkan teks yang dikenal pasti, bahasanya dan sebarang pemasaan yang diminta bersama rujukan kepada rakaman asal. Asingkan transkripsi daripada penyuntingan kemudian: transkrip penerbitan yang dibetulkan mungkin membuang kata pengisi, manakala transkrip pengecaman mengekalkan perkara yang benar-benar dikembalikan oleh model. Identiti dan keupayaan terjemahan large-v3 juga patut dibezakan daripada edisi Turbo yang lebih pantas. Kelajuan pemprosesan sebenar bergantung pada bahasa, kadar pertuturan, perkakasan dan kaedah inferens; nama checkpoint sahaja tidak membuktikan kependaman perkhidmatan yang dihoskan, saiz maksimum muat naik atau laluan aplikasi yang didayakan.

Tersedia di Ailoot · input & kaedah

Ailoot Ultra · Pengecaman pertuturan POST /v1/audio/transcriptions
Input
audio
Output
transcription
Format output
json
MedanJenisKeperluanNilai & hadLalai
MedanmodelJenisstringKeperluanDiperlukanNilai & had
openai/whisper-large-v3
Lalai—
Medaninput_audioJenisobjectKeperluanDiperlukanNilai & hadLalai—
MedanlanguageJenisstringKeperluanPilihanNilai & hadLalai—
MedantemperatureJenisnumberKeperluanPilihanNilai & had
Minimum: 0
Maksimum: 1
Lalai—
Medanresponse_formatJenisstringKeperluanPilihanNilai & had
json, verbose_json
Lalaijson
Medantimestamp_granularitiesJenisarrayKeperluanPilihanNilai & hadLalai—
MedanproviderJenisobjectKeperluanPilihanNilai & hadLalai—
Gabungan bahan input

speech_to_text · Diperlukan: actual matching-format audio file

Parameter kaedah dan kitar hayat
ParameterKontrak
Parametercontent_typesKontrakapplication/json, multipart/form-data
ParameterrequiredKontrakmodel, input_audio
Parametermaterial_typesKontrakaudio
ParameterJSON_audioKontrakbait audio mentah sebenar dalam base64 berserta format yang sepadan
Parametermultipart_requiredKontrakmodel, file
Parametermultipart_cap_bytesKontrak26214400
Parameteroptional_controlsKontraklanguage, temperature, response_format, timestamp_granularities, provider
Parameterdefault_response_formatKontrakjson
Parameteroptional_featuresKontrakOutput terperinci, diarize/keyterms dan URL/audio sebaris yang lebih besar memerlukan keupayaan serta tarif model/pembekal yang tepat.

Kitar hayat: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · task_id sebenar yang dikembalikan atau rekod pustaka media

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

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

Gunakan model yang tepat dan medan input yang didokumenkan.

Simpan respons lengkap, setiap output sebenar dan ID asal yang dikembalikan.

Pelan harga

Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.

Mod pantas
Tidak dinyatakan Apabila mod pantas dipilih
Mod flex
Tidak dinyatakan Apabila mod flex dipilih
Usaha penaakulan maksimum
Tidak dinyatakan Apabila usaha penaakulan maksimum menggunakan pelarasan default

Kadar Ailoot

Harga mengikut konfigurasi

Padankan setiap caj dengan syarat yang dipaparkan. Gunakan satu kadar bagi setiap set konfigurasi alternatif.

KonfigurasiJadual kadarUnit pengebilanCaj
KonfigurasiKadar asas tokenJadual kadarKadar asasUnit pengebilan—Caj
Input · Token input — / 1K token
Output · Token output — / 1K token
Input · Bacaan cache — / 1K token
Input · Penulisan cache — / 1K token
Input · Penulisan cache, 1 jam — / 1K token
KonfigurasiUltraJadual kadar—Unit pengebilanbagi setiap saat audio masukanCaj
Input · saat input audio $0.000015 bagi setiap saat audio masukan

Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →

Butiran tarif rujukan

Jadual rujukan peringkat model tidak mengubah pemilihan kaedah, sebut harga atau caj. Caj aktif menggunakan kadar kaedah Ailoot yang dipilih.

OpenAI: Whisper Large V3

Harga mengikut konfigurasi

KonfigurasiSyarat pengebilanCaj
KonfigurasiOpenAI: Whisper Large V3 · Konfigurasi lalaiSyarat pengebilanKonfigurasi lalaiCaj
Input · Saat audio input USD 0.000015 bagi setiap saat audio masukan

Contoh permintaan

Ailoot Ultra · Pengecaman pertuturan

set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_AUDIO_FILE:?Set the path to your actual WAV recording}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\nimport base64\naudio=Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()\nif not (audio[:4]==b'RIFF' and audio[8:12]==b'WAVE'): raise SystemExit('Supply an actual WAV audio file')\nif len(audio)>26214400: raise SystemExit('Use a documented supported large-file flow')\nrequest={'model': 'openai/whisper-large-v3', 'input_audio': {'data': '${BASE64_ACTUAL_WAV_BYTES}', 'format': 'wav'}}\nrequest['input_audio']['data']=base64.b64encode(audio).decode('ascii')\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# Keep the complete original response and headers. Read every returned segment, word and usage field.\n# Preserve actual operation/task/asset IDs; continue reads of the original result without resubmitting.\n

Terima dan simpan hasil

Ailoot Ultra · Pengecaman pertuturan

json

Simpan semua hasil yang selesai

Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.

JSON asal yang lengkap, semua teks/segmen/perkataan/penutur/cap masa yang tersedia dan penggunaan.

Jika respons asal perlu disemak

Simpan operation_id/X-Client-Request-ID asal dan respons asal. Baca rekod tugas/aset sebenar milik anda tanpa menghantar semula; tiada URL semakan berkala audio khusus dibina.

Medan respons
MedanJenis
MedantextJenisstring
MedanusageJenisobject
Medansegments[]Jenisobject
Medanwords[]Jenisobject

Alias

Alias model

Ailoot Ultra openai/whisper-large-v3

Alias laluan kaedah

Gunakan laluan kaedah yang dipaparkan di atas.

ID pemanggil berkaitan

openai/whisper-large-v3

", "method_identity": { "effective_request_model_id": "openai/whisper-large-v3", "fmt": "transcriptions", "http": "POST", "path": "/v1/audio/transcriptions", "request_model_id": "openai/whisper-large-v3", "route_label": "Ultra" }, "method_key": "Ultra|transcriptions|/v1/audio/transcriptions|openai%2Fwhisper-large-v3", "ordinal": 0, "rawMethod": { "available": null, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Complete original JSON, all available text/segments/words/speakers/timestamps and usage.", "lifecycle": { "assets": [ { "http": "GET", "path": "/v1/media/assets" }, { "http": "GET", "path": "/v1/media/assets/{asset_id}" } ], "content": [ { "http": "GET", "path": "/v1/media/assets/{asset_id}/content", "url_source": "exact returned signed URL; never construct token" } ], "mode": "synchronous_result_then_owned_library", "operation_id_is_not_task_id": true, "status": [ { "http": "GET", "id_source": "actual returned task_id or media library record", "path": "/v1/media/tasks/{task_id}" } ], "unknown": "Simpan operation_id/X-Client-Request-ID asal dan respons asal. Baca rekod tugas/aset sebenar milik anda tanpa menghantar semula; tiada URL semakan berkala audio khusus dibina." }, "material_combinations": [ { "content_types": [ "application/json", "multipart/form-data" ], "mode": "speech_to_text", "required": [ "actual matching-format audio file" ] } ], "outputs": { "all_results": "JSON asal yang lengkap, semua teks/segmen/perkataan/penutur/cap masa yang tersedia dan penggunaan.", "family": "transcription", "fields": [ { "name": "text", "type": "string" }, { "name": "usage", "type": "object" }, { "name": "segments[]", "optional": true, "type": "object" }, { "name": "words[]", "optional": true, "type": "object" } ], "format": "json" }, "parameters": [ { "availability": "source_interface", "enum": [ "openai/whisper-large-v3" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "data_encoding": "base64 raw actual audio bytes, not data URI", "fields": [ "data", "format" ], "name": "input_audio", "required": true, "type": "object" }, { "availability": "retained_official_STTRequest", "description": "ISO-639-1 code; omitted means auto-detection", "name": "language", "required": false, "type": "string" }, { "availability": "retained_official_STTRequest", "maximum": 1, "minimum": 0, "name": "temperature", "required": false, "type": "number" }, { "availability": "retained_official_STTRequest", "default": "json", "default_known": true, "description": "verbose_json requires exact model/provider support", "enum": [ "json", "verbose_json" ], "enum_known": true, "name": "response_format", "required": false, "type": "string" }, { "availability": "retained_official_STTRequest", "description": "Only used with supported verbose_json", "items": { "enum": [ "segment", "word" ], "type": "string" }, "name": "timestamp_granularities", "required": false, "type": "array" }, { "availability": "retained_official_STTRequest", "description": "Data policy and exact provider options; order/only/ignore are not applied to STT", "name": "provider", "required": false, "type": "object" } ], "request_schema": { "properties": { "input_audio": { "properties": { "data": { "contentEncoding": "base64", "type": "string" }, "format": { "enum": [ "wav", "mp3", "flac", "m4a", "ogg", "webm", "aac" ], "type": "string" } }, "required": [ "data", "format" ], "type": "object" }, "language": { "description": "ISO-639-1 code; omitted means auto-detection", "type": "string" }, "model": { "enum": [ "openai/whisper-large-v3" ], "type": "string" }, "provider": { "description": "Data policy and exact provider options; order/only/ignore are not applied to STT", "properties": { "data_collection": { "enum": [ "allow", "deny", null ], "type": [ "string", "null" ] }, "options": { "type": "object" }, "zdr": { "type": [ "boolean", "null" ] } }, "type": "object" }, "response_format": { "default": "json", "description": "verbose_json requires exact model/provider support", "enum": [ "json", "verbose_json" ], "type": "string" }, "temperature": { "maximum": 1, "minimum": 0, "type": "number" }, "timestamp_granularities": { "description": "Only used with supported verbose_json", "items": { "enum": [ "segment", "word" ], "type": "string" }, "type": "array" } }, "required": [ "model", "input_audio" ], "type": "object" }, "schema_template": { "actual_file_preparation_required": true, "body": { "input_audio": { "data": "${BASE64_ACTUAL_WAV_BYTES}", "format": "wav" }, "model": "openai/whisper-large-v3" }, "content_type": "application/json" } }, "hints": [ "Gunakan model yang tepat dan medan input yang didokumenkan.", "Simpan respons lengkap, setiap output sebenar dan ID asal yang dikembalikan." ], "input": { "JSON_audio": "bait audio mentah sebenar dalam base64 berserta format yang sepadan", "content_types": [ "application/json", "multipart/form-data" ], "default_response_format": "json", "material_types": [ "audio" ], "multipart_cap_bytes": 26214400, "multipart_required": [ "model", "file" ], "optional_controls": [ "language", "temperature", "response_format", "timestamp_granularities", "provider" ], "optional_features": "Output terperinci, diarize/keyterms dan URL/audio sebaris yang lebih besar memerlukan keupayaan serta tarif model/pembekal yang tepat.", "required": [ "model", "input_audio" ] }, "lifecycle": { "assets": [ { "http": "GET", "path": "/v1/media/assets" }, { "http": "GET", "path": "/v1/media/assets/{asset_id}" } ], "content": [ { "http": "GET", "path": "/v1/media/assets/{asset_id}/content", "url_source": "exact returned signed URL; never construct token" } ], "mode": "synchronous_result_then_owned_library", "operation_id_is_not_task_id": true, "status": [ { "http": "GET", "id_source": "task_id sebenar yang dikembalikan atau rekod pustaka media", "path": "/v1/media/tasks/{task_id}" } ], "unknown": "Retain original operation_id/X-Client-Request-ID and original response. Read actual owned task/asset records without resubmitting; no dedicated audio poll URL is constructed." }, "method": { "http": "POST", "path": "/v1/audio/transcriptions" }, "method_aliases": [], "operation_modes": [ "speech_to_text" ], "output": { "all_results": "Complete original JSON, all available text/segments/words/speakers/timestamps and usage.", "family": "transcription", "format": "json" } }, "ctx": null, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "quantity_basis": "actual physical units", "quoted_unit": "per audio input second" }, "label": "Ultra", "units": [ { "amount": "0.000015", "amount_unit": "usd_per_audio_input_second", "billing_input": true, "estimate_only": false, "key": "audio_input_second", "label": "audio input second", "native_amount_usd_per_unit": "0.000015", "native_quantity": 1, "public_unit_label": "per audio input second", "quantity": "1", "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_second" } ] } ], "examples": [ { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\n: \"${AILOOT_AUDIO_FILE:?Set the path to your actual WAV recording}\"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\nimport base64\naudio=Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()\nif not (audio[:4]==b'RIFF' and audio[8:12]==b'WAVE'): raise SystemExit('Supply an actual WAV audio file')\nif len(audio)>26214400: raise SystemExit('Use a documented supported large-file flow')\nrequest={'model': 'openai/whisper-large-v3', 'input_audio': {'data': '${BASE64_ACTUAL_WAV_BYTES}', 'format': 'wav'}}\nrequest['input_audio']['data']=base64.b64encode(audio).decode('ascii')\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# Keep the complete original response and headers. Read every returned segment, word and usage field.\n# Preserve actual operation/task/asset IDs; continue reads of the original result without resubmitting.\n", "label": "curl · exact native body and complete result", "language": "bash" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "transcriptions", "hints": [ "Use the exact model and documented input fields.", "Keep the complete response, every actual output and original returned IDs." ], "http": "POST", "in": null, "input": [ "audio" ], "label": "Распознавание речи", "max_out": null, "max_reasoning_effort_multiplier": null, "method_aliases": [], "out": null, "output": [ "transcription" ], "path": "/v1/audio/transcriptions", "price_conditions": [ { "label": "Fast mode", "value": "Not specified", "when": "When fast mode is selected" }, { "label": "Flex mode", "value": "Not specified", "when": "When flex mode is selected" }, { "label": "Maximum reasoning effort", "value": "Not specified", "when": "When maximum reasoning effort uses the default adjustment" } ], "pricing": { "billing_mode": "per_request", "image_input_price": null, "image_output_price": null, "per_request_price": null, "unit_prices": { "audio_input_second": 1.5e-05 } }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "quantity_basis": "actual physical units", "quoted_unit": "per audio input second" }, "label": "Ultra", "units": [ { "amount": "0.000015", "amount_unit": "usd_per_audio_input_second", "billing_input": true, "estimate_only": false, "key": "audio_input_second", "label": "audio input second", "native_amount_usd_per_unit": "0.000015", "native_quantity": 1, "public_unit_label": "per audio input second", "quantity": "1", "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_second" } ] } ], "request_model_id": "openai/whisper-large-v3", "route_label": "Ultra", "status_reads": [ "GET /v1/media/tasks/{task_id}", "GET /v1/media/assets/{asset_id}/content" ], "tiers": [], "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" }, { "amount": "0.000015", "amount_unit": "usd_per_audio_input_second", "billing_input": true, "estimate_only": false, "key": "audio_input_second", "label": "audio input second", "native_amount_usd_per_unit": "0.000015", "native_quantity": 1, "public_unit_label": "per audio input second", "quantity": "1", "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_second" } ] } } ], "model_id": "openai/whisper-large-v3", "nativeProvenance": { "input_facts_canonical_sha256": "3af92c6eab2a5444eace6855482a39da96a20d371933668a96a3df5f8012e260", "input_html_sha256": "a6020554afbb9956318453045d090e7429d0188b6b5d28f9b80d35ad1ac12a92", "private_audit_sha256": "d773c4d5bb4dc6670cf7cefd5f1166f982a6c9792388ecb48661a048bb89ef39", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/ms/openai-whisper-large-v3/", "description": "Whisper large-v3 ialah checkpoint pengecaman pertuturan berbilang bahasa OpenAI dengan pemberat terbuka untuk transkripsi dan terjemahan pertuturan ke bahasa Inggeris. Ia menukar rakaman pertuturan kepada teks, dengan pemilihan bahasa, cap masa dan pemprosesan panjang melebihi tetingkap akustik 30 saatnya yang didokumenkan.", "locale": "ms", "md_url": "https://ailoot.ai/models/ms/openai-whisper-large-v3/index.md", "title": "OpenAI: Whisper Large V3 — Ailoot", "url": "https://ailoot.ai/models/ms/openai-whisper-large-v3/" }, "rawModel": { "about": "Whisper large-v3 ialah checkpoint pengecaman pertuturan keluaran OpenAI dengan kira-kira 1.55 bilion parameter. Ia ialah model pengekod-penyahkod berbilang bahasa: audio memasuki pengekod dan penyahkod meramalkan teks serta token berkaitan tugas. Tugas utamanya ialah transkripsi pertuturan dalam bahasa sumber dan terjemahan pertuturan ke bahasa Inggeris. Ini ialah identiti model dengan pemberat terbuka, yang perlu dibezakan daripada pengecam model sesuatu perkhidmatan yang dihoskan serta peraturan muat naik dan format respons perkhidmatan itu.\n\nLarge-v3 mengekalkan seni bina checkpoint Whisper large terdahulu dengan dua perubahan yang dinyatakan: input spektrogramnya menggunakan 128 jalur frekuensi Mel dan bukannya 80, serta menambahkan token bahasa Kantonis. Kad model pengeluar menerangkan latihan menggunakan satu juta jam audio berlabel lemah dan empat juta jam audio berlabel pseudo yang disediakan dengan Whisper large-v2. Campuran ini digunakan untuk dua epok latihan. Keluaran ini ialah checkpoint large-v3 tertentu dan bukannya nama umum untuk setiap model dalam keluarga Whisper.\n\nAliran kerja inferens yang didokumenkan melakukan transkripsi secara lalai, mengekalkan bahasa yang dituturkan dalam rakaman. Ia boleh mengesan bahasa sumber secara automatik atau menerima pilihan bahasa yang diketahui. Untuk terjemahan, model large berbilang bahasa memberikan hasil teks bahasa Inggeris daripada pertuturan bukan bahasa Inggeris. Pilih tugas itu secara jelas: transkrip dalam bahasa yang sama dan terjemahan bahasa Inggeris ialah artifak yang berbeza. Untuk temu bual, kekalkan perkataan dalam bahasa asal; untuk dokumen rujukan bahasa Inggeris, nyatakan bahawa hasil yang dikehendaki ialah terjemahan kandungan pertuturan.\n\nPenyediaan audio ialah sebahagian daripada laluan input. Pemuat OpenAI menyahkod rakaman kepada bentuk gelombang mono dan mensampelkannya semula kepada 16 kHz. Medan penerimaan akustik model ialah 30 saat. Itu ialah tetingkap pemprosesan, bukannya panjang maksimum untuk seluruh temu bual atau kuliah. Inferens bentuk panjang boleh bergerak secara berurutan melalui tetingkap gelongsor, atau membahagikan rakaman panjang kepada cebisan bertindih dan menyambungkan transkripnya. Kad model pengeluar menerangkan pemprosesan berurutan apabila ketepatan diutamakan dan pemprosesan bercebisan apabila masa menyiapkan satu rakaman panjang lebih penting.\n\nKonfigurasi yang dikeluarkan menyenaraikan 448 kedudukan penyahkod bagi satu jujukan penyahkodan. Rakaman yang lebih panjang dikendalikan melalui proses bentuk panjang dan bukannya dengan menganggap nombor itu sebagai had transkrip sejagat. Aliran kerja yang didokumenkan boleh mengembalikan cap masa peringkat segmen atau perkataan bersama teks yang dikenal pasti. Output pemasaan tersebut berguna untuk menavigasi rakaman dan menyediakan kapsyen, manakala sebarang bekas sari kata akhir atau format fail transkrip ialah pilihan pemformatan output yang berasingan. Kekalkan pemasaan rakaman semasa menyediakan audio jika transkrip akan dijajarkan dengan bahan asal.\n\nPeranan Whisper yang dimaksudkan ialah mengenal pasti dan menterjemah pertuturan. Transkrip kuliah, rekod temu bual atau koleksi bahan pertuturan yang boleh dicari ialah output praktikal; peringkasan atau tafsiran boleh menyusul sebagai langkah lain terhadap teks. Kad model tidak menetapkan pengelasan penutur atau diarisasi automatik yang teguh sebagai output standard checkpoint asas. Jika tugas memerlukan label penutur, keperluan itu mesti dikendalikan secara berasingan daripada dakwaan transkrip yang tepat. Taklimat yang berguna mengenal pasti bahasa sumber, sama ada transkripsi atau terjemahan bahasa Inggeris diperlukan, dan sama ada maklumat pemasaan diperlukan.\n\nBatasan ketara termasuk teks rekaan yang tidak pernah dituturkan dan teks berulang, yang dikaitkan dengan latihan terselia lemah pada data berhingar serta reka bentuk jujukan ke jujukan. Kualiti pengecaman berbeza mengikut bahasa, loghat dan dialek, dengan hasil lebih lemah apabila bahan latihan lebih sedikit. Oleh itu, hingar, kosa kata khusus dan pertuturan bertindih patut diwakili dalam sampel yang digunakan untuk menilai kesesuaian. Bandingkan nama, kuantiti dan pernyataan penting dengan rakaman, serta periksa petikan tanpa pertuturan atau baris berulang dan bukannya menganggap transkrip yang lancar sebagai bukti bahawa setiap perkataan telah didengar.\n\nHasil lengkap mengekalkan teks yang dikenal pasti, bahasanya dan sebarang pemasaan yang diminta bersama rujukan kepada rakaman asal. Asingkan transkripsi daripada penyuntingan kemudian: transkrip penerbitan yang dibetulkan mungkin membuang kata pengisi, manakala transkrip pengecaman mengekalkan perkara yang benar-benar dikembalikan oleh model. Identiti dan keupayaan terjemahan large-v3 juga patut dibezakan daripada edisi Turbo yang lebih pantas. Kelajuan pemprosesan sebenar bergantung pada bahasa, kadar pertuturan, perkakasan dan kaedah inferens; nama checkpoint sahaja tidak membuktikan kependaman perkhidmatan yang dihoskan, saiz maksimum muat naik atau laluan aplikasi yang didayakan.", "alias_of": null, "aliases": [], "author": "OpenAI", "available": null, "canonical_model": "openai/whisper-large-v3", "capabilities": { "context_length": 0, "manufacturer_input": [ "audio" ], "manufacturer_output": [ "transcription" ] }, "card_routes": [ { "label": "Ultra", "rates": [ { "amount": "0.000015", "amount_unit": "usd_per_audio_input_second", "billing_input": true, "estimate_only": false, "key": "audio_input_second", "label": "audio input second", "native_amount_usd_per_unit": "0.000015", "native_quantity": 1, "public_unit_label": "per audio input second", "quantity": "1", "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_second" } ], "summary": "Maklumat lengkap tentang harga konfigurasi terdapat dalam butiran." } ], "ctx": null, "declared_tariff_references": [ { "client_selectable": false, "key": "ee57dbbfe5ae56bdd0d7", "label": "OpenAI: Whisper Large V3", "profiles": [ { "basis": "", "dimensions": { "conditions": "Konfigurasi lalai" }, "label": "OpenAI: Whisper Large V3 · Konfigurasi lalai", "units": [ { "amount": "0.0000150", "amount_unit": "usd_per_exact_physical_unit", "billing_input": false, "key": "e474c121b23c5635611dfde4", "label": "Input audio seconds", "public_unit_label": "per input audio second", "quantity": "1", "rate_role": "declared_tariff_rate", "side": "in", "unit": "input_audio_second" } ] } ] } ], "entity_type": "model", "formats": [ "transcriptions" ], "id": "openai/whisper-large-v3", "input": [ "audio" ], "kind": "transcription", "max_out": null, "methods": [ { "available": null, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Complete original JSON, all available text/segments/words/speakers/timestamps and usage.", "lifecycle": { "assets": [ { "http": "GET", "path": "/v1/media/assets" }, { "http": "GET", "path": "/v1/media/assets/{asset_id}" } ], "content": [ { "http": "GET", "path": "/v1/media/assets/{asset_id}/content", "url_source": "exact returned signed URL; never construct token" } ], "mode": "synchronous_result_then_owned_library", "operation_id_is_not_task_id": true, "status": [ { "http": "GET", "id_source": "actual returned task_id or media library record", "path": "/v1/media/tasks/{task_id}" } ], "unknown": "Simpan operation_id/X-Client-Request-ID asal dan respons asal. Baca rekod tugas/aset sebenar milik anda tanpa menghantar semula; tiada URL semakan berkala audio khusus dibina." }, "material_combinations": [ { "content_types": [ "application/json", "multipart/form-data" ], "mode": "speech_to_text", "required": [ "actual matching-format audio file" ] } ], "outputs": { "all_results": "JSON asal yang lengkap, semua teks/segmen/perkataan/penutur/cap masa yang tersedia dan penggunaan.", "family": "transcription", "fields": [ { "name": "text", "type": "string" }, { "name": "usage", "type": "object" }, { "name": "segments[]", "optional": true, "type": "object" }, { "name": "words[]", "optional": true, "type": "object" } ], "format": "json" }, "parameters": [ { "availability": "source_interface", "enum": [ "openai/whisper-large-v3" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "data_encoding": "base64 raw actual audio bytes, not data URI", "fields": [ "data", "format" ], "name": "input_audio", "required": true, "type": "object" }, { "availability": "retained_official_STTRequest", "description": "ISO-639-1 code; omitted means auto-detection", "name": "language", "required": false, "type": "string" }, { "availability": "retained_official_STTRequest", "maximum": 1, "minimum": 0, "name": "temperature", "required": false, "type": "number" }, { "availability": "retained_official_STTRequest", "default": "json", "default_known": true, "description": "verbose_json requires exact model/provider support", "enum": [ "json", "verbose_json" ], "enum_known": true, "name": "response_format", "required": false, "type": "string" }, { "availability": "retained_official_STTRequest", "description": "Only used with supported verbose_json", "items": { "enum": [ "segment", "word" ], "type": "string" }, "name": "timestamp_granularities", "required": false, "type": "array" }, { "availability": "retained_official_STTRequest", "description": "Data policy and exact provider options; order/only/ignore are not applied to STT", "name": "provider", "required": false, "type": "object" } ], "request_schema": { "properties": { "input_audio": { "properties": { "data": { "contentEncoding": "base64", "type": "string" }, "format": { "enum": [ "wav", "mp3", "flac", "m4a", "ogg", "webm", "aac" ], "type": "string" } }, "required": [ "data", "format" ], "type": "object" }, "language": { "description": "ISO-639-1 code; omitted means auto-detection", "type": "string" }, "model": { "enum": [ "openai/whisper-large-v3" ], "type": "string" }, "provider": { "description": "Data policy and exact provider options; order/only/ignore are not applied to STT", "properties": { "data_collection": { "enum": [ "allow", "deny", null ], "type": [ "string", "null" ] }, "options": { "type": "object" }, "zdr": { "type": [ "boolean", "null" ] } }, "type": "object" }, "response_format": { "default": "json", "description": "verbose_json requires exact model/provider support", "enum": [ "json", "verbose_json" ], "type": "string" }, "temperature": { "maximum": 1, "minimum": 0, "type": "number" }, "timestamp_granularities": { "description": "Only used with supported verbose_json", "items": { "enum": [ "segment", "word" ], "type": "string" }, "type": "array" } }, "required": [ "model", "input_audio" ], "type": "object" }, "schema_template": { "actual_file_preparation_required": true, "body": { "input_audio": { "data": "${BASE64_ACTUAL_WAV_BYTES}", "format": "wav" }, "model": "openai/whisper-large-v3" }, "content_type": "application/json" } }, "hints": [ "Gunakan model yang tepat dan medan input yang didokumenkan.", "Simpan respons lengkap, setiap output sebenar dan ID asal yang dikembalikan." ], "input": { "JSON_audio": "bait audio mentah sebenar dalam base64 berserta format yang sepadan", "content_types": [ "application/json", "multipart/form-data" ], "default_response_format": "json", "material_types": [ "audio" ], "multipart_cap_bytes": 26214400, "multipart_required": [ "model", "file" ], "optional_controls": [ "language", "temperature", "response_format", "timestamp_granularities", "provider" ], "optional_features": "Output terperinci, diarize/keyterms dan URL/audio sebaris yang lebih besar memerlukan keupayaan serta tarif model/pembekal yang tepat.", "required": [ "model", "input_audio" ] }, "lifecycle": { "assets": [ { "http": "GET", "path": "/v1/media/assets" }, { "http": "GET", "path": "/v1/media/assets/{asset_id}" } ], "content": [ { "http": "GET", "path": "/v1/media/assets/{asset_id}/content", "url_source": "exact returned signed URL; never construct token" } ], "mode": "synchronous_result_then_owned_library", "operation_id_is_not_task_id": true, "status": [ { "http": "GET", "id_source": "task_id sebenar yang dikembalikan atau rekod pustaka media", "path": "/v1/media/tasks/{task_id}" } ], "unknown": "Retain original operation_id/X-Client-Request-ID and original response. Read actual owned task/asset records without resubmitting; no dedicated audio poll URL is constructed." }, "method": { "http": "POST", "path": "/v1/audio/transcriptions" }, "method_aliases": [], "operation_modes": [ "speech_to_text" ], "output": { "all_results": "Complete original JSON, all available text/segments/words/speakers/timestamps and usage.", "family": "transcription", "format": "json" } }, "ctx": null, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "quantity_basis": "actual physical units", "quoted_unit": "per audio input second" }, "label": "Ultra", "units": [ { "amount": "0.000015", "amount_unit": "usd_per_audio_input_second", "billing_input": true, "estimate_only": false, "key": "audio_input_second", "label": "audio input second", "native_amount_usd_per_unit": "0.000015", "native_quantity": 1, "public_unit_label": "per audio input second", "quantity": "1", "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_second" } ] } ], "examples": [ { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\n: \"${AILOOT_AUDIO_FILE:?Set the path to your actual WAV recording}\"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\nimport base64\naudio=Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()\nif not (audio[:4]==b'RIFF' and audio[8:12]==b'WAVE'): raise SystemExit('Supply an actual WAV audio file')\nif len(audio)>26214400: raise SystemExit('Use a documented supported large-file flow')\nrequest={'model': 'openai/whisper-large-v3', 'input_audio': {'data': '${BASE64_ACTUAL_WAV_BYTES}', 'format': 'wav'}}\nrequest['input_audio']['data']=base64.b64encode(audio).decode('ascii')\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# Keep the complete original response and headers. Read every returned segment, word and usage field.\n# Preserve actual operation/task/asset IDs; continue reads of the original result without resubmitting.\n", "label": "curl · exact native body and complete result", "language": "bash" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "transcriptions", "hints": [ "Use the exact model and documented input fields.", "Keep the complete response, every actual output and original returned IDs." ], "http": "POST", "in": null, "input": [ "audio" ], "label": "Распознавание речи", "max_out": null, "max_reasoning_effort_multiplier": null, "method_aliases": [], "out": null, "output": [ "transcription" ], "path": "/v1/audio/transcriptions", "price_conditions": [ { "label": "Fast mode", "value": "Not specified", "when": "When fast mode is selected" }, { "label": "Flex mode", "value": "Not specified", "when": "When flex mode is selected" }, { "label": "Maximum reasoning effort", "value": "Not specified", "when": "When maximum reasoning effort uses the default adjustment" } ], "pricing": { "billing_mode": "per_request", "image_input_price": null, "image_output_price": null, "per_request_price": null, "unit_prices": { "audio_input_second": 1.5e-05 } }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "quantity_basis": "actual physical units", "quoted_unit": "per audio input second" }, "label": "Ultra", "units": [ { "amount": "0.000015", "amount_unit": "usd_per_audio_input_second", "billing_input": true, "estimate_only": false, "key": "audio_input_second", "label": "audio input second", "native_amount_usd_per_unit": "0.000015", "native_quantity": 1, "public_unit_label": "per audio input second", "quantity": "1", "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_second" } ] } ], "request_model_id": "openai/whisper-large-v3", "route_label": "Ultra", "status_reads": [ "GET /v1/media/tasks/{task_id}", "GET /v1/media/assets/{asset_id}/content" ], "tiers": [], "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" }, { "amount": "0.000015", "amount_unit": "usd_per_audio_input_second", "billing_input": true, "estimate_only": false, "key": "audio_input_second", "label": "audio input second", "native_amount_usd_per_unit": "0.000015", "native_quantity": 1, "public_unit_label": "per audio input second", "quantity": "1", "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_second" } ] } ], "model_aliases": [ { "canonical_model_id": "openai/whisper-large-v3", "request_model_id": "openai/whisper-large-v3", "route_label": "Ultra" } ], "name": "OpenAI: Whisper Large V3", "price": { "in": null, "in_label": null, "out": null, "out_label": null, "sort_in": null, "sort_out": null, "varies": true }, "pricing_profiles": [ { "applicability": { "client_selectable": false, "native_profile_selection_pending": true, "scope": "hosted_reference" }, "dimensions": { "variant": null }, "label": "Ultra", "units": [ { "amount": "0.0000616666666666", "amount_unit": "usd_per_audio_input_second", "conditions": { "variant": null }, "key": "pricing.prompt", "label": "prompt", "profile_index": 0, "quantity": "1", "rate_role": "binding_component_rate", "side": "in", "unit": "audio_input_second" }, { "amount": "0", "amount_unit": "usd_per_not_separately_charged_output", "conditions": { "variant": null }, "key": "pricing.completion", "label": "completion", "profile_index": 0, "quantity": "1", "rate_role": "binding_component_rate", "side": "out", "unit": "not_separately_charged_output" } ] } ], "public_id": "openai/whisper-large-v3", "short": "Whisper large-v3 ialah checkpoint pengecaman pertuturan berbilang bahasa OpenAI dengan pemberat terbuka untuk transkripsi dan terjemahan pertuturan ke bahasa Inggeris. Ia menukar rakaman pertuturan kepada teks, dengan pemilihan bahasa, cap masa dan pemprosesan panjang melebihi tetingkap akustik 30 saatnya yang didokumenkan." }, "renderer_schema": { "method_order": "Original DTO methods order; every exact route/format/path/caller survives.", "prices": "Original public DTO fields and original native display HTML; no flattened or normalized offers." }, "representation": "exact-public-dto-and-native-renderer-html", "representationNotes": { "current_reference": { "about_json_pointer": "/aboutHtml", "methods": [ { "contract_json_pointer": "/methods/0/rawMethod/contract", "html_json_pointer": "/methods/0/html", "method_ordinal": 0 } ], "role": "current-semantic-reference" }, "raw_input": { "examples_role": "historical-input-not-current-ready-examples", "json_pointers": [ "/rawModel", "/methods/0/rawMethod" ], "role": "historical-owner-input" }, "schema": "ailoot-native-model-representations-v1" }, "schema": "ailoot-static-model-facts-v1", "schema_version": 1, "shortText": "Whisper large-v3 ialah checkpoint pengecaman pertuturan berbilang bahasa OpenAI dengan pemberat terbuka untuk transkripsi dan terjemahan pertuturan ke bahasa Inggeris. Ia menukar rakaman pertuturan kepada teks, dengan pemilihan bahasa, cap masa dan pemprosesan panjang melebihi tetingkap akustik 30 saatnya yang didokumenkan.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "92d9578409fb77aaedf35d72390b0d73b291bb1c7257699db6f054c25c274dad", "renderer_sha256": "1dab5ba62521e9568c8b7c82005622cabbf330a075df7cce1f83274a04009460" }, "sourceRevision": "b93577e7e5d2fe54316c3c5aa889052560eb66567035dee2c10bbd593f174225" }