asr-1.0
MiniMax ASR 1.0 gjør lyd om til tekst og støtter russisk, skille mellom replikker fra ulike talere og tidsstempler.
Om modellen
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Samtaleopptak blir til tekst
MiniMax ASR 1.0 gjenkjenner tale i en lydfil. Produsenten beskriver bruk for møter, intervjuer, podkaster, lydsporet i video, innholdskontroll og samtaleanalyse. Modellen er tilpasset samtalespråk, støy og fagterminologi, med vekt på å redusere oppdiktede utsnitt. I dette Ailoot-kortet er inndata lyd og resultatet tekst.
Språk og flere deltakere
Russisk og ukrainsk, engelsk, fransk, tysk, spansk, italiensk, portugisisk og polsk støttes; det gjør også kinesisk, kantonesisk, japansk, koreansk, thai, vietnamesisk, indonesisk, malayisk, filippinsk, arabisk og tyrkisk. Hvis språk ikke er angitt, gjenkjenner modellen hovedspråket automatisk; produsenten beskriver også kombinasjonen av kinesisk og engelsk tale separat.
Med det utvidede resultatformatet kan modellen skille mellom talere og knytte replikker til tidspunkter. Formatet returnerer samlet antall deltakere og segmenter med talermerking, start, slutt og tekst. Dermed kan det avklares hvem som sa en bestemt replikk, og når, uten å blande replikker fra ulike deltakere.
Resultatformater
Produsenten tilbyr vanlig JSON med tekst og varighet, utvidet verbose_json samt SRT- og WebVTT-undertekster. Tidsstempler angis som standard per setning eller segment. Merking av enkeltord er beskrevet for engelsk, og av enkelttegn for kinesisk; slik merking gjelder formater med tidsjustering.
Trinnvis tekstutdata er mulig, men kan ikke kombineres med skille mellom talere eller undertekstformater. Denne modusen returnerer nye utsnitt av gjenkjent tekst etter hvert som den allerede innsendte filen behandles. Det er strømming av resultatet, ikke kontinuerlig sending av lyd fra en mikrofon.
Krav til opptaket
De oppgitte inndataformatene er WAV, AIFF, FLAC, ALAC i en M4A-beholder, MP3, AAC, Opus og Ogg. Filen skal inneholde høyst 500 sekunder lyd og være høyst 50 MB. For lang varighet avvises, fremfor at opptaket kuttes uten beskjed. Rå PCM uten beholder støttes ikke.
Ved klargjøring av opptaket anbefaler produsenten mono i 16 kHz eller et komprimert lydformat: høy samplingsfrekvens og stereo er ikke nødvendig for gjenkjenning og øker filstørrelsen. Mulighetene for utvidede utdata og strømming gjelder ASR 1.0; det tilgjengelige svarformatet for en konkret forespørsel angis gjennom Ailoot.
Ailoot · Tale til tekst POST /v1/audio/transcriptions asr-1.0
asr-1.0Start
MiniMax ASR 1.0 gjør lyd om til tekst og støtter russisk, skille mellom replikker fra ulike talere og tidsstempler.
- Godkjente inndata
- Lyd
- Resultater
- Tekst
Tilgjengelig i Ailoot · inndata & metoder
Ailoot · Tale til tekst POST /v1/audio/transcriptions
- Inndatatyper
audio- Utdatatyper
text- Utdataformat
- json
| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser asr-1.0 | Standard— |
Feltfile | Typefile | KravPåkrevd | Verdier & grenser Maksimalt antall byte: 52 428 800 Filformater: wav, mp3, m4a, ogg, webm, flac Innholdstype: multipart/form-data Maksimal varighet (eksklusive), sekunder: 500 | Standard— |
Feltresponse_format | Typestring | KravValgfritt | Verdier & grenser json | Standard— |
Kombinasjoner av inngående materialer
speech_to_text · Påkrevd: actual audio file
Metodeparametere og livssyklus
| Parameter | Avtale |
|---|---|
Parametermaterial_types | Avtaleaudio |
Parameterrequired | Avtalenull |
Parameteroptional_controls | Avtalenull |
Livssyklus: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · faktisk returnert task_id eller oppføring i mediebiblioteket
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Metodestrukturer og ID-er er eksakte; leverandørens evne er adskilt fra godkjenning av forespørselen.
Priser
Satser for Ailoot-metoder
POST /v1/audio/transcriptions- Inndata
- 0,38 USD per time lyd
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
Eksempelforespørsler
Ailoot · Tale til tekst
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_AUDIO_FILE:?Set your actual MP3 recording}"
export AILOOT_AUDIO_FILE
python3 - <<'PY_REQUEST'
import os
from pathlib import Path
f=Path(os.environ["AILOOT_AUDIO_FILE"])
if not f.is_file() or f.suffix.lower()!=".mp3":raise SystemExit("Choose your actual MP3 recording")
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \
-H "Authorization: Bearer $AILOOT_API_KEY" \
--form-string model=asr-1.0 -F "file=@$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()),ensure_ascii=False,indent=2))
PY_RESULT
Motta og lagre resultater
Ailoot · Tale til tekst
json
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
Behold alle ferdige resultater
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold hele JSON-svaret, ikke bare teksten; bevar alle tilgjengelige segmenter, talere og tidsstempler og faktiske oppgave- og ressursidentiteter.
Hvis det opprinnelige svaret må kontrolleres
Bevar opprinnelig operation_id/X-Client-Request-ID for avstemming uten ny innsending; det finnes ingen egen rute for å spørre etter lydstatus.
Svarfelter
| Felt | Type |
|---|---|
Felttext | Typestring |
Feltsegments[] | Typeobject |
Felttask_id | Typestring |
Feltasset_url | Typestring |
Feltusage | Typeobject |
Feil og neste trinn
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Svarserver_error | VilkårDet returnerte svaret angir at operasjonen eller resultatet må kontrolleres | Neste trinnBevar den opprinnelige returnerte operasjons-/oppgave-ID-en, forespørselshodene og svaret; fortsett å lese den opprinnelige operasjonen på de støttede måtene. Ikke send opprettelsesforespørselen på nytt. |
Aliaser
Modellaliaser
Ailoot asr-1.0
Aliaser for metodestier
Bruk metodestiene som vises ovenfor.
Tilknyttede anroper-ID-er
FAQ · asr-1.0
- Hvilke inndata og resultater er tilgjengelige?
POST /v1/audio/transcriptions·asr-1.0:audio→text- Hvilke felt bruker forespørselen?
POST /v1/audio/transcriptions·asr-1.0:model,file,response_format