{ "aboutHtml": "

Transcribe 1 Pro er Fish Audios tale-til-tekst-modell for korte klipp, samtaler med flere talere og lange opptak. Den mottar innspilt lyd og returnerer en transkripsjon med valgfrie tidsangivelser og strukturerte taleturer. Særtrekkene er talerskifter markert i teksten og signaler om følelser eller vokale hendelser, som bevarer mer av samtalestrukturen i opptaket enn en ren ordsekvens.

For et intervju, møte eller en podkast beholdes hele samtalen i én fil, slik at talere som kommer tilbake, kan beholde konsekvente betegnelser innenfor svaret. Et nyttig gjennomgangsgrunnlag er en transkripsjon knyttet til originalopptaket, med taleturene vist separat og et tidsstempel tilgjengelig for å kontrollere et sitat. Et sammendrag eller en tiltaksliste er et senere applikasjonstrinn: hold det separat fra transkripsjonen slik at den talte kilden fortsatt er tilgjengelig for sammenligning.

Produsenten godtar opptak på opptil 60 minutter og beskriver behandling av lange filer med komprimert lyd som MP3, Opus eller AAC. Støttede formater omfatter WAV, MP3, AAC i M4A eller MP4, FLAC, Ogg med Opus eller Vorbis, WebM/Matroska og MOV. For en videofil brukes det første lydsporet. AIFF, CAF, WMA, AMR, AC-3 og rå PCM uten filhode støttes ikke. Én lydfil leveres per forespørsel; resultatet kommer etter at hele opptaket er transkribert, og et langt opptak kan ta flere minutter. Klipp kortere enn omtrent 0,08 sekunder avvises.

Produsentsvaret inneholder hele teksten, opptakets varighet i sekunder og en segments-liste. Pro markerer talerskifter direkte i teksten med betegnelser som <|speaker:0|> og <|speaker:1|>; en betegnelse gjelder den påfølgende teksten frem til neste markør. Dette er identifikatorer innenfor ett svar, ikke bekreftede navn eller identiteter som kan kobles på tvers av forespørsler. Hvis transkripsjonen ikke har noen talermarkør, behandler veiledningen den som et resultat med én taler. Behold eventuell tekst før den første markøren sammen med den første taleturen fremfor å forkaste den.

Tidsstempler på ordnivå er valgfrie. I produsentforespørselen er ignore_timestamps som standard true; verdien false ber om segmenter med tekst og start- og sluttider i sekunder. Et segment er vanligvis et ord, eller ett eller noen få tegn på kinesisk og japansk. Segmentteksten utelater tegnsetting, talermarkører og hendelsessignaler og kan normalisere en uttalt verdi annerledes enn den fullstendige transkripsjonen. Et ordsegment kan ha samme start- og sluttid. En tom segments-liste kan bety at tidsstempler ikke ble forespurt, at ingen tale ble funnet, eller at tidsangivelse var midlertidig utilgjengelig. Bruk den fullstendige transkripsjonen for lesbar ordlyd og segmentene for tidsmessig tilordning fremfor å anta at begge tekststrengene samsvarer tegn for tegn.

diarize-innstillingen er som standard auto. Når tidsstempler forespørres og diarize ikke er false, returnerer Pro også speaker_turns. Hver taletur inneholder talerbetegnelse, tekst og start-/sluttider, med tegnsetting og bevarte signaler, men uten talermarkøren fra den fullstendige teksten. Hvis tidsangivelse på ordnivå er utilgjengelig, kan taleturtidene være omtrentlige og dekke hele opptaket; tilstøtende taleturer følger ikke nødvendigvis direkte etter hverandre og kan overlappe. Deaktivering av diarize fjerner den strukturerte taleturlisten, men lar talermarkørene stå i hele teksten. Et kjent antall talere, eller minimums- og maksimumsantall, kan veilede taleradskillelsen i lengre opptak etter beste evne. Det nøyaktige antallet kan ikke kombineres med antallsgrensene, og antallshint kan ikke brukes når diarize er deaktivert.

Signaler om følelser og vokale hendelser vises som tekst i hakeparenteser, for eksempel [laughter], sammen med den gjenkjente talen. De er slutninger fra lyden, ikke ord som en bruker må legge til før transkripsjon. Pros tag_audio_events-innstilling er som standard true; deaktivering fjerner disse signalene fra transkripsjonen og taleturteksten uten å endre tidsangivelsene. Det finnes ikke noe separat følelsesfelt eller en fast liste over følelsesverdier. Behold den annoterte transkripsjonen når måten en bemerkning høres ut på er viktig, og bruk en versjon uten signaler når den etterfølgende leveransen bare trenger de talte ordene.

Språket oppdages automatisk. Et valgfritt ISO 639-1-hint med små bokstaver tvinger ikke frem oversettelse og endrer ikke Pros transkripsjon. Hvis språket ikke kan bestemmes, kan den returnerte språkkoden gjenspeile hintet uten å bekrefte det mot lyden. Produsenten rapporterer ett språk, ikke en oversikt over alle språk i et flerspråklig opptak. Behold original ordlyd og språkmetadata sammen når et søkbart arkiv klargjøres, særlig når ulike deler av samtalen skifter språk.

For teksting grupperes påfølgende tidsangitte ord i lesbare SRT- eller WebVTT-tekstblokker fremfor å lage én tekstblokk per ord. Skill blokkene ved pauser, og velg lengde og visningstid som passer avspilleren og publikum. Taleturgrenser kan holde ulike talere i separate tekstblokker. Kontroller om tidsresultatet er tomt, og at slutten på hver blokk er senere enn starten. Tekstformatering, navn for anonyme talerbetegnelser og eventuelle senere sammendrag er applikasjonsprodukter bygget fra transkripsjonsresultatet.

For en praktisk opptaksflyt avgjøres det før transkripsjon om det trengs en vanlig lesbar transkripsjon, annoterte samtaleturer eller tidsangitt teksting. Behold lydidentifikatoren sammen med resultatet, ta vare på den returnerte fullstendige teksten når tegnsetting og signaler er viktige, og bruk de strukturerte tidsfeltene til navigasjon. Pros funksjoner for lange opptak og flere talere er atskilt fra den generelle Transcribe 1-modellen for korte opptak; grensene og kontrollene skal ikke behandles som utbyttbare.

", "aboutText": "Transcribe 1 Pro er Fish Audios tale-til-tekst-modell for korte klipp, samtaler med flere talere og lange opptak. Den mottar innspilt lyd og returnerer en transkripsjon med valgfrie tidsangivelser og strukturerte taleturer. Særtrekkene er talerskifter markert i teksten og signaler om følelser eller vokale hendelser, som bevarer mer av samtalestrukturen i opptaket enn en ren ordsekvens.\n\nFor et intervju, møte eller en podkast beholdes hele samtalen i én fil, slik at talere som kommer tilbake, kan beholde konsekvente betegnelser innenfor svaret. Et nyttig gjennomgangsgrunnlag er en transkripsjon knyttet til originalopptaket, med taleturene vist separat og et tidsstempel tilgjengelig for å kontrollere et sitat. Et sammendrag eller en tiltaksliste er et senere applikasjonstrinn: hold det separat fra transkripsjonen slik at den talte kilden fortsatt er tilgjengelig for sammenligning.\n\nProdusenten godtar opptak på opptil 60 minutter og beskriver behandling av lange filer med komprimert lyd som MP3, Opus eller AAC. Støttede formater omfatter WAV, MP3, AAC i M4A eller MP4, FLAC, Ogg med Opus eller Vorbis, WebM/Matroska og MOV. For en videofil brukes det første lydsporet. AIFF, CAF, WMA, AMR, AC-3 og rå PCM uten filhode støttes ikke. Én lydfil leveres per forespørsel; resultatet kommer etter at hele opptaket er transkribert, og et langt opptak kan ta flere minutter. Klipp kortere enn omtrent 0,08 sekunder avvises.\n\nProdusentsvaret inneholder hele teksten, opptakets varighet i sekunder og en segments-liste. Pro markerer talerskifter direkte i teksten med betegnelser som <|speaker:0|> og <|speaker:1|>; en betegnelse gjelder den påfølgende teksten frem til neste markør. Dette er identifikatorer innenfor ett svar, ikke bekreftede navn eller identiteter som kan kobles på tvers av forespørsler. Hvis transkripsjonen ikke har noen talermarkør, behandler veiledningen den som et resultat med én taler. Behold eventuell tekst før den første markøren sammen med den første taleturen fremfor å forkaste den.\n\nTidsstempler på ordnivå er valgfrie. I produsentforespørselen er ignore_timestamps som standard true; verdien false ber om segmenter med tekst og start- og sluttider i sekunder. Et segment er vanligvis et ord, eller ett eller noen få tegn på kinesisk og japansk. Segmentteksten utelater tegnsetting, talermarkører og hendelsessignaler og kan normalisere en uttalt verdi annerledes enn den fullstendige transkripsjonen. Et ordsegment kan ha samme start- og sluttid. En tom segments-liste kan bety at tidsstempler ikke ble forespurt, at ingen tale ble funnet, eller at tidsangivelse var midlertidig utilgjengelig. Bruk den fullstendige transkripsjonen for lesbar ordlyd og segmentene for tidsmessig tilordning fremfor å anta at begge tekststrengene samsvarer tegn for tegn.\n\ndiarize-innstillingen er som standard auto. Når tidsstempler forespørres og diarize ikke er false, returnerer Pro også speaker_turns. Hver taletur inneholder talerbetegnelse, tekst og start-/sluttider, med tegnsetting og bevarte signaler, men uten talermarkøren fra den fullstendige teksten. Hvis tidsangivelse på ordnivå er utilgjengelig, kan taleturtidene være omtrentlige og dekke hele opptaket; tilstøtende taleturer følger ikke nødvendigvis direkte etter hverandre og kan overlappe. Deaktivering av diarize fjerner den strukturerte taleturlisten, men lar talermarkørene stå i hele teksten. Et kjent antall talere, eller minimums- og maksimumsantall, kan veilede taleradskillelsen i lengre opptak etter beste evne. Det nøyaktige antallet kan ikke kombineres med antallsgrensene, og antallshint kan ikke brukes når diarize er deaktivert.\n\nSignaler om følelser og vokale hendelser vises som tekst i hakeparenteser, for eksempel [laughter], sammen med den gjenkjente talen. De er slutninger fra lyden, ikke ord som en bruker må legge til før transkripsjon. Pros tag_audio_events-innstilling er som standard true; deaktivering fjerner disse signalene fra transkripsjonen og taleturteksten uten å endre tidsangivelsene. Det finnes ikke noe separat følelsesfelt eller en fast liste over følelsesverdier. Behold den annoterte transkripsjonen når måten en bemerkning høres ut på er viktig, og bruk en versjon uten signaler når den etterfølgende leveransen bare trenger de talte ordene.\n\nSpråket oppdages automatisk. Et valgfritt ISO 639-1-hint med små bokstaver tvinger ikke frem oversettelse og endrer ikke Pros transkripsjon. Hvis språket ikke kan bestemmes, kan den returnerte språkkoden gjenspeile hintet uten å bekrefte det mot lyden. Produsenten rapporterer ett språk, ikke en oversikt over alle språk i et flerspråklig opptak. Behold original ordlyd og språkmetadata sammen når et søkbart arkiv klargjøres, særlig når ulike deler av samtalen skifter språk.\n\nFor teksting grupperes påfølgende tidsangitte ord i lesbare SRT- eller WebVTT-tekstblokker fremfor å lage én tekstblokk per ord. Skill blokkene ved pauser, og velg lengde og visningstid som passer avspilleren og publikum. Taleturgrenser kan holde ulike talere i separate tekstblokker. Kontroller om tidsresultatet er tomt, og at slutten på hver blokk er senere enn starten. Tekstformatering, navn for anonyme talerbetegnelser og eventuelle senere sammendrag er applikasjonsprodukter bygget fra transkripsjonsresultatet.\n\nFor en praktisk opptaksflyt avgjøres det før transkripsjon om det trengs en vanlig lesbar transkripsjon, annoterte samtaleturer eller tidsangitt teksting. Behold lydidentifikatoren sammen med resultatet, ta vare på den returnerte fullstendige teksten når tegnsetting og signaler er viktige, og bruk de strukturerte tidsfeltene til navigasjon. Pros funksjoner for lange opptak og flere talere er atskilt fra den generelle Transcribe 1-modellen for korte opptak; grensene og kontrollene skal ikke behandles som utbyttbare.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "a0dff07a772a4a727857b22016a650249f21235fda0ff7c19ca8fd066d1df604", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "nb", "methods": [ { "html": "
•

Fish Audio: Transcribe 1 Pro

Fish Audio /fish-audio/transcribe-1-pro

Start

Transcribe 1 Pro omdanner opptak på opptil 60 minutter til tekst med talermarkører og valgfrie tidsangivelser på ordnivå. Den bevarer markeringer av følelser og vokale hendelser utledet fra lyden, slik at intervjuer, møter og podkaster blir enklere å gjennomgå, søke i eller klargjøre for teksting.

Godkjente inndata
Lyd
Resultater
Tekst
Om modellen

Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.

Transcribe 1 Pro er Fish Audios tale-til-tekst-modell for korte klipp, samtaler med flere talere og lange opptak. Den mottar innspilt lyd og returnerer en transkripsjon med valgfrie tidsangivelser og strukturerte taleturer. Særtrekkene er talerskifter markert i teksten og signaler om følelser eller vokale hendelser, som bevarer mer av samtalestrukturen i opptaket enn en ren ordsekvens.

For et intervju, møte eller en podkast beholdes hele samtalen i én fil, slik at talere som kommer tilbake, kan beholde konsekvente betegnelser innenfor svaret. Et nyttig gjennomgangsgrunnlag er en transkripsjon knyttet til originalopptaket, med taleturene vist separat og et tidsstempel tilgjengelig for å kontrollere et sitat. Et sammendrag eller en tiltaksliste er et senere applikasjonstrinn: hold det separat fra transkripsjonen slik at den talte kilden fortsatt er tilgjengelig for sammenligning.

Produsenten godtar opptak på opptil 60 minutter og beskriver behandling av lange filer med komprimert lyd som MP3, Opus eller AAC. Støttede formater omfatter WAV, MP3, AAC i M4A eller MP4, FLAC, Ogg med Opus eller Vorbis, WebM/Matroska og MOV. For en videofil brukes det første lydsporet. AIFF, CAF, WMA, AMR, AC-3 og rå PCM uten filhode støttes ikke. Én lydfil leveres per forespørsel; resultatet kommer etter at hele opptaket er transkribert, og et langt opptak kan ta flere minutter. Klipp kortere enn omtrent 0,08 sekunder avvises.

Produsentsvaret inneholder hele teksten, opptakets varighet i sekunder og en segments-liste. Pro markerer talerskifter direkte i teksten med betegnelser som <|speaker:0|> og <|speaker:1|>; en betegnelse gjelder den påfølgende teksten frem til neste markør. Dette er identifikatorer innenfor ett svar, ikke bekreftede navn eller identiteter som kan kobles på tvers av forespørsler. Hvis transkripsjonen ikke har noen talermarkør, behandler veiledningen den som et resultat med én taler. Behold eventuell tekst før den første markøren sammen med den første taleturen fremfor å forkaste den.

Tidsstempler på ordnivå er valgfrie. I produsentforespørselen er ignore_timestamps som standard true; verdien false ber om segmenter med tekst og start- og sluttider i sekunder. Et segment er vanligvis et ord, eller ett eller noen få tegn på kinesisk og japansk. Segmentteksten utelater tegnsetting, talermarkører og hendelsessignaler og kan normalisere en uttalt verdi annerledes enn den fullstendige transkripsjonen. Et ordsegment kan ha samme start- og sluttid. En tom segments-liste kan bety at tidsstempler ikke ble forespurt, at ingen tale ble funnet, eller at tidsangivelse var midlertidig utilgjengelig. Bruk den fullstendige transkripsjonen for lesbar ordlyd og segmentene for tidsmessig tilordning fremfor å anta at begge tekststrengene samsvarer tegn for tegn.

diarize-innstillingen er som standard auto. Når tidsstempler forespørres og diarize ikke er false, returnerer Pro også speaker_turns. Hver taletur inneholder talerbetegnelse, tekst og start-/sluttider, med tegnsetting og bevarte signaler, men uten talermarkøren fra den fullstendige teksten. Hvis tidsangivelse på ordnivå er utilgjengelig, kan taleturtidene være omtrentlige og dekke hele opptaket; tilstøtende taleturer følger ikke nødvendigvis direkte etter hverandre og kan overlappe. Deaktivering av diarize fjerner den strukturerte taleturlisten, men lar talermarkørene stå i hele teksten. Et kjent antall talere, eller minimums- og maksimumsantall, kan veilede taleradskillelsen i lengre opptak etter beste evne. Det nøyaktige antallet kan ikke kombineres med antallsgrensene, og antallshint kan ikke brukes når diarize er deaktivert.

Signaler om følelser og vokale hendelser vises som tekst i hakeparenteser, for eksempel [laughter], sammen med den gjenkjente talen. De er slutninger fra lyden, ikke ord som en bruker må legge til før transkripsjon. Pros tag_audio_events-innstilling er som standard true; deaktivering fjerner disse signalene fra transkripsjonen og taleturteksten uten å endre tidsangivelsene. Det finnes ikke noe separat følelsesfelt eller en fast liste over følelsesverdier. Behold den annoterte transkripsjonen når måten en bemerkning høres ut på er viktig, og bruk en versjon uten signaler når den etterfølgende leveransen bare trenger de talte ordene.

Språket oppdages automatisk. Et valgfritt ISO 639-1-hint med små bokstaver tvinger ikke frem oversettelse og endrer ikke Pros transkripsjon. Hvis språket ikke kan bestemmes, kan den returnerte språkkoden gjenspeile hintet uten å bekrefte det mot lyden. Produsenten rapporterer ett språk, ikke en oversikt over alle språk i et flerspråklig opptak. Behold original ordlyd og språkmetadata sammen når et søkbart arkiv klargjøres, særlig når ulike deler av samtalen skifter språk.

For teksting grupperes påfølgende tidsangitte ord i lesbare SRT- eller WebVTT-tekstblokker fremfor å lage én tekstblokk per ord. Skill blokkene ved pauser, og velg lengde og visningstid som passer avspilleren og publikum. Taleturgrenser kan holde ulike talere i separate tekstblokker. Kontroller om tidsresultatet er tomt, og at slutten på hver blokk er senere enn starten. Tekstformatering, navn for anonyme talerbetegnelser og eventuelle senere sammendrag er applikasjonsprodukter bygget fra transkripsjonsresultatet.

For en praktisk opptaksflyt avgjøres det før transkripsjon om det trengs en vanlig lesbar transkripsjon, annoterte samtaleturer eller tidsangitt teksting. Behold lydidentifikatoren sammen med resultatet, ta vare på den returnerte fullstendige teksten når tegnsetting og signaler er viktige, og bruk de strukturerte tidsfeltene til navigasjon. Pros funksjoner for lange opptak og flere talere er atskilt fra den generelle Transcribe 1-modellen for korte opptak; grensene og kontrollene skal ikke behandles som utbyttbare.

Tilgjengelig i Ailoot · inndata & metoder

Ailoot Ultra · Talegjenkjenning POST /v1/audio/transcriptions
Inndatatyper
audio
Utdatatyper
text
Utdataformat
json
FeltTypeKravVerdier & grenserStandard
FeltmodelTypestringKravPåkrevdVerdier & grenser
fish-audio/transcribe-1-pro
Standard—
Feltinput_audioTypeobjectKravPåkrevdVerdier & grenser
Nøyaktige nøkler: data, format
Standard—
Feltinput_audio.dataTypebase64_stringKravPåkrevdVerdier & grenser
Maksimalt antall dekodede byte: 26 214 400
Streng Base64: Ja
Standard—
Feltinput_audio.formatTypestringKravPåkrevdVerdier & grenser
Vilkår: Må være lik formatet som faktisk er påvist ved undersøkelse av filen
Standard—
Feltresponse_formatTypestringKravValgfrittVerdier & grenser
json
Standard—
Kombinasjoner av inngående materialer

speech_to_text · Påkrevd: input_audio.data, input_audio.format

Metodeparametere og livssyklus
ParameterAvtale
Parametercontent_typeAvtaleapplication/json
ParameterrequiredAvtalemodel, input_audio
Parameteradditional_propertiesAvtalefalse
ParameterparametersAvtale{"name":"model","type":"string","required":true,"enum":["fish-audio/transcribe-1-pro"]}, {"name":"input_audio","type":"object","required":true,"exact_keys":["data","format"],"data":"Streng base64-koding av faktiske støttede lydbyte","format":"Eksakt påvist filformat; må samsvare med de faktiske bytene"}, {"name":"response_format","type":"string","required":false,"enum":["json"]}
Parametermax_audio_bytesAvtale26214400
Parametermultipart_for_this_profileAvtalefalse
Parametermaterial_typesAvtaleaudio

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}

Behold hele svaret og de opprinnelige returnerte ID-ene.

Send aldri en opprettelse med ukjent utfall på nytt.

Priser

Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.

Hurtigmodus
Ikke angitt Når hurtigmodus er valgt
Flex-modus
Ikke angitt Når flex-modus er valgt
Maksimal resonneringsinnsats
Ikke angitt Når justeringen «default» brukes for maksimal resonneringsinnsats

Ailoot-satser

Priser etter konfigurasjon

Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.

KonfigurasjonPrisplanFaktureringsenhetKostnad
KonfigurasjonGrunnpriser for tokenerPrisplanGrunnsatsFaktureringsenhet—Kostnad
Inndata · Inngående tokener — / 1K tokener
Utdata · Utgående tokener — / 1K tokener
Inndata · Lesing fra hurtigbuffer — / 1K tokener
Inndata · Skriving til hurtigbuffer — / 1K tokener
Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener
Konfigurasjonlydsekund i inndataPrisplan—Faktureringsenhetper sekund inndatalydKostnad
Inndata · lydsekund i inndata $0.0002 per sekund inndatalyd

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 →

Detaljer om referansetariffen

Referanseprisplaner på modellnivå endrer ikke metodevalg, prisoverslag eller kostnader. Aktive kostnader bruker satsene til den valgte Ailoot-metoden.

Fish Audio: Transcribe 1 Pro

Priser etter konfigurasjon

KonfigurasjonFaktureringsvilkårKostnad
KonfigurasjonFish Audio: Transcribe 1 Pro · StandardkonfigurasjonFaktureringsvilkårStandardkonfigurasjonKostnad
Inndata · Lydsekunder i inndata 0,0002 USD per sekund inndatalyd

Eksempelforespørsler

Ailoot Ultra · Talegjenkjenning

set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_AUDIO_FILE:?Set your actual audio file}"\n: "${AILOOT_AUDIO_FORMAT:?Set its actual probed file format}"\nexport AILOOT_AUDIO_FILE AILOOT_AUDIO_FORMAT\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "fish-audio/transcribe-1-pro", "response_format": "json"}')\nimport base64\nf=Path(os.environ['AILOOT_AUDIO_FILE'])\nraw=f.read_bytes()\nif not raw or len(raw)>26214400:raise SystemExit('Use actual audio bytes within 25 MiB')\nfmt=os.environ['AILOOT_AUDIO_FORMAT'].strip()\nif not fmt:raise SystemExit('Use the actual probed format; the server checks it against the bytes')\np['input_audio']={'data':base64.b64encode(raw).decode(),'format':fmt}\nPath('request.json').write_text(json.dumps(p,ensure_ascii=False))\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 result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path('result.json').read_text())\nprint(json.dumps(r,ensure_ascii=False,indent=2))\nprint('Keep the complete JSON and response headers; do not resubmit an unknown creation.')\nPY_RESULT\n

Motta og lagre resultater

Ailoot Ultra · Talegjenkjenning

json

Behold alle ferdige resultater

Behold alle fullstendige returnerte svar, filer og innholdsdeler.

Behold hele JSON-svaret, svarhodene, teksten og hvert faktisk returnert forbruksfelt. Bruk faktiske oppgave- og ressursidentiteter fra svaret eller biblioteket du eier; operation_id er ikke task_id.

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
FeltTypeBetydning
FelttextTypestringBetydningTranskribert tekst.
FeltusageTypeobjectBetydningLydforbruk.
Feltusage.secondsTypenumberBetydningLydvarighet i sekunder.
FeltdurationTypenumberBetydningLydvarighet i sekunder.
Felttask_idTypestringBetydningOppgave-ID for transkripsjonen; returneres sammen med asset_url når en transkripsjon med innhold er lagret, publisert og tildelt en signert URL til innholdet.
Feltasset_urlTypestringBetydningSignert URL til transkripsjonsinnhold; returneres sammen med task_id når en transkripsjon med innhold er lagret, publisert og tildelt en signert URL til innholdet.
Feil og neste trinn
SvarVilkårNeste trinn
Svar400 · invalid_request_errorVilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdiNeste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel.
Svarserver_errorVilkårDet returnerte svaret angir at operasjonen eller resultatet må kontrolleresNeste 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 Ultra fish-audio/transcribe-1-pro

Aliaser for metodestier

Bruk metodestiene som vises ovenfor.

Tilknyttede anroper-ID-er

fish-audio/transcribe-1-pro

", "method_identity": { "effective_request_model_id": "fish-audio/transcribe-1-pro", "fmt": "transcriptions", "http": "POST", "path": "/v1/audio/transcriptions", "request_model_id": "fish-audio/transcribe-1-pro", "route_label": "Ultra" }, "method_key": "Ultra|transcriptions|/v1/audio/transcriptions|fish-audio%2Ftranscribe-1-pro", "ordinal": 0, "rawMethod": { "available": null, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Keep the complete JSON, response headers, text and every actual returned usage field. Use actual task/asset identities from the response or owned library; operation_id is not task_id.", "errors": [ { "code": null, "condition": "Ugyldige påkrevde felter, materialrepresentasjon eller parameterverdi", "http_status": 400, "recovery": "Korriger de angitte feltene før en ny opprettelsesforespørsel.", "type": "invalid_request_error" }, { "code": null, "condition": "Det returnerte svaret angir at operasjonen eller resultatet må kontrolleres", "http_status": null, "recovery": "Bevar 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.", "type": "server_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "all_results": "Follow everyactualreturnedoutputandownedasset; no result is discardedbecauseindex0orcontent_urlalreadyexists.", "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": "Bevar opprinnelig operation_id/X-Client-Request-ID for avstemming uten ny innsending; det finnes ingen egen rute for å spørre etter lydstatus." }, "limits": { "decoded_audio_max_bytes": 26214400 }, "material_combinations": [ { "content_type": "application/json", "mode": "speech_to_text", "required": [ "input_audio.data", "input_audio.format" ] } ], "media_library": { "asset": { "fields": [ { "description": null, "name": "asset_id", "type": "string" }, { "description": null, "name": "task_id", "type": "string" }, { "description": null, "name": "output_key", "type": "string" }, { "description": null, "name": "family", "type": "string" }, { "description": null, "name": "model", "type": "string" }, { "description": null, "name": "method", "type": "string" }, { "description": null, "name": "status", "type": "string" }, { "description": null, "name": "content_type", "type": "string" }, { "description": null, "name": "sha256", "type": "string" }, { "description": null, "name": "size_bytes", "type": "integer" }, { "description": null, "name": "content_url", "type": "string" } ], "http": "GET", "id_source": "actual returned asset_id", "path": "/v1/media/assets/{asset_id}" }, "content": { "http": "GET", "path": "/v1/media/assets/{asset_id}/content", "range_header_supported": true, "url_source": "Use exact returned signed content_url including its token; do not construct a token." }, "expired_link": { "code": "link_expired", "http_status": 404, "recovery": "Read the asset again to obtain its refreshed signed content_url, then fetch that URL. Do not regenerate." }, "list": { "all_pages": "Follow every returned next_cursor, then select records by their actual task_id/output_key.", "http": "GET", "output_fields": [ { "description": null, "name": "object", "type": "string" }, { "description": null, "name": "data", "type": "asset[]" }, { "description": null, "name": "next_cursor", "type": "string|null" } ], "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "family", "required": false, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "cursor", "required": false, "type": "string" }, { "availability": "source_interface", "default": 20, "default_known": true, "enum": null, "enum_known": false, "maximum": 100, "minimum": 1, "name": "limit", "required": false, "type": "integer" } ], "path": "/v1/media/assets" }, "revoke": { "http": "DELETE", "meaning": "Revokes/deletes the existing owned file; this is not generation cancellation.", "path": "/v1/media/assets/{asset_id}", "pending_status": "revoking", "success_statuses": [ 202, 204 ] }, "task": { "http": "GET", "id_source": "actual returned task_id or media library record; operation_id is not task_id", "path": "/v1/media/tasks/{task_id}" } }, "operation_modes": [ "speech_to_text" ], "outputs": { "all_results": "Behold hele JSON-svaret, svarhodene, teksten og hvert faktisk returnert forbruksfelt. Bruk faktiske oppgave- og ressursidentiteter fra svaret eller biblioteket du eier; operation_id er ikke task_id.", "family": "transcription", "fields": [ { "description": "Transkribert tekst.", "name": "text", "required": true, "required_known": true, "type": "string" }, { "description": "Lydforbruk.", "name": "usage", "required": true, "required_known": true, "type": "object" }, { "description": "Lydvarighet i sekunder.", "name": "usage.seconds", "required": true, "required_known": true, "type": "number" }, { "description": "Lydvarighet i sekunder.", "name": "duration", "required": true, "required_known": true, "type": "number" }, { "description": "Oppgave-ID for transkripsjonen; returneres sammen med asset_url når en transkripsjon med innhold er lagret, publisert og tildelt en signert URL til innholdet.", "name": "task_id", "required": false, "required_known": true, "type": "string" }, { "description": "Signert URL til transkripsjonsinnhold; returneres sammen med task_id når en transkripsjon med innhold er lagret, publisert og tildelt en signert URL til innholdet.", "name": "asset_url", "required": false, "required_known": true, "type": "string" } ], "format": "json" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "fish-audio/transcribe-1-pro" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "exact_keys": [ "data", "format" ], "name": "input_audio", "required": true, "type": "object" }, { "availability": "source_interface", "decoded_maximum_bytes": 26214400, "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "input_audio.data", "required": true, "strict_base64": true, "type": "base64_string" }, { "availability": "source_interface", "conditions": "Må være lik formatet som faktisk er påvist ved undersøkelse av filen", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "input_audio.format", "required": true, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "json" ], "enum_known": true, "name": "response_format", "required": false, "type": "string" } ], "profile_binding": "Exact existing Ailoot model and method; interface constraints below do not assert provider qualification.", "unsupported": [ "multipart input on this exact profile", "fields outside model/input_audio/response_format", "non-json response format" ] }, "hints": [ "Behold hele svaret og de opprinnelige returnerte ID-ene.", "Send aldri en opprettelse med ukjent utfall på nytt." ], "input": { "additional_properties": false, "content_type": "application/json", "material_types": [ "audio" ], "max_audio_bytes": 26214400, "multipart_for_this_profile": false, "parameters": [ { "enum": [ "fish-audio/transcribe-1-pro" ], "name": "model", "required": true, "type": "string" }, { "data": "Streng base64-koding av faktiske støttede lydbyte", "exact_keys": [ "data", "format" ], "format": "Eksakt påvist filformat; må samsvare med de faktiske bytene", "name": "input_audio", "required": true, "type": "object" }, { "enum": [ "json" ], "name": "response_format", "required": false, "type": "string" } ], "required": [ "model", "input_audio" ] }, "lifecycle": { "all_results": "Follow everyactualreturnedoutputandownedasset; no result is discardedbecauseindex0orcontent_urlalreadyexists.", "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": "faktisk returnert task_id eller oppføring i mediebiblioteket", "path": "/v1/media/tasks/{task_id}" } ], "unknown": "Retain original operation_id/X-Client-Request-ID for reconciliation without resubmission; no dedicated audio poll route." }, "method": { "http": "POST", "path": "/v1/audio/transcriptions" }, "method_aliases": [], "operation_modes": [ "speech_to_text" ], "output": { "family": "text", "type": "JSON transcript with text and usage; actual owned transcript flow" } }, "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": { "quoted_unit": "per input audio second" }, "label": "input audio second", "units": [ { "amount": "0.0002", "amount_unit": "usd_per_exact_native_unit", "billing_input": true, "estimate_only": false, "key": "audio_input_second", "label": "input audio second", "native_amount_usd_per_unit": "0.0002", "native_quantity": 1, "public_unit_label": "per input audio 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 your actual audio file}\"\n: \"${AILOOT_AUDIO_FORMAT:?Set its actual probed file format}\"\nexport AILOOT_AUDIO_FILE AILOOT_AUDIO_FORMAT\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{\"model\": \"fish-audio/transcribe-1-pro\", \"response_format\": \"json\"}')\nimport base64\nf=Path(os.environ['AILOOT_AUDIO_FILE'])\nraw=f.read_bytes()\nif not raw or len(raw)>26214400:raise SystemExit('Use actual audio bytes within 25 MiB')\nfmt=os.environ['AILOOT_AUDIO_FORMAT'].strip()\nif not fmt:raise SystemExit('Use the actual probed format; the server checks it against the bytes')\np['input_audio']={'data':base64.b64encode(raw).decode(),'format':fmt}\nPath('request.json').write_text(json.dumps(p,ensure_ascii=False))\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 result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path('result.json').read_text())\nprint(json.dumps(r,ensure_ascii=False,indent=2))\nprint('Keep the complete JSON and response headers; do not resubmit an unknown creation.')\nPY_RESULT\n", "label": "curl · actual audio bytes and probed format", "language": "bash" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "transcriptions", "hints": [ "Keep the complete response and the original returned IDs.", "Never resubmit an unknown creation." ], "http": "POST", "in": null, "input": [ "audio" ], "label": "Распознавание речи", "max_out": null, "max_reasoning_effort_multiplier": null, "method_aliases": [], "out": null, "output": [ "text" ], "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": 0.0002 } }, "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": { "quoted_unit": "per input audio second" }, "label": "input audio second", "units": [ { "amount": "0.0002", "amount_unit": "usd_per_exact_native_unit", "billing_input": true, "estimate_only": false, "key": "audio_input_second", "label": "input audio second", "native_amount_usd_per_unit": "0.0002", "native_quantity": 1, "public_unit_label": "per input audio second", "quantity": 1, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_second" } ] } ], "request_model_id": "fish-audio/transcribe-1-pro", "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": "0.0002", "amount_unit": "usd_per_exact_native_unit", "billing_input": true, "estimate_only": false, "key": "audio_input_second", "label": "input audio second", "native_amount_usd_per_unit": "0.0002", "native_quantity": 1, "public_unit_label": "per input audio second", "quantity": 1, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_second" } ] } } ], "model_id": "fish-audio/transcribe-1-pro", "nativeProvenance": { "input_facts_canonical_sha256": "07a006e326ef1994ba113e9c997bd7aa3fabbd7634ce62e4cbdc052bc1d9a305", "input_html_sha256": "44a70a0e762e2e8512199d75fa038da8d6db90d1d6713ec5a2129677c1d0c89d", "private_audit_sha256": "3c0f5928db6ee620af765c2a353854756c771826cb27d2f7227ef805759d4e9f", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/nb/fish-audio-transcribe-1-pro/", "description": "Transcribe 1 Pro omdanner opptak på opptil 60 minutter til tekst med talermarkører og valgfrie tidsangivelser på ordnivå. Den bevarer markeringer av følelser og vokale hendelser utledet fra lyden, slik at intervjuer, møter og podkaster blir enklere å gjennomgå, søke i eller klargjøre for teksting.", "locale": "nb", "md_url": "https://ailoot.ai/models/nb/fish-audio-transcribe-1-pro/index.md", "title": "Fish Audio: Transcribe 1 Pro — Ailoot", "url": "https://ailoot.ai/models/nb/fish-audio-transcribe-1-pro/" }, "rawModel": { "about": "Transcribe 1 Pro er Fish Audios tale-til-tekst-modell for korte klipp, samtaler med flere talere og lange opptak. Den mottar innspilt lyd og returnerer en transkripsjon med valgfrie tidsangivelser og strukturerte taleturer. Særtrekkene er talerskifter markert i teksten og signaler om følelser eller vokale hendelser, som bevarer mer av samtalestrukturen i opptaket enn en ren ordsekvens.\n\nFor et intervju, møte eller en podkast beholdes hele samtalen i én fil, slik at talere som kommer tilbake, kan beholde konsekvente betegnelser innenfor svaret. Et nyttig gjennomgangsgrunnlag er en transkripsjon knyttet til originalopptaket, med taleturene vist separat og et tidsstempel tilgjengelig for å kontrollere et sitat. Et sammendrag eller en tiltaksliste er et senere applikasjonstrinn: hold det separat fra transkripsjonen slik at den talte kilden fortsatt er tilgjengelig for sammenligning.\n\nProdusenten godtar opptak på opptil 60 minutter og beskriver behandling av lange filer med komprimert lyd som MP3, Opus eller AAC. Støttede formater omfatter WAV, MP3, AAC i M4A eller MP4, FLAC, Ogg med Opus eller Vorbis, WebM/Matroska og MOV. For en videofil brukes det første lydsporet. AIFF, CAF, WMA, AMR, AC-3 og rå PCM uten filhode støttes ikke. Én lydfil leveres per forespørsel; resultatet kommer etter at hele opptaket er transkribert, og et langt opptak kan ta flere minutter. Klipp kortere enn omtrent 0,08 sekunder avvises.\n\nProdusentsvaret inneholder hele teksten, opptakets varighet i sekunder og en segments-liste. Pro markerer talerskifter direkte i teksten med betegnelser som <|speaker:0|> og <|speaker:1|>; en betegnelse gjelder den påfølgende teksten frem til neste markør. Dette er identifikatorer innenfor ett svar, ikke bekreftede navn eller identiteter som kan kobles på tvers av forespørsler. Hvis transkripsjonen ikke har noen talermarkør, behandler veiledningen den som et resultat med én taler. Behold eventuell tekst før den første markøren sammen med den første taleturen fremfor å forkaste den.\n\nTidsstempler på ordnivå er valgfrie. I produsentforespørselen er ignore_timestamps som standard true; verdien false ber om segmenter med tekst og start- og sluttider i sekunder. Et segment er vanligvis et ord, eller ett eller noen få tegn på kinesisk og japansk. Segmentteksten utelater tegnsetting, talermarkører og hendelsessignaler og kan normalisere en uttalt verdi annerledes enn den fullstendige transkripsjonen. Et ordsegment kan ha samme start- og sluttid. En tom segments-liste kan bety at tidsstempler ikke ble forespurt, at ingen tale ble funnet, eller at tidsangivelse var midlertidig utilgjengelig. Bruk den fullstendige transkripsjonen for lesbar ordlyd og segmentene for tidsmessig tilordning fremfor å anta at begge tekststrengene samsvarer tegn for tegn.\n\ndiarize-innstillingen er som standard auto. Når tidsstempler forespørres og diarize ikke er false, returnerer Pro også speaker_turns. Hver taletur inneholder talerbetegnelse, tekst og start-/sluttider, med tegnsetting og bevarte signaler, men uten talermarkøren fra den fullstendige teksten. Hvis tidsangivelse på ordnivå er utilgjengelig, kan taleturtidene være omtrentlige og dekke hele opptaket; tilstøtende taleturer følger ikke nødvendigvis direkte etter hverandre og kan overlappe. Deaktivering av diarize fjerner den strukturerte taleturlisten, men lar talermarkørene stå i hele teksten. Et kjent antall talere, eller minimums- og maksimumsantall, kan veilede taleradskillelsen i lengre opptak etter beste evne. Det nøyaktige antallet kan ikke kombineres med antallsgrensene, og antallshint kan ikke brukes når diarize er deaktivert.\n\nSignaler om følelser og vokale hendelser vises som tekst i hakeparenteser, for eksempel [laughter], sammen med den gjenkjente talen. De er slutninger fra lyden, ikke ord som en bruker må legge til før transkripsjon. Pros tag_audio_events-innstilling er som standard true; deaktivering fjerner disse signalene fra transkripsjonen og taleturteksten uten å endre tidsangivelsene. Det finnes ikke noe separat følelsesfelt eller en fast liste over følelsesverdier. Behold den annoterte transkripsjonen når måten en bemerkning høres ut på er viktig, og bruk en versjon uten signaler når den etterfølgende leveransen bare trenger de talte ordene.\n\nSpråket oppdages automatisk. Et valgfritt ISO 639-1-hint med små bokstaver tvinger ikke frem oversettelse og endrer ikke Pros transkripsjon. Hvis språket ikke kan bestemmes, kan den returnerte språkkoden gjenspeile hintet uten å bekrefte det mot lyden. Produsenten rapporterer ett språk, ikke en oversikt over alle språk i et flerspråklig opptak. Behold original ordlyd og språkmetadata sammen når et søkbart arkiv klargjøres, særlig når ulike deler av samtalen skifter språk.\n\nFor teksting grupperes påfølgende tidsangitte ord i lesbare SRT- eller WebVTT-tekstblokker fremfor å lage én tekstblokk per ord. Skill blokkene ved pauser, og velg lengde og visningstid som passer avspilleren og publikum. Taleturgrenser kan holde ulike talere i separate tekstblokker. Kontroller om tidsresultatet er tomt, og at slutten på hver blokk er senere enn starten. Tekstformatering, navn for anonyme talerbetegnelser og eventuelle senere sammendrag er applikasjonsprodukter bygget fra transkripsjonsresultatet.\n\nFor en praktisk opptaksflyt avgjøres det før transkripsjon om det trengs en vanlig lesbar transkripsjon, annoterte samtaleturer eller tidsangitt teksting. Behold lydidentifikatoren sammen med resultatet, ta vare på den returnerte fullstendige teksten når tegnsetting og signaler er viktige, og bruk de strukturerte tidsfeltene til navigasjon. Pros funksjoner for lange opptak og flere talere er atskilt fra den generelle Transcribe 1-modellen for korte opptak; grensene og kontrollene skal ikke behandles som utbyttbare.", "alias_of": null, "aliases": [], "author": "Fish Audio", "available": null, "canonical_model": "fish-audio/transcribe-1-pro", "capabilities": { "context_length": 0, "manufacturer_input": [ "audio" ], "manufacturer_output": [ "transcription" ] }, "card_routes": [ { "label": "Ultra", "rates": [ { "amount": "0.0002", "amount_unit": "usd_per_exact_native_unit", "billing_input": true, "estimate_only": false, "key": "audio_input_second", "label": "input audio second", "native_amount_usd_per_unit": "0.0002", "native_quantity": 1, "public_unit_label": "per input audio second", "quantity": 1, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_second" } ], "summary": "Fullstendige priser for konfigurasjonen finnes i detaljene." } ], "ctx": null, "declared_tariff_references": [ { "client_selectable": false, "key": "aeebfac63d7ddd8619fb", "label": "Fish Audio: Transcribe 1 Pro", "profiles": [ { "basis": "", "dimensions": { "conditions": "Standardkonfigurasjon" }, "label": "Fish Audio: Transcribe 1 Pro · Standardkonfigurasjon", "units": [ { "amount": "0.0002", "amount_unit": "usd_per_exact_physical_unit", "billing_input": false, "key": "0949942d98ce2e4c35b418d6", "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": "fish-audio/transcribe-1-pro", "input": [ "audio" ], "kind": "transcription", "max_out": null, "methods": [ { "available": null, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Keep the complete JSON, response headers, text and every actual returned usage field. Use actual task/asset identities from the response or owned library; operation_id is not task_id.", "errors": [ { "code": null, "condition": "Ugyldige påkrevde felter, materialrepresentasjon eller parameterverdi", "http_status": 400, "recovery": "Korriger de angitte feltene før en ny opprettelsesforespørsel.", "type": "invalid_request_error" }, { "code": null, "condition": "Det returnerte svaret angir at operasjonen eller resultatet må kontrolleres", "http_status": null, "recovery": "Bevar 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.", "type": "server_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "all_results": "Follow everyactualreturnedoutputandownedasset; no result is discardedbecauseindex0orcontent_urlalreadyexists.", "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": "Bevar opprinnelig operation_id/X-Client-Request-ID for avstemming uten ny innsending; det finnes ingen egen rute for å spørre etter lydstatus." }, "limits": { "decoded_audio_max_bytes": 26214400 }, "material_combinations": [ { "content_type": "application/json", "mode": "speech_to_text", "required": [ "input_audio.data", "input_audio.format" ] } ], "media_library": { "asset": { "fields": [ { "description": null, "name": "asset_id", "type": "string" }, { "description": null, "name": "task_id", "type": "string" }, { "description": null, "name": "output_key", "type": "string" }, { "description": null, "name": "family", "type": "string" }, { "description": null, "name": "model", "type": "string" }, { "description": null, "name": "method", "type": "string" }, { "description": null, "name": "status", "type": "string" }, { "description": null, "name": "content_type", "type": "string" }, { "description": null, "name": "sha256", "type": "string" }, { "description": null, "name": "size_bytes", "type": "integer" }, { "description": null, "name": "content_url", "type": "string" } ], "http": "GET", "id_source": "actual returned asset_id", "path": "/v1/media/assets/{asset_id}" }, "content": { "http": "GET", "path": "/v1/media/assets/{asset_id}/content", "range_header_supported": true, "url_source": "Use exact returned signed content_url including its token; do not construct a token." }, "expired_link": { "code": "link_expired", "http_status": 404, "recovery": "Read the asset again to obtain its refreshed signed content_url, then fetch that URL. Do not regenerate." }, "list": { "all_pages": "Follow every returned next_cursor, then select records by their actual task_id/output_key.", "http": "GET", "output_fields": [ { "description": null, "name": "object", "type": "string" }, { "description": null, "name": "data", "type": "asset[]" }, { "description": null, "name": "next_cursor", "type": "string|null" } ], "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "family", "required": false, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "cursor", "required": false, "type": "string" }, { "availability": "source_interface", "default": 20, "default_known": true, "enum": null, "enum_known": false, "maximum": 100, "minimum": 1, "name": "limit", "required": false, "type": "integer" } ], "path": "/v1/media/assets" }, "revoke": { "http": "DELETE", "meaning": "Revokes/deletes the existing owned file; this is not generation cancellation.", "path": "/v1/media/assets/{asset_id}", "pending_status": "revoking", "success_statuses": [ 202, 204 ] }, "task": { "http": "GET", "id_source": "actual returned task_id or media library record; operation_id is not task_id", "path": "/v1/media/tasks/{task_id}" } }, "operation_modes": [ "speech_to_text" ], "outputs": { "all_results": "Behold hele JSON-svaret, svarhodene, teksten og hvert faktisk returnert forbruksfelt. Bruk faktiske oppgave- og ressursidentiteter fra svaret eller biblioteket du eier; operation_id er ikke task_id.", "family": "transcription", "fields": [ { "description": "Transkribert tekst.", "name": "text", "required": true, "required_known": true, "type": "string" }, { "description": "Lydforbruk.", "name": "usage", "required": true, "required_known": true, "type": "object" }, { "description": "Lydvarighet i sekunder.", "name": "usage.seconds", "required": true, "required_known": true, "type": "number" }, { "description": "Lydvarighet i sekunder.", "name": "duration", "required": true, "required_known": true, "type": "number" }, { "description": "Oppgave-ID for transkripsjonen; returneres sammen med asset_url når en transkripsjon med innhold er lagret, publisert og tildelt en signert URL til innholdet.", "name": "task_id", "required": false, "required_known": true, "type": "string" }, { "description": "Signert URL til transkripsjonsinnhold; returneres sammen med task_id når en transkripsjon med innhold er lagret, publisert og tildelt en signert URL til innholdet.", "name": "asset_url", "required": false, "required_known": true, "type": "string" } ], "format": "json" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "fish-audio/transcribe-1-pro" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "exact_keys": [ "data", "format" ], "name": "input_audio", "required": true, "type": "object" }, { "availability": "source_interface", "decoded_maximum_bytes": 26214400, "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "input_audio.data", "required": true, "strict_base64": true, "type": "base64_string" }, { "availability": "source_interface", "conditions": "Må være lik formatet som faktisk er påvist ved undersøkelse av filen", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "input_audio.format", "required": true, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "json" ], "enum_known": true, "name": "response_format", "required": false, "type": "string" } ], "profile_binding": "Exact existing Ailoot model and method; interface constraints below do not assert provider qualification.", "unsupported": [ "multipart input on this exact profile", "fields outside model/input_audio/response_format", "non-json response format" ] }, "hints": [ "Behold hele svaret og de opprinnelige returnerte ID-ene.", "Send aldri en opprettelse med ukjent utfall på nytt." ], "input": { "additional_properties": false, "content_type": "application/json", "material_types": [ "audio" ], "max_audio_bytes": 26214400, "multipart_for_this_profile": false, "parameters": [ { "enum": [ "fish-audio/transcribe-1-pro" ], "name": "model", "required": true, "type": "string" }, { "data": "Streng base64-koding av faktiske støttede lydbyte", "exact_keys": [ "data", "format" ], "format": "Eksakt påvist filformat; må samsvare med de faktiske bytene", "name": "input_audio", "required": true, "type": "object" }, { "enum": [ "json" ], "name": "response_format", "required": false, "type": "string" } ], "required": [ "model", "input_audio" ] }, "lifecycle": { "all_results": "Follow everyactualreturnedoutputandownedasset; no result is discardedbecauseindex0orcontent_urlalreadyexists.", "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": "faktisk returnert task_id eller oppføring i mediebiblioteket", "path": "/v1/media/tasks/{task_id}" } ], "unknown": "Retain original operation_id/X-Client-Request-ID for reconciliation without resubmission; no dedicated audio poll route." }, "method": { "http": "POST", "path": "/v1/audio/transcriptions" }, "method_aliases": [], "operation_modes": [ "speech_to_text" ], "output": { "family": "text", "type": "JSON transcript with text and usage; actual owned transcript flow" } }, "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": { "quoted_unit": "per input audio second" }, "label": "input audio second", "units": [ { "amount": "0.0002", "amount_unit": "usd_per_exact_native_unit", "billing_input": true, "estimate_only": false, "key": "audio_input_second", "label": "input audio second", "native_amount_usd_per_unit": "0.0002", "native_quantity": 1, "public_unit_label": "per input audio 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: \"${AILOOT_AUDIO_FILE:?Set your actual audio file}\"\n: \"${AILOOT_AUDIO_FORMAT:?Set its actual probed file format}\"\nexport AILOOT_AUDIO_FILE AILOOT_AUDIO_FORMAT\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{\"model\": \"fish-audio/transcribe-1-pro\", \"response_format\": \"json\"}')\nimport base64\nf=Path(os.environ['AILOOT_AUDIO_FILE'])\nraw=f.read_bytes()\nif not raw or len(raw)>26214400:raise SystemExit('Use actual audio bytes within 25 MiB')\nfmt=os.environ['AILOOT_AUDIO_FORMAT'].strip()\nif not fmt:raise SystemExit('Use the actual probed format; the server checks it against the bytes')\np['input_audio']={'data':base64.b64encode(raw).decode(),'format':fmt}\nPath('request.json').write_text(json.dumps(p,ensure_ascii=False))\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 result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path('result.json').read_text())\nprint(json.dumps(r,ensure_ascii=False,indent=2))\nprint('Keep the complete JSON and response headers; do not resubmit an unknown creation.')\nPY_RESULT\n", "label": "curl · actual audio bytes and probed format", "language": "bash" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "transcriptions", "hints": [ "Keep the complete response and the original returned IDs.", "Never resubmit an unknown creation." ], "http": "POST", "in": null, "input": [ "audio" ], "label": "Распознавание речи", "max_out": null, "max_reasoning_effort_multiplier": null, "method_aliases": [], "out": null, "output": [ "text" ], "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": 0.0002 } }, "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": { "quoted_unit": "per input audio second" }, "label": "input audio second", "units": [ { "amount": "0.0002", "amount_unit": "usd_per_exact_native_unit", "billing_input": true, "estimate_only": false, "key": "audio_input_second", "label": "input audio second", "native_amount_usd_per_unit": "0.0002", "native_quantity": 1, "public_unit_label": "per input audio second", "quantity": 1, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_second" } ] } ], "request_model_id": "fish-audio/transcribe-1-pro", "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": "0.0002", "amount_unit": "usd_per_exact_native_unit", "billing_input": true, "estimate_only": false, "key": "audio_input_second", "label": "input audio second", "native_amount_usd_per_unit": "0.0002", "native_quantity": 1, "public_unit_label": "per input audio second", "quantity": 1, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_second" } ] } ], "model_aliases": [ { "canonical_model_id": "fish-audio/transcribe-1-pro", "request_model_id": "fish-audio/transcribe-1-pro", "route_label": "Ultra" } ], "name": "Fish Audio: Transcribe 1 Pro", "price": { "in": null, "in_label": null, "out": null, "out_label": null, "sort_in": null, "sort_out": null, "varies": true }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Ultra", "units": [ { "amount": "0.0002", "amount_unit": "usd_per_declared_unit", "conditions": {}, "key": "prompt", "label": "prompt", "quantity": "1", "rate_role": "typed_active_maker_rate", "side": "in", "unit": "input_audio_second" } ] } ], "public_id": "fish-audio/transcribe-1-pro", "short": "Transcribe 1 Pro omdanner opptak på opptil 60 minutter til tekst med talermarkører og valgfrie tidsangivelser på ordnivå. Den bevarer markeringer av følelser og vokale hendelser utledet fra lyden, slik at intervjuer, møter og podkaster blir enklere å gjennomgå, søke i eller klargjøre for teksting." }, "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": "Transcribe 1 Pro omdanner opptak på opptil 60 minutter til tekst med talermarkører og valgfrie tidsangivelser på ordnivå. Den bevarer markeringer av følelser og vokale hendelser utledet fra lyden, slik at intervjuer, møter og podkaster blir enklere å gjennomgå, søke i eller klargjøre for teksting.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "66e331041bcb93b27f32069d1bf8632294884fc3235e3b62e55bdc4d8ce9c3a4", "renderer_sha256": "c8cb5a92c10b47373d294dee7465d66796cd4710c6626fd81459dc0625fc6d26" }, "sourceRevision": "613d7141baeca3f10f05ffac5ea2bd6edad4a696b70fed3a3620564eb4fd1d23" }