GPT-4o Transcribe er OpenAIs tale-til-tekst-modell bygget på GPT-4o. Inndataene er lyd med valgfri tekstveiledning, og utdataene er gjenkjent tekst. Den er atskilt fra GPT-4o Mini Transcribe-utgaven og fra GPT-4o Transcribe Diarize, den spesialiserte modellen for talermerking. Bruk profilen til å forberede en trofast tekstgjengivelse av talt materiale, med kildeopptaket tilgjengelig for gjennomgang og senere redaksjonelt arbeid.
OpenAIs transkripsjonsveiledning dokumenterer opplastinger på opptil 25 MB. Den gjeldende endepunktreferansen godtar FLAC, MP3, MP4, MPEG, MPGA, M4A, OGG, WAV og WebM og anbefaler filmetadata som identifiserer formatet, inkludert et filnavn med filendelse og en passende innholdstype. For et større opptak følger komprimering eller ordnede deler på 25 MB eller mindre produsentens veiledning for lengre inndata. Unngå å dele midt i en setning, og behold posisjonen til hver del i hele opptaket.
For et intervju knytter du hver inndatafil til opptaket og passasjen den dekker. For en teknisk presentasjon forbereder du relevante produktnavn, forkortelser og fagord som kontekst, og kontrollerer deretter stavemåtene mot det taleren faktisk sa. For en innspilt forklaring med tallverdier gjennomgår du transkripsjonen sammen med kilden før den gjøres om til en skriftlig prosedyre. Det første ønskede produktet er gjenkjent tale i tekstform; en kortfattet rapport eller et oversatt dokument kan utarbeides fra teksten som et separat trinn.
Produsentens veiledning inkluderer eksplisitt GPT-4o Transcribe i støtten for instruksjoner. En instruksjon kan gi riktige stavemåter, kontekst fra et tidligere segment og ønsker for tegnsetting, store og små bokstaver, fyllord eller et skriftsystem. Referansen sier at den skal samsvare med opptakets språk. En kort, relevant beskrivelse av temaet og ordforrådet gir transkripsjonen nyttig kontekst uten å behandle ord som ikke ble sagt, som påkrevde utdata.
Profilen støtter språkhintet language i entall, dokumentert i ISO 639-1-format. Å oppgi det faktiske inndataspråket kan hjelpe gjenkjenningen. Det nyere keywords-feltet og flertallsfeltet languages tilhører den separat navngitte modellen GPT Transcribe og skal ikke antas å gjelde for GPT-4o Transcribe. Hold språkinnstillingen knyttet til talen som transkriberes, og behold den opprinnelige ordlyden før en senere oversettelse eller stilistisk omskriving.
Den gjeldende endepunktreferansen dokumenterer JSON som det støttede svarformatet for GPT-4o Transcribe. Resultatet inneholder gjenkjent tekst, og valgfrie logaritmiske tokensannsynligheter kan forespørres med dette JSON-formatet. Sannsynlighetsdataene beskriver modellens valg av tokener. De kan gi grunnlag for å velge passasjer som fortjener gjennomgang, men en sammenligning med lyden avgjør om transkripsjonen gjengir et vanskelig navn, tall eller uttrykk.
Standardprofilens JSON-resultat gir ikke innebygde undertekstformater, detaljerte ordtidsstempler eller talertilordninger. OpenAI dokumenterer andre modell- og formatvalg når slike utdata trengs; GPT-4o Transcribe Diarize er den separate utgaven med talermerking. For en tekstingsoppgave beholder du en kontrollert transkripsjon for et passende tidsettingstrinn. For en samtale skal talernavn ikke diktes opp bare fordi et transkripsjonsavsnitt ser ut til å skifte tema eller stemme.
OpenAIs tale-til-tekst-veiledning sier at eksisterende GPT-4o Transcribe-integrasjoner støtter filstrømming. Applikasjonen sender først inn opptaket, mottar deretter transkripsjonstekst mens opptaket behandles, og beholder det fullførte resultatet. Dette strømmer transkripsjonen av et fullført opptak, fremfor å godta mikrofonlyd etter hvert som den kommer inn. Det nøyaktige modellkortet oppgir også transkripsjons- og Realtime-endepunktfamilier; modellspesifikk øktatferd må fortsatt knyttes til denne profilen, fremfor å lånes fra en nyere modell med kontinuerlig strømming.
Den gjeldende GPT-4o Transcribe-spesifikasjonen oppgir et kontekstvindu på 16000 tokener, en maksimal utdatamengde på 2000 tokener og en kunnskapsgrense på 1. juni 2024. Disse tokengrensene er ikke en fast lydvarighet og erstatter ikke forberedelsesreglene for filtranskripsjon. For et lengre opptak beholder du kilderekkefølgen og relevant foregående kontekst og kontrollerer deretter at den ferdige teksten når slutten av hvert tiltenkte segment.
En nyttig ferdig transkripsjon kan bli søkbart intervjumateriale, en kilde til teknisk dokumentasjon eller ordlyden for en senere tekstingsarbeidsflyt. Kontroller usikkert ordforråd, mengder, tegnsetting, aksenter og overlappende tale mot opptaket. Hold gjenkjent tekst atskilt fra senere rettelser eller sammendrag, og behold kildekoblingen gjennom identifikatorer i den omkringliggende arbeidsflyten. Modellen gir en tekstregistrering; nøye forberedelse av inndata og gjennomgang av kilden avgjør om registreringen er egnet for neste bruk.
", "aboutText": "GPT-4o Transcribe er OpenAIs tale-til-tekst-modell bygget på GPT-4o. Inndataene er lyd med valgfri tekstveiledning, og utdataene er gjenkjent tekst. Den er atskilt fra GPT-4o Mini Transcribe-utgaven og fra GPT-4o Transcribe Diarize, den spesialiserte modellen for talermerking. Bruk profilen til å forberede en trofast tekstgjengivelse av talt materiale, med kildeopptaket tilgjengelig for gjennomgang og senere redaksjonelt arbeid.\n\n### Filinndata og forberedelse av langt materiale\n\nOpenAIs transkripsjonsveiledning dokumenterer opplastinger på opptil 25 MB. Den gjeldende endepunktreferansen godtar FLAC, MP3, MP4, MPEG, MPGA, M4A, OGG, WAV og WebM og anbefaler filmetadata som identifiserer formatet, inkludert et filnavn med filendelse og en passende innholdstype. For et større opptak følger komprimering eller ordnede deler på 25 MB eller mindre produsentens veiledning for lengre inndata. Unngå å dele midt i en setning, og behold posisjonen til hver del i hele opptaket.\n\nFor et intervju knytter du hver inndatafil til opptaket og passasjen den dekker. For en teknisk presentasjon forbereder du relevante produktnavn, forkortelser og fagord som kontekst, og kontrollerer deretter stavemåtene mot det taleren faktisk sa. For en innspilt forklaring med tallverdier gjennomgår du transkripsjonen sammen med kilden før den gjøres om til en skriftlig prosedyre. Det første ønskede produktet er gjenkjent tale i tekstform; en kortfattet rapport eller et oversatt dokument kan utarbeides fra teksten som et separat trinn.\n\n### Opptaksspesifikke instruksjoner og språkvalg\n\nProdusentens veiledning inkluderer eksplisitt GPT-4o Transcribe i støtten for instruksjoner. En instruksjon kan gi riktige stavemåter, kontekst fra et tidligere segment og ønsker for tegnsetting, store og små bokstaver, fyllord eller et skriftsystem. Referansen sier at den skal samsvare med opptakets språk. En kort, relevant beskrivelse av temaet og ordforrådet gir transkripsjonen nyttig kontekst uten å behandle ord som ikke ble sagt, som påkrevde utdata.\n\nProfilen støtter språkhintet language i entall, dokumentert i ISO 639-1-format. Å oppgi det faktiske inndataspråket kan hjelpe gjenkjenningen. Det nyere keywords-feltet og flertallsfeltet languages tilhører den separat navngitte modellen GPT Transcribe og skal ikke antas å gjelde for GPT-4o Transcribe. Hold språkinnstillingen knyttet til talen som transkriberes, og behold den opprinnelige ordlyden før en senere oversettelse eller stilistisk omskriving.\n\n### Resultatform, sannsynligheter og spesialiserte utdata\n\nDen gjeldende endepunktreferansen dokumenterer JSON som det støttede svarformatet for GPT-4o Transcribe. Resultatet inneholder gjenkjent tekst, og valgfrie logaritmiske tokensannsynligheter kan forespørres med dette JSON-formatet. Sannsynlighetsdataene beskriver modellens valg av tokener. De kan gi grunnlag for å velge passasjer som fortjener gjennomgang, men en sammenligning med lyden avgjør om transkripsjonen gjengir et vanskelig navn, tall eller uttrykk.\n\nStandardprofilens JSON-resultat gir ikke innebygde undertekstformater, detaljerte ordtidsstempler eller talertilordninger. OpenAI dokumenterer andre modell- og formatvalg når slike utdata trengs; GPT-4o Transcribe Diarize er den separate utgaven med talermerking. For en tekstingsoppgave beholder du en kontrollert transkripsjon for et passende tidsettingstrinn. For en samtale skal talernavn ikke diktes opp bare fordi et transkripsjonsavsnitt ser ut til å skifte tema eller stemme.\n\n### Strømmede resultater fra en fullført fil\n\nOpenAIs tale-til-tekst-veiledning sier at eksisterende GPT-4o Transcribe-integrasjoner støtter filstrømming. Applikasjonen sender først inn opptaket, mottar deretter transkripsjonstekst mens opptaket behandles, og beholder det fullførte resultatet. Dette strømmer transkripsjonen av et fullført opptak, fremfor å godta mikrofonlyd etter hvert som den kommer inn. Det nøyaktige modellkortet oppgir også transkripsjons- og Realtime-endepunktfamilier; modellspesifikk øktatferd må fortsatt knyttes til denne profilen, fremfor å lånes fra en nyere modell med kontinuerlig strømming.\n\n### Modellgrenser og kontroll av sluttproduktet\n\nDen gjeldende GPT-4o Transcribe-spesifikasjonen oppgir et kontekstvindu på 16000 tokener, en maksimal utdatamengde på 2000 tokener og en kunnskapsgrense på 1. juni 2024. Disse tokengrensene er ikke en fast lydvarighet og erstatter ikke forberedelsesreglene for filtranskripsjon. For et lengre opptak beholder du kilderekkefølgen og relevant foregående kontekst og kontrollerer deretter at den ferdige teksten når slutten av hvert tiltenkte segment.\n\nEn nyttig ferdig transkripsjon kan bli søkbart intervjumateriale, en kilde til teknisk dokumentasjon eller ordlyden for en senere tekstingsarbeidsflyt. Kontroller usikkert ordforråd, mengder, tegnsetting, aksenter og overlappende tale mot opptaket. Hold gjenkjent tekst atskilt fra senere rettelser eller sammendrag, og behold kildekoblingen gjennom identifikatorer i den omkringliggende arbeidsflyten. Modellen gir en tekstregistrering; nøye forberedelse av inndata og gjennomgang av kilden avgjør om registreringen er egnet for neste bruk.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "f4109469160b78afb45cefa6299ee6c6ed8ce868958cff44e2b659c4b07a4b5d", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "nb", "methods": [ { "html": "openai/gpt-4o-transcribeGPT-4o Transcribe gjør lyd om til tekst med OpenAIs talegjenkjenningsegenskaper fra GPT-4o. Den støtter kontekstinstruksjoner, et hint om inndataspråket, JSON-transkripsjoner, strømming av filresultater og valgfrie logaritmiske tokensannsynligheter for gjennomgang av usikker ordlyd.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
GPT-4o Transcribe er OpenAIs tale-til-tekst-modell bygget på GPT-4o. Inndataene er lyd med valgfri tekstveiledning, og utdataene er gjenkjent tekst. Den er atskilt fra GPT-4o Mini Transcribe-utgaven og fra GPT-4o Transcribe Diarize, den spesialiserte modellen for talermerking. Bruk profilen til å forberede en trofast tekstgjengivelse av talt materiale, med kildeopptaket tilgjengelig for gjennomgang og senere redaksjonelt arbeid.
OpenAIs transkripsjonsveiledning dokumenterer opplastinger på opptil 25 MB. Den gjeldende endepunktreferansen godtar FLAC, MP3, MP4, MPEG, MPGA, M4A, OGG, WAV og WebM og anbefaler filmetadata som identifiserer formatet, inkludert et filnavn med filendelse og en passende innholdstype. For et større opptak følger komprimering eller ordnede deler på 25 MB eller mindre produsentens veiledning for lengre inndata. Unngå å dele midt i en setning, og behold posisjonen til hver del i hele opptaket.
For et intervju knytter du hver inndatafil til opptaket og passasjen den dekker. For en teknisk presentasjon forbereder du relevante produktnavn, forkortelser og fagord som kontekst, og kontrollerer deretter stavemåtene mot det taleren faktisk sa. For en innspilt forklaring med tallverdier gjennomgår du transkripsjonen sammen med kilden før den gjøres om til en skriftlig prosedyre. Det første ønskede produktet er gjenkjent tale i tekstform; en kortfattet rapport eller et oversatt dokument kan utarbeides fra teksten som et separat trinn.
Produsentens veiledning inkluderer eksplisitt GPT-4o Transcribe i støtten for instruksjoner. En instruksjon kan gi riktige stavemåter, kontekst fra et tidligere segment og ønsker for tegnsetting, store og små bokstaver, fyllord eller et skriftsystem. Referansen sier at den skal samsvare med opptakets språk. En kort, relevant beskrivelse av temaet og ordforrådet gir transkripsjonen nyttig kontekst uten å behandle ord som ikke ble sagt, som påkrevde utdata.
Profilen støtter språkhintet language i entall, dokumentert i ISO 639-1-format. Å oppgi det faktiske inndataspråket kan hjelpe gjenkjenningen. Det nyere keywords-feltet og flertallsfeltet languages tilhører den separat navngitte modellen GPT Transcribe og skal ikke antas å gjelde for GPT-4o Transcribe. Hold språkinnstillingen knyttet til talen som transkriberes, og behold den opprinnelige ordlyden før en senere oversettelse eller stilistisk omskriving.
Den gjeldende endepunktreferansen dokumenterer JSON som det støttede svarformatet for GPT-4o Transcribe. Resultatet inneholder gjenkjent tekst, og valgfrie logaritmiske tokensannsynligheter kan forespørres med dette JSON-formatet. Sannsynlighetsdataene beskriver modellens valg av tokener. De kan gi grunnlag for å velge passasjer som fortjener gjennomgang, men en sammenligning med lyden avgjør om transkripsjonen gjengir et vanskelig navn, tall eller uttrykk.
Standardprofilens JSON-resultat gir ikke innebygde undertekstformater, detaljerte ordtidsstempler eller talertilordninger. OpenAI dokumenterer andre modell- og formatvalg når slike utdata trengs; GPT-4o Transcribe Diarize er den separate utgaven med talermerking. For en tekstingsoppgave beholder du en kontrollert transkripsjon for et passende tidsettingstrinn. For en samtale skal talernavn ikke diktes opp bare fordi et transkripsjonsavsnitt ser ut til å skifte tema eller stemme.
OpenAIs tale-til-tekst-veiledning sier at eksisterende GPT-4o Transcribe-integrasjoner støtter filstrømming. Applikasjonen sender først inn opptaket, mottar deretter transkripsjonstekst mens opptaket behandles, og beholder det fullførte resultatet. Dette strømmer transkripsjonen av et fullført opptak, fremfor å godta mikrofonlyd etter hvert som den kommer inn. Det nøyaktige modellkortet oppgir også transkripsjons- og Realtime-endepunktfamilier; modellspesifikk øktatferd må fortsatt knyttes til denne profilen, fremfor å lånes fra en nyere modell med kontinuerlig strømming.
Den gjeldende GPT-4o Transcribe-spesifikasjonen oppgir et kontekstvindu på 16000 tokener, en maksimal utdatamengde på 2000 tokener og en kunnskapsgrense på 1. juni 2024. Disse tokengrensene er ikke en fast lydvarighet og erstatter ikke forberedelsesreglene for filtranskripsjon. For et lengre opptak beholder du kilderekkefølgen og relevant foregående kontekst og kontrollerer deretter at den ferdige teksten når slutten av hvert tiltenkte segment.
En nyttig ferdig transkripsjon kan bli søkbart intervjumateriale, en kilde til teknisk dokumentasjon eller ordlyden for en senere tekstingsarbeidsflyt. Kontroller usikkert ordforråd, mengder, tegnsetting, aksenter og overlappende tale mot opptaket. Hold gjenkjent tekst atskilt fra senere rettelser eller sammendrag, og behold kildekoblingen gjennom identifikatorer i den omkringliggende arbeidsflyten. Modellen gir en tekstregistrering; nøye forberedelse av inndata og gjennomgang av kilden avgjør om registreringen er egnet for neste bruk.
POST /v1/audio/transcriptionsaudiotext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser openai/gpt-4o-transcribe | Standard— |
Feltinput_audio | Typeobject | KravPåkrevd | Verdier & grenser | Standard— |
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, input_audio |
Parametermaterial_types | Avtaleaudio |
Parametermaterial_conditions | AvtaleEksemplet leser den faktiske PCM WAV-filen din, som må ha innhold, koder alle filens byte som base64 og sender input_audio.format som wav. |
Livssyklus: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · Eksakt task_id fra en eksisterende medieoppføring du eier
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Faktureringsenhet | Kostnad |
|---|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Faktureringsenhet— | 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 |
| Konfigurasjoninndatatoken | Prisplan— | Faktureringsenhet/ 1K tokener | Kostnad Inndata $0.005 / 1K tokener |
| Konfigurasjonutdatatoken | Prisplan— | Faktureringsenhet/ 1K tokener | Kostnad Utdata $0.02 / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_AUDIO_FILE:?Set the path to your actual PCM WAV recording}"\nexport AILOOT_AUDIO_FILE\npython3 - <<'PY_REQUEST'\nimport base64, io, json, os, wave\nfrom pathlib import Path\naudio = Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()\nif not (audio[:4] == b'RIFF' and audio[8:12] == b'WAVE'):\n raise SystemExit('Supply your actual PCM WAV audio file')\nwith wave.open(io.BytesIO(audio), 'rb') as recording:\n if recording.getcomptype() != 'NONE' or recording.getnframes() <= 0:\n raise SystemExit('Supply a nonempty PCM WAV recording')\nrequest = {'model': 'openai/gpt-4o-transcribe', 'input_audio': {'data': base64.b64encode(audio).decode('ascii'), 'format': 'wav'}}\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# Retain the complete original response, headers and actual X-Client-Request-ID.\n# Read existing owned records for recovery; do not resubmit an uncertain operation.\nHele den opprinnelige svarkroppen, statusen og videresendte svarhoder. Denne behandleren legger ikke til noen universell JSON-struktur, noe tekstfelt eller noen oppgaveinnpakning.
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Bevar hele svaret og svarhodene, alle faktiske utdata, de opprinnelige returnerte identifikatorene og alle bruksfeltene. Hent den opprinnelige operasjonen igjen uten å sende opprettelsesforespørselen på nytt.
Behold den faktiske X-Client-Request-ID og hele svaret. Les de opprinnelige ressursene du eier, og deres eksakte signerte innholdsadresser; send aldri en usikker opprettelse på nytt.
| Felt | Type |
|---|---|
Felttext (when present) | Type |
Feltusage (when present) | Type |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårJSON-kroppen eller den eksplisitte kanoniske modell-ID-en er ugyldig. | Neste trinnBehold svaret og korriger det angitte forespørselsfeltet. |
Svar401 · authentication_error | VilkårAiloot API-nøkkelen er ugyldig. | Neste trinnBruk den autoriserte Ailoot API-nøkkelen din. |
Svar403 · permission_error | VilkårNøkkelgruppen gir ikke tilgang til denne metoden. | Neste trinnBehold de returnerte feildetaljene. |
Svar404 · not_found_error | VilkårDen valgte metoden har ingen godkjent rute. | Neste trinnBehold de returnerte feildetaljene. |
Svar422 · price_unavailable | VilkårDen godtatte tariffen kan ikke hente den nødvendige inndatamengden eller grensen. | Neste trinnBehold svaret; bruk inndatarepresentasjonen som den godtatte tariffen krever. |
Svar503 · | VilkårNødvendig lagring, rute, metodepris eller reservasjon er utilgjengelig. | Neste trinnBehold hele det opprinnelige svaret. En usikker reservasjon gir ikke tillatelse til å sende inn på nytt. |
Svar502 · server_error | VilkårDet opprinnelige resultatet, forbruket eller oppgjøret må kontrolleres. | Neste trinnBehold den faktiske forespørsels-ID-en og det opprinnelige svaret. Les den eksisterende oppføringen du eier; ikke send opprettelsen på nytt. |
Ailoot Ultra openai/gpt-4o-transcribe
Bruk metodestiene som vises ovenfor.