asr-1.0
MiniMax ASR 1.0 zamienia dźwięk w tekst, obsługuje język rosyjski, rozdzielanie wypowiedzi według mówców i znaczniki czasu.
O modelu
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Nagranie rozmowy w postaci tekstu
MiniMax ASR 1.0 rozpoznaje mowę w pliku dźwiękowym. Producent opisuje zastosowania do spotkań, wywiadów, podcastów, ścieżek dźwiękowych wideo, kontroli treści i analizy rozmów. Model jest dostrojony do mowy potocznej, szumu i słownictwa zawodowego, z naciskiem na ograniczanie zmyślonych fragmentów. W tej karcie Ailoot wejściem jest dźwięk, a wynikiem — tekst.
Język i kilku uczestników
Obsługiwane są rosyjski i ukraiński, angielski, francuski, niemiecki, hiszpański, włoski, portugalski i polski; także chiński, kantoński, japoński, koreański, tajski, wietnamski, indonezyjski, malajski, filipiński, arabski i turecki. Jeśli język nie zostanie podany, model automatycznie identyfikuje język główny; producent osobno opisuje połączenie mowy chińskiej i angielskiej.
W rozszerzonej postaci wyniku model może rozróżniać mówców i wiązać wypowiedzi z czasem. Zwracane są w niej ogólna liczba uczestników i segmenty z oznaczeniem mówcy, początkiem, końcem i tekstem. Pomaga to ustalić, kto i kiedy wypowiedział konkretną kwestię, bez mieszania wypowiedzi różnych uczestników.
Postać wyniku
Producent przewiduje zwykły JSON z tekstem i czasem trwania, rozszerzony verbose_json oraz napisy SRT i WebVTT. Znaczniki czasu domyślnie stosują poziom zdania lub segmentu. Znaczniki poszczególnych słów opisano dla angielskiego, a poszczególnych znaków — dla chińskiego; dotyczą one formatów z wyrównaniem czasowym.
Możliwe jest stopniowe zwracanie tekstu, lecz nie można go łączyć z rozróżnianiem mówców i formatami napisów. Tryb ten zwraca nowe fragmenty rozpoznanego tekstu w miarę przetwarzania już przekazanego pliku. Jest to strumień wyniku, a nie ciągłe przesyłanie dźwięku z mikrofonu.
Wymagania dotyczące nagrania
Deklarowane formaty wejściowe to WAV, AIFF, FLAC, ALAC w kontenerze M4A, MP3, AAC, Opus i Ogg. Plik musi zawierać najwyżej 500 sekund dźwięku i zajmować najwyżej 50 MB. Przekroczenie czasu trwania powoduje odrzucenie, a nie niezauważalne przycięcie. Surowy PCM bez kontenera nie jest obsługiwany.
Do przygotowania nagrania producent zaleca mono 16 kHz lub skompresowany format dźwiękowy: wysoka częstotliwość i stereo nie są potrzebne do rozpoznawania i zwiększają rozmiar pliku. Możliwości rozszerzonego wyjścia i przetwarzania strumieniowego dotyczą ASR 1.0; dostępny format odpowiedzi konkretnego żądania określają narzędzia Ailoot.
Ailoot · Rozpoznawanie mowy POST /v1/audio/transcriptions asr-1.0
asr-1.0Start
MiniMax ASR 1.0 zamienia dźwięk w tekst, obsługuje język rosyjski, rozdzielanie wypowiedzi według mówców i znaczniki czasu.
- Akceptowane dane wejściowe
- Audio
- Wyniki
- Tekst
Dostępne w Ailoot · dane wejściowe i metody
Ailoot · Rozpoznawanie mowy POST /v1/audio/transcriptions
- Wejście
audio- Wyjście
text- Format wyjściowy
- json
| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity asr-1.0 | Domyślnie— |
Polefile | Typfile | WymaganieWymagane | Wartości i limity Maksymalna liczba bajtów: 52 428 800 Formaty plików: wav, mp3, m4a, ogg, webm, flac Typ treści: multipart/form-data Maksymalny czas trwania (bez wartości granicznej), sekundy: 500 | Domyślnie— |
Poleresponse_format | Typstring | WymaganieOpcjonalne | Wartości i limity json | Domyślnie— |
Kombinacje materiałów wejściowych
speech_to_text · Wymagane: actual audio file
Parametry i cykl życia metody
| Parametr | Kontrakt |
|---|---|
Parametrmaterial_types | Kontraktaudio |
Parametrrequired | Kontraktnull |
Parametroptional_controls | Kontraktnull |
Cykl życia: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · Rzeczywiście zwrócony task_id lub wpis w bibliotece multimediów
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Struktury metod i ID są dokładne; możliwości dostawcy są odrębne od dopuszczenia żądania.
Cennik
Stawki metod Ailoot
POST /v1/audio/transcriptions- Wejście
- 0,38 USD za godzinę dźwięku
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
Przykładowe żądania
Ailoot · Rozpoznawanie mowy
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_AUDIO_FILE:?Set your actual MP3 recording}"
export AILOOT_AUDIO_FILE
python3 - <<'PY_REQUEST'
import os
from pathlib import Path
f=Path(os.environ["AILOOT_AUDIO_FILE"])
if not f.is_file() or f.suffix.lower()!=".mp3":raise SystemExit("Choose your actual MP3 recording")
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \
-H "Authorization: Bearer $AILOOT_API_KEY" \
--form-string model=asr-1.0 -F "file=@$AILOOT_AUDIO_FILE" \
-D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
print(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))
PY_RESULT
Odbieranie i zapisywanie wyników
Ailoot · Rozpoznawanie mowy
json
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
Zachowaj wszystkie ukończone wyniki
Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.
Zachowaj kompletny JSON, a nie tylko tekst; zachowaj każdy dostępny segment, mówcę i znacznik czasu oraz rzeczywistą tożsamość zadania lub zasobu.
Jeśli trzeba sprawdzić pierwotną odpowiedź
Zachowaj pierwotny operation_id/X-Client-Request-ID do uzgodnienia danych bez ponownego wysyłania żądania; brak osobnej ścieżki API do cyklicznego sprawdzania stanu audio.
Pola odpowiedzi
| Pole | Typ |
|---|---|
Poletext | Typstring |
Polesegments[] | Typobject |
Poletask_id | Typstring |
Poleasset_url | Typstring |
Poleusage | Typobject |
Błędy i dalsze kroki
| Odpowiedź | Warunek | Następny krok |
|---|---|---|
Odpowiedź400 · invalid_request_error | WarunekNieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametru | Następny krokPopraw wskazane pola przed nowym żądaniem utworzenia. |
Odpowiedźserver_error | WarunekZwrócona odpowiedź wskazuje, że operacja lub wynik wymaga sprawdzenia | Następny krokZachowaj pierwotnie zwrócony identyfikator operacji lub zadania, nagłówki żądania i odpowiedź; kontynuuj obsługiwane odczyty tej pierwotnej operacji. Nie wysyłaj ponownie żądania utworzenia. |
Aliasy
Aliasy modelu
Ailoot asr-1.0
Aliasy ścieżek metod
Użyj ścieżek metod podanych powyżej.
Powiązane ID modeli
FAQ · asr-1.0
- Jakie dane wejściowe i wyniki są dostępne?
POST /v1/audio/transcriptions·asr-1.0:audio→text- Jakich pól używa żądanie?
POST /v1/audio/transcriptions·asr-1.0:model,file,response_format