Deepgram: Nova-3
Nova-3 to uniwersalny model zamiany mowy na tekst Deepgram do nagranego i strumieniowego dźwięku. Obsługuje rozpoznawanie jednojęzyczne, określony tryb wielojęzyczny z przełączaniem języków i podpowiadanie kluczowych terminów, zwracając transkrypcje z czasowaniem słów i informacją o pewności rozpoznania.
O modelu
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Nova-3 to uniwersalny model rozpoznawania mowy Deepgram do zamiany dźwięku na tekst. Producent zaleca go do spotkań, napisów podczas wydarzeń, nagrań z wieloma mówcami i trudnych warunków, takich jak hałas lub odległe mikrofony, zarówno przy transkrypcji nagrań, jak i dźwięku strumieniowego. Użytecznym wynikiem jest rozpoznana mowa z informacją o czasowaniu i pewności, powiązana z dźwiękiem źródłowym.
Wybierz tryb pracy z językiem
Udokumentowanym językiem domyślnym jest angielski. Żądanie jednojęzyczne wybiera język mówiony lub obsługiwany wariant regionalny. Obecna tabela modelu ogólnego obejmuje regionalne warianty angielskiego, hiszpański, francuski, niemiecki, rosyjski, portugalski, japoński, włoski, niderlandzki, arabski, systemy pisma chińskiego i wiele innych języków, w tym kazachski. Wybieraj kody obsługiwane przez producenta, zamiast zakładać, że dowolna nazwa języka lub regionu zostanie przyjęta.
Ustawienie wielojęzyczne to osobny proces obsługujący przełączanie języków. Obecna tabela Nova-3 wymienia dla niego dziesięć języków: angielski, hiszpański, francuski, niemiecki, hindi, rosyjski, portugalski, japoński, włoski i niderlandzki. Zestaw ten nie jest identyczny z szerszą listą jednojęzyczną. Dla nagrania przechodzącego między obsługiwanymi językami przygotuj tryb wielojęzyczny, zamiast wymuszać na całej rozmowie niepasujące ustawienie jednego języka. Zachowaj wypowiedziany tekst przed przygotowaniem wersji przetłumaczonej lub podsumowanej.
Nagrania i przygotowanie transkrypcji
Proces obsługi plików Deepgram przyjmuje przesłane bajty audio albo odwołanie do pliku dźwiękowego. Zapisz zwróconą transkrypcję po zakończeniu żądania; producent nie przechowuje transkrypcji do późniejszego pobrania. Typowe udokumentowane formaty i kodowania wejścia obejmują MP3, MP4, MP2, AAC, WAV, FLAC, PCM, M4A, Ogg, Opus i WebM. Zachowaj rzeczywisty format i informacje o kanałach wraz z nagraniem. Nadaj nagraniu trwały identyfikator i zachowaj powiązanie wyniku z właściwym źródłem oraz jego kanałami. W przypadku spotkania sprawdzaj nazwiska uczestników i terminy techniczne podczas słuchania oryginalnego dźwięku. W przypadku wykładu lub wydarzenia zachowaj kolejność dźwięku, aby późniejszy napis lub wynik wyszukiwania mógł wskazać odpowiedni fragment.
Przewodnik producenta po nagraniach podaje maksymalny rozmiar pliku 2 GB i zaleca wyodrębnienie strumienia audio z dużego pliku wideo. Dokumentuje także dziesięciominutowy limit czasu przetwarzania żądań Nova. Ten limit dotyczy czasu przetwarzania żądania, a nie maksymalnej długości nagrania wynoszącej dziesięć minut. Użyteczny wynik zawiera zakończenie zamierzonego nagrania; częściowo zachowanej transkrypcji nie należy traktować jako pełnego tekstu.
Odczytuj słowa, czasy i pewność rozpoznania
Udokumentowana odpowiedź JSON zawiera alternatywy transkrypcji i rozpoznane słowa, z czasem początku i końca każdego słowa w sekundach od początku dźwięku oraz wartością pewności. W transkrypcji wielu mówców opcjonalna diaryzacja producenta przypisuje etykietę mówcy do każdego słowa. Diaryzacja nagrania zwraca także pewność przypisania mówcy; diaryzacja strumieniowa zwraca etykietę mówcy. Sprawdzaj te etykiety względem głosów w nagraniu. Raportowana jest również ogólna pewność transkrypcji w skali 0–1. Gdy zażądano inteligentnego formatowania, wynik może zawierać interpunkcję i wielkie litery w słowach z interpunkcją oraz informacje o czytelnych akapitach.
Korzystaj z tych pól zgodnie z ich znaczeniem. Czas słowa wskazuje położenie rozpoznanej mowy, a pewność jest oceną wiarygodności przez model, nie dowodem poprawnego usłyszenia trudnego nazwiska lub wartości. Przygotowując napisy, zachowuj czasowanie wraz ze sprawdzonym tekstem i kontroluj granice względem dźwięku. W czytelnej wersji redakcyjnej odróżniaj zmiany od rozpoznanej transkrypcji, zamiast po cichu zastępować niepewne słowa wiarygodnie brzmiącą historią.
Rozpoznawanie strumieniowe i ostateczne segmenty
Proces strumieniowy Nova zwraca tekst wraz z napływającym dźwiękiem, z wynikami pośrednimi i ostatecznymi. Wskaźnik is_final odróżnia tekst, który może zostać zmieniony, od ostatecznego segmentu. Wskaźnik speech_final dotyczy wykrycia końca wypowiedzianego segmentu. Odróżniaj te sygnały od samego otrzymania niepustej transkrypcji i przy przygotowaniu pełnego zapisu zachowuj ostateczne segmenty w ich kolejności w dźwięku.
Nova-3 to ogólny model ASR, odrębny od modelu konwersacyjnego Flux z wykrywaniem tur rozmowy wbudowanym w model. Nova oznacza ostateczność transkrypcji i końce wypowiedzi; Flux dostarcza własne zdarzenia stanu tur rozmowy. Wybieraj proces transkrypcji zależnie od tego, czy dźwięk jest już nagrany, czy napływa na żywo, zachowując rzeczywisty końcowy wynik jako rezultat.
Kluczowe terminy dla ważnego słownictwa
Udokumentowane Keyterm Prompting w Nova-3 obsługuje transkrypcję jednojęzyczną i wielojęzyczną oraz ukierunkowuje rozpoznawanie na ważne terminy bez ponownego trenowania modelu. Podawaj odpowiednie nazwiska, terminy produktowe, skróty lub wielowyrazowe frazy, które mogą rzeczywiście paść. Przewodnik ogranicza łączne wejście kluczowych terminów do 500 tokenów i zaleca koncentrację na najważniejszym słownictwie zamiast bezkrytycznego dodawania pospolitych słów.
Składnia producenta używa zwykłych terminów, z osobnym wpisem keyterm dla każdego terminu. Wielowyrazowa fraza pozostaje jedną frazą. Dawne wagi lub wzmocnienia słów kluczowych oraz łączenie osobnych terminów przecinkami, średnikami lub znakami nowej linii nie są równoważne: interfejs może przyjąć je jako jedną dosłowną wartość bez zamierzonego wzmocnienia. Używaj prawidłowej wielkości liter w nazwach, a następnie sprawdzaj transkrypcję, ponieważ kontekst dźwięku i inteligentne formatowanie nadal mogą zmienić ostateczną postać zapisu.
Granice rodziny modeli i użyteczne wyniki
Ogólny profil Nova-3 jest odrębny od osobno nazwanych opcji Medical i Pharma. Podpowiadanie słownictwa nie zmienia go w inną wersję, a zakresu językowego lub zachowania modeli specjalistycznych nie należy zakładać w modelu ogólnym. Dodatkowe funkcje przetwarzania transkrypcji są opcjami w procesie obsługi mowy producenta, a nie dowodem, że rozpoznawanie stworzyło podsumowanie, tłumaczenie lub inny rezultat, którego nie żądano.
Użytecznym rezultatem Nova-3 może być przeszukiwalna transkrypcja spotkania, tekst gotowy do napisów z czasowaniem słów lub zapis rozmowy wielojęzycznej. Zachowaj identyfikator dźwięku, wybrany tryb językowy, końcowy tekst i przydatne pola pewności lub czasowania. Sprawdzaj niejasne nazwiska, liczby, nakładające się głosy i zmiany języka względem oryginalnego nagrania oraz pozostaw rzeczywiście rozpoznaną mowę dostępną do następnego etapu przetwarzania treści.
Ailoot Ultra · Rozpoznawanie mowy POST /v1/audio/transcriptions deepgram/nova-3
deepgram/nova-3Start
Nova-3 to uniwersalny model zamiany mowy na tekst Deepgram do nagranego i strumieniowego dźwięku. Obsługuje rozpoznawanie jednojęzyczne, określony tryb wielojęzyczny z przełączaniem języków i podpowiadanie kluczowych terminów, zwracając transkrypcje z czasowaniem słów i informacją o pewności rozpoznania.
- Akceptowane dane wejściowe
- Audio
- Wyniki
- transcription
Dostępne w Ailoot · dane wejściowe i metody
Ailoot Ultra · Rozpoznawanie mowy POST /v1/audio/transcriptions
- Wejście
audio- Wyjście
transcription- Format wyjściowy
- json
| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity deepgram/nova-3 | Domyślnie— |
Poleinput_audio | Typobject | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polelanguage | Typstring | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Poletemperature | Typnumber | WymaganieOpcjonalne | Wartości i limity Minimum: 0 Maksimum: 1 | Domyślnie— |
Poleresponse_format | Typstring | WymaganieOpcjonalne | Wartości i limity json, verbose_json | Domyślniejson |
Poletimestamp_granularities | Typarray | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Poleprovider | Typobject | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Kombinacje materiałów wejściowych
speech_to_text · Wymagane: actual matching-format audio file
Parametry i cykl życia metody
| Parametr | Kontrakt |
|---|---|
Parametrcontent_types | Kontraktapplication/json, multipart/form-data |
Parametrrequired | Kontraktmodel, input_audio |
Parametrmaterial_types | Kontraktaudio |
ParametrJSON_audio | Kontraktrzeczywiste surowe bajty dźwięku w base64 wraz z odpowiadającym im formatem |
Parametrmultipart_required | Kontraktmodel, file |
Parametrmultipart_cap_bytes | Kontrakt26214400 |
Parametroptional_controls | Kontraktlanguage, temperature, response_format, timestamp_granularities, provider |
Parametrdefault_response_format | Kontraktjson |
Parametroptional_features | KontraktRozszerzony wynik, diarize/keyterms oraz URL lub większe dane dźwiękowe przekazane bezpośrednio wymagają odpowiednich możliwości konkretnego modelu i dostawcy oraz właściwej taryfy. |
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}
Użyj dokładnego modelu i udokumentowanych pól wejściowych.
Zachowaj kompletną odpowiedź, wszystkie rzeczywiste wyniki i pierwotne zwrócone identyfikatory.
Cennik
Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie.
- Tryb szybki
- Nie określono Gdy wybrany jest tryb szybki
- Tryb flex
- Nie określono Gdy wybrany jest tryb flex
- Maksymalna intensywność rozumowania
- Nie określono Gdy dla maksymalnej intensywności rozumowania stosowana jest domyślna korekta (default)
Stawki Ailoot
Ceny według konfiguracji
Dopasuj każdą opłatę do pokazanych warunków. Użyj jednej stawki dla każdego zestawu alternatywnych konfiguracji.
| Konfiguracja | Tabela stawek | Jednostka rozliczeniowa | Opłata |
|---|---|---|---|
| KonfiguracjaBazowe stawki za tokeny | Tabela stawekStawka podstawowa | Jednostka rozliczeniowa— | Opłata Wejście · Tokeny wejściowe — / 1K tokenów Wyjście · Tokeny wyjściowe — / 1K tokenów Wejście · Odczyt cache — / 1K tokenów Wejście · Zapis do cache — / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
| KonfiguracjaUltra | Tabela stawek— | Jednostka rozliczeniowaza sekundę dźwięku wejściowego | Opłata Wejście · sekunda wejściowego audio $0.0001433333333334 za sekundę dźwięku wejściowego |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
Szczegóły taryfy referencyjnej
Referencyjne tabele modelu nie zmieniają wyboru metody, wyceny ani opłat. Naliczane opłaty korzystają ze stawek wybranej metody Ailoot.
Deepgram: Nova-3
Ceny według konfiguracji
| Konfiguracja | Warunki rozliczania | Opłata |
|---|---|---|
| KonfiguracjaDeepgram: Nova-3 · Domyślna konfiguracja | Warunki rozliczaniaKonfiguracja domyślna | Opłata Wejście · Sekundy wejściowego audio ≈0,000143 USD za sekundę dźwięku wejściowego |
Przykładowe żądania
Ailoot Ultra · Rozpoznawanie mowy
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_AUDIO_FILE:?Set the path to your actual WAV recording}"
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
import base64
audio=Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()
if not (audio[:4]==b'RIFF' and audio[8:12]==b'WAVE'): raise SystemExit('Supply an actual WAV audio file')
if len(audio)>26214400: raise SystemExit('Use a documented supported large-file flow')
request={'model': 'deepgram/nova-3', 'input_audio': {'data': '${BASE64_ACTUAL_WAV_BYTES}', 'format': 'wav'}}
request['input_audio']['data']=base64.b64encode(audio).decode('ascii')
Path('request.json').write_text(json.dumps(request,ensure_ascii=False),encoding='utf-8')
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \
-H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
--data-binary @request.json -D response-headers.txt -o response.bin
# Keep the complete original response and headers. Read every returned segment, word and usage field.
# Preserve actual operation/task/asset IDs; continue reads of the original result without resubmitting.
Odbieranie i zapisywanie wyników
Ailoot Ultra · 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.
Kompletny oryginalny JSON, wszystkie dostępne teksty, segmenty, słowa, mówcy, znaczniki czasu oraz dane użycia.
Jeśli trzeba sprawdzić pierwotną odpowiedź
Zachowaj pierwotne operation_id/X-Client-Request-ID i oryginalną odpowiedź. Odczytuj rzeczywiste rekordy zadań i zasobów należących do użytkownika bez ponownego wysyłania; nie tworzy się dedykowanego adresu URL do odpytywania dźwięku.
Pola odpowiedzi
| Pole | Typ |
|---|---|
Poletext | Typstring |
Poleusage | Typobject |
Polesegments[] | Typobject |
Polewords[] | Typobject |
Aliasy
Aliasy modelu
Ailoot Ultra deepgram/nova-3
Aliasy ścieżek metod
Użyj ścieżek metod podanych powyżej.
Powiązane ID modeli
FAQ · Deepgram: Nova-3
- Jakie dane wejściowe i wyniki są dostępne?
POST /v1/audio/transcriptions·deepgram/nova-3:audio→transcription- Jakich pól używa żądanie?
POST /v1/audio/transcriptions·deepgram/nova-3:model,input_audio,language,temperature,response_format,timestamp_granularities,provider- Jakie limity obowiązują?
POST /v1/audio/transcriptions·deepgram/nova-3:temperature.minimum:0;temperature.maximum:1