Source: https://ailoot.ai/models/pl/fish-audio-transcribe-1-pro/ Canonical: https://ailoot.ai/models/pl/fish-audio-transcribe-1-pro/ Language: pl # Fish Audio: Transcribe 1 Pro [Markdown](https://ailoot.ai/models/pl/fish-audio-transcribe-1-pro/index.md) · [JSON](https://ailoot.ai/models/pl/fish-audio-transcribe-1-pro/facts.json) ## [Fish Audio: Transcribe 1 Pro](https://ailoot.ai/models/pl/fish-audio-transcribe-1-pro/) Transcribe 1 Pro zamienia nagrania trwające do 60 minut na tekst ze znacznikami mówców i opcjonalnym czasowaniem na poziomie słów. Zachowuje wywnioskowane oznaczenia emocji i zdarzeń głosowych, ułatwiając przeglądanie i przeszukiwanie wywiadów, spotkań oraz podcastów, a także przygotowywanie do nich napisów. - [**Ailoot Ultra · Rozpoznawanie mowy** `POST /v1/audio/transcriptions` `fish-audio/transcribe-1-pro`](https://ailoot.ai/models/pl/fish-audio-transcribe-1-pro/#method-0) O modelu Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody. Transcribe 1 Pro to model zamiany mowy na tekst firmy Fish Audio do krótkich klipów, rozmów z wieloma mówcami i długich nagrań. Przyjmuje nagrany dźwięk i zwraca transkrypcję, z opcjonalnym czasowaniem i uporządkowanymi wypowiedziami mówców. Wyróżniają go zmiany mówcy oznaczone w tekście i wskazówki dotyczące emocji lub zdarzeń głosowych, zachowujące więcej struktury rozmowy niż zwykła sekwencja słów. W przypadku wywiadu, spotkania lub podcastu zachowaj całą rozmowę w jednym pliku, aby powracający mówcy mogli utrzymać spójne oznaczenia w obrębie odpowiedzi. Przydatnym materiałem do przeglądu jest transkrypcja powiązana z oryginalnym nagraniem, z osobno pokazanymi wypowiedziami i znacznikiem czasu do sprawdzenia cytatu. Podsumowanie lub lista działań to późniejszy krok aplikacji: zachowaj je osobno od transkrypcji, aby oryginalna treść wypowiedzi pozostała dostępna do porównania. Producent przyjmuje nagrania do 60 minut i opisuje przetwarzanie długich plików ze skompresowanym dźwiękiem, takim jak MP3, Opus lub AAC. Obsługiwane formaty obejmują WAV, MP3, AAC w M4A lub MP4, FLAC, Ogg z Opus lub Vorbis, WebM/Matroska i MOV. W pliku wideo używa pierwszej ścieżki dźwiękowej. AIFF, CAF, WMA, AMR, AC-3 i surowy PCM bez nagłówka nie są obsługiwane. Na żądanie dostarcza się jeden plik audio; wynik przychodzi po transkrypcji całego nagrania, a przetwarzanie długiego nagrania może potrwać kilka minut. Klipy krótsze niż około 0,08 sekundy są odrzucane. Odpowiedź producenta zawiera pełny tekst, czas trwania nagrania w sekundach i tablicę segments. Pro oznacza zmiany mówcy w tekście etykietami takimi jak \<|speaker:0|\> i \<|speaker:1|\>; etykieta dotyczy następującego po niej tekstu aż do kolejnego znacznika. Są to identyfikatory w obrębie jednej odpowiedzi, a nie zweryfikowane imiona ani tożsamości możliwe do dopasowania między żądaniami. Jeśli transkrypcja nie ma znacznika mówcy, przewodnik traktuje ją jako wynik dla jednego mówcy. Zachowaj tekst przed pierwszym znacznikiem w pierwszej wypowiedzi, zamiast go odrzucać. Znaczniki czasu na poziomie słów są opcjonalne. W żądaniu producenta ignore\_timestamps ma domyślnie wartość true; ustawienie false prosi o segmenty z tekstem oraz czasem początku i końca w sekundach. Segment jest zazwyczaj słowem albo jednym lub kilkoma znakami w języku chińskim i japońskim. Tekst segmentu pomija interpunkcję, znaczniki mówców i oznaczenia zdarzeń oraz może normalizować wypowiedzianą wartość inaczej niż pełna transkrypcja. Segment słowa może mieć ten sam czas początku i końca. Pusta tablica segments może oznaczać, że nie zażądano znaczników czasu, nie znaleziono mowy lub czasowanie było chwilowo niedostępne. Używaj pełnej transkrypcji do czytelnego zapisu, a segmentów do wyrównania czasowego, zamiast zakładać zgodność obu ciągów znak po znaku. Ustawienie diarize ma domyślnie wartość auto. Gdy zażądano znaczników czasu i diarize nie jest false, Pro zwraca także speaker\_turns. Każda wypowiedź zawiera etykietę mówcy, tekst i czas początku oraz końca, zachowując interpunkcję i pozostawione oznaczenia bez znacznika mówcy wewnątrz tekstu. Jeśli czasowanie słów jest niedostępne, czasy wypowiedzi mogą być przybliżone i obejmować całe nagranie; sąsiednie wypowiedzi nie muszą być ciągłe ani rozłączne czasowo. Wyłączenie diarize usuwa uporządkowaną listę wypowiedzi, ale pozostawia znaczniki mówców w pełnym tekście. Znana liczba mówców albo minimalna i maksymalna liczba mogą pomóc w rozróżnianiu mówców w dłuższych nagraniach, bez gwarancji wyniku. Dokładnej liczby mówców nie można łączyć z jej minimalną ani maksymalną wartością, a wskazówek dotyczących liczby nie można używać przy wyłączonym diarize. Oznaczenia emocji i zdarzeń głosowych pojawiają się jako tekst w nawiasach kwadratowych, na przykład \[laughter\], obok rozpoznanej mowy. Są to wnioski z dźwięku, a nie słowa, które użytkownik musi dodać przed transkrypcją. Ustawienie tag\_audio\_events w Pro ma domyślnie wartość true; jego wyłączenie usuwa te oznaczenia z transkrypcji i tekstu wypowiedzi bez zmiany czasowania. Nie ma osobnego pola emocji ani stałej listy wartości emocji. Zachowaj transkrypcję z oznaczeniami, gdy sposób wypowiedzenia uwagi ma znaczenie, a używaj wersji bez nich, gdy dalszy rezultat wymaga tylko wypowiedzianych słów. Język jest wykrywany automatycznie. Opcjonalna wskazówka ISO 639-1 zapisana małymi literami nie wymusza tłumaczenia ani nie zmienia transkrypcji Pro. Jeśli nie da się ustalić języka, zwrócony kod języka może odzwierciedlać wskazówkę bez zweryfikowania jej względem dźwięku. Producent raportuje jeden język, a nie wykaz wszystkich języków w nagraniu mieszanym. Przygotowując archiwum do przeszukiwania, przechowuj oryginalne sformułowania wraz z metadanymi języka, szczególnie gdy różne części rozmowy przechodzą między językami. W przypadku napisów grupuj kolejne słowa ze znacznikami czasu w czytelne jednostki SRT lub WebVTT, zamiast tworzyć osobny napis dla każdego słowa. Rozdzielaj jednostki przy pauzach i dobieraj długość oraz czas wyświetlania do odtwarzacza i odbiorców. Granice wypowiedzi mogą utrzymywać różnych mówców w osobnych jednostkach. Sprawdzaj pusty wynik czasowania oraz jednostki, których koniec musi być późniejszy niż początek. Formatowanie napisów, nadawanie nazw anonimowym etykietom mówców i późniejsze podsumowania to rezultaty aplikacji zbudowane z wyniku transkrypcji. W praktycznym procesie pracy z nagraniem zdecyduj przed transkrypcją, czy potrzebujesz zwykłego czytelnego tekstu, oznaczonych wypowiedzi rozmowy czy czasowanych napisów. Zachowaj identyfikator dźwięku z wynikiem, pozostaw pełny zwrócony tekst, gdy interpunkcja i oznaczenia mają znaczenie, oraz używaj uporządkowanych pól czasowania do nawigacji. Możliwości Pro dotyczące długich nagrań i wielu mówców są odrębne od ogólnego modelu Transcribe 1 do krótkich nagrań; ich limitów i ustawień nie należy traktować jako wymiennych. **Ailoot Ultra · Rozpoznawanie mowy** `POST /v1/audio/transcriptions` `fish-audio/transcribe-1-pro` [`fish-audio/transcribe-1-pro`](https://ailoot.ai/models/pl/#m=fish-audio%2Ftranscribe-1-pro&route=Ultra&caller=fish-audio%2Ftranscribe-1-pro&fmt=transcriptions) Fish Audio /`fish-audio/transcribe-1-pro` ### Start Transcribe 1 Pro zamienia nagrania trwające do 60 minut na tekst ze znacznikami mówców i opcjonalnym czasowaniem na poziomie słów. Zachowuje wywnioskowane oznaczenia emocji i zdarzeń głosowych, ułatwiając przeglądanie i przeszukiwanie wywiadów, spotkań oraz podcastów, a także przygotowywanie do nich napisów. Akceptowane dane wejściowe Audio Wyniki Tekst ### Dostępne w Ailoot · dane wejściowe i metody **Ailoot Ultra · Rozpoznawanie mowy** `POST /v1/audio/transcriptions` Wejście `audio` Wyjście `text` Format wyjściowy json | Pole | Typ | Wymaganie | Wartości i limity | Domyślnie | | --- | --- | --- | --- | --- | | Pole`model` | Typ`string` | WymaganieWymagane | Wartości i limity fish-audio/transcribe-1-pro | Domyślnie— | | Pole`input_audio` | Typ`object` | WymaganieWymagane | Wartości i limity Dokładne klucze: data, format | Domyślnie— | | Pole`input_audio.data` | Typ`base64_string` | WymaganieWymagane | Wartości i limity Maksymalna liczba zdekodowanych bajtów: 26 214 400 Ścisły Base64: Tak | Domyślnie— | | Pole`input_audio.format` | Typ`string` | WymaganieWymagane | Wartości i limity Warunki: Musi odpowiadać rzeczywistemu formatowi ustalonemu przy badaniu pliku | Domyślnie— | | Pole`response_format` | Typ`string` | WymaganieOpcjonalne | Wartości i limity json | Domyślnie— | Kombinacje materiałów wejściowych **speech\_to\_text** · Wymagane: input\_audio.data, input\_audio.format Parametry i cykl życia metody | Parametr | Kontrakt | | --- | --- | | Parametr`content_type` | Kontraktapplication/json | | Parametr`required` | Kontraktmodel, input\_audio | | Parametr`additional_properties` | Kontraktfalse | | Parametr`parameters` | Kontrakt{"name":"model","type":"string","required":true,"enum":\["fish-audio/transcribe-1-pro"\]}, {"name":"input\_audio","type":"object","required":true,"exact\_keys":\["data","format"\],"data":"ścisłe kodowanie base64 rzeczywistych bajtów obsługiwanego dźwięku","format":"dokładny format ustalony przy badaniu pliku; musi odpowiadać rzeczywistym bajtom"}, {"name":"response\_format","type":"string","required":false,"enum":\["json"\]} | | Parametr`max_audio_bytes` | Kontrakt26214400 | | Parametr`multipart_for_this_profile` | Kontraktfalse | | Parametr`material_types` | Kontraktaudio | 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}` Zachowaj kompletną odpowiedź i pierwotne zwrócone identyfikatory. Nigdy nie ponawiaj żądania utworzenia o nieznanym wyniku. ### 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 | | Konfiguracjasekunda wejściowego audio | Tabela stawek— | Jednostka rozliczeniowaza sekundę dźwięku wejściowego | Opłata Wejście · sekunda wejściowego audio **$0.0002** za sekundę dźwięku wejściowego | Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. [Jak działają rezerwacja i rozliczenie →](https://ailoot.ai/docs/pl/billing/reserve/) #### Szczegóły taryfy referencyjnej Referencyjne tabele modelu nie zmieniają wyboru metody, wyceny ani opłat. Naliczane opłaty korzystają ze stawek wybranej metody Ailoot. Fish Audio: Transcribe 1 Pro #### Ceny według konfiguracji | Konfiguracja | Warunki rozliczania | Opłata | | --- | --- | --- | | KonfiguracjaFish Audio: Transcribe 1 Pro · Domyślna konfiguracja | Warunki rozliczaniaKonfiguracja domyślna | Opłata Wejście · Sekundy wejściowego audio **0,0002 USD** za sekundę dźwięku wejściowego | ### Przykładowe żądania #### Ailoot Ultra · Rozpoznawanie mowy curl · rzeczywiste bajty audio i sprawdzony format ```bash set -eu : "${AILOOT_API_KEY:?Set your Ailoot API key}" : "${AILOOT_AUDIO_FILE:?Set your actual audio file}" : "${AILOOT_AUDIO_FORMAT:?Set its actual probed file format}" export AILOOT_AUDIO_FILE AILOOT_AUDIO_FORMAT python3 - <<'PY_REQUEST' import json,os from pathlib import Path p=json.loads('{"model": "fish-audio/transcribe-1-pro", "response_format": "json"}') import base64 f=Path(os.environ['AILOOT_AUDIO_FILE']) raw=f.read_bytes() if not raw or len(raw)>26214400:raise SystemExit('Use actual audio bytes within 25 MiB') fmt=os.environ['AILOOT_AUDIO_FORMAT'].strip() if not fmt:raise SystemExit('Use the actual probed format; the server checks it against the bytes') p['input_audio']={'data':base64.b64encode(raw).decode(),'format':fmt} Path('request.json').write_text(json.dumps(p,ensure_ascii=False)) 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 result.json python3 - <<'PY_RESULT' import json from pathlib import Path r=json.loads(Path('result.json').read_text()) print(json.dumps(r,ensure_ascii=False,indent=2)) print('Keep the complete JSON and response headers; do not resubmit an unknown creation.') PY_RESULT ``` ### Odbieranie i zapisywanie wyników #### Ailoot Ultra · Rozpoznawanie mowy json - `GET /v1/media/tasks/{task_id}` - `GET /v1/media/assets/{asset_id}/content` - `GET /v1/media/assets` - `GET /v1/media/assets/{asset_id}` ##### Zachowaj wszystkie ukończone wyniki Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści. Zachowaj kompletny JSON, nagłówki odpowiedzi, tekst i każde faktycznie zwrócone pole użycia. Używaj rzeczywistych identyfikatorów zadań i zasobów z odpowiedzi lub biblioteki zasobów należących do użytkownika; operation\_id nie jest task\_id. ##### 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 | Znaczenie | | --- | --- | --- | | Pole`text` | Typstring | ZnaczenieTekst transkrypcji. | | Pole`usage` | Typobject | ZnaczenieUżycie dźwięku. | | Pole`usage.seconds` | Typnumber | ZnaczenieCzas trwania dźwięku w sekundach. | | Pole`duration` | Typnumber | ZnaczenieCzas trwania dźwięku w sekundach. | | Pole`task_id` | Typstring | ZnaczenieIdentyfikator zadania transkrypcji; zwracany wraz z asset\_url, gdy niepusta transkrypcja zostanie zapisana, opublikowana i otrzyma podpisany URL treści. | | Pole`asset_url` | Typstring | ZnaczeniePodpisany URL treści transkrypcji; zwracany wraz z task\_id, gdy niepusta transkrypcja zostanie zapisana, opublikowana i otrzyma podpisany URL treści. | 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. | | Odpowiedź`server_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 Ultra** [`fish-audio/transcribe-1-pro`](https://ailoot.ai/models/pl/#m=fish-audio%2Ftranscribe-1-pro&route=Ultra&caller=fish-audio%2Ftranscribe-1-pro&fmt=transcriptions) #### Aliasy ścieżek metod Użyj ścieżek metod podanych powyżej. #### Powiązane ID modeli [`fish-audio/transcribe-1-pro`](https://ailoot.ai/models/pl/#m=fish-audio%2Ftranscribe-1-pro&route=Ultra&caller=fish-audio%2Ftranscribe-1-pro&fmt=transcriptions) FAQ · Fish Audio: Transcribe 1 Pro Jakie dane wejściowe i wyniki są dostępne? `POST /v1/audio/transcriptions` · `fish-audio/transcribe-1-pro`: `audio` → `text` Jakich pól używa żądanie? `POST /v1/audio/transcriptions` · `fish-audio/transcribe-1-pro`: `model`, `input_audio`, `response_format` Połącz Ailoot z Claude Code, OpenCode, Hermes albo własną aplikacją. ## Firma i jej portfel projektów Firma i jej portfel projektów: miliony klientów; miesięczna sprzedaż liczona w miliardach. ## Kupuj tokeny z rabatem. Rabat subskrypcji do regularnej pracy. Kody promocyjne — do 50% na tokeny. Subskrypcja Wybierz plan z rabatem do regularnych żądań. Kod promocyjny do 50% Wpisz kod przy zakupie. Cena zostanie przeliczona według aktualnej promocji. Koszty w historii Model, tokeny i kwota są zapisywane dla każdego żądania. [Wybierz subskrypcję](https://ailoot.ai/docs/pl/billing/subscriptions/) · [Sprawdź ceny modeli](https://ailoot.ai/models/pl/) ## Połącz API z produktem, który sprzedajesz. SaaS, aplikacje i boty na warunkach oferty i umowy licencyjnej Ailoot. Do odsprzedaży poproś o licencję resellerską. Aplikacja komercyjna Wbuduj generowanie tekstu, obrazów, wideo i dźwięku w płatne funkcje usługi. Licencja resellerska Prześlij opis projektu i schemat dostępu. Poproś o pisemne warunki używania i odsprzedaży. Dokumenty na stronie Oferta, umowa licencyjna i polityka przetwarzania danych są dostępne przed połączeniem. [Poproś o licencję resellerską](mailto:support@ailoot.ai) · [Oferta i umowa licencyjna](https://ailoot.ai/legal/offer?lang=pl) ## Ailoot · Firma i jej portfel projektów Ailoot opiera się na zgromadzonym doświadczeniu operacyjnym, szerokiej bazie klientów, stabilnej usłudze i stałej kontroli KPI. Firma i jej portfel projektów: miliony klientów; miesięczna sprzedaż liczona w miliardach. Ailoot wykorzystuje to doświadczenie operacyjne, zapewniając dostęp przez API do funkcji AI w produktach klientów, agentach, aplikacjach i automatyzacjach.