Fish Audio: Transcribe 1

Transcribe 1 zamienia krótkie nagrania audio na tekst, automatycznie rozpoznając język i opcjonalnie dodając znaczniki czasu na poziomie słów. Wykorzystuj transkrypcję do notatek głosowych, przeszukiwalnych klipów lub przygotowania napisów, oddzielając segmenty z czasowaniem od pełnego, czytelnego tekstu.

Ailoot Ultra · Transkrypcja POST /v1/audio/transcriptions fish-audio/transcribe-1

O modelu

Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.

Transcribe 1 to ogólny model rozpoznawania mowy Fish Audio przeznaczony do krótkich nagrań. Przyjmuje plik audio i zwraca rozpoznane słowa jako tekst wraz z czasem trwania nagrania, opcjonalnymi segmentami z czasowaniem i informacją o języku, jeśli jest znany. Model przydaje się do krótkiej notatki głosowej, wypowiedzianej instrukcji, fragmentu nagrania lub klipu audio wymagającego czytelnej reprezentacji tekstowej.

Przykładowy proces obsługi notatki głosowej zachowuje nagranie wraz z pełną transkrypcją i identyfikatorem oryginalnego klipu. Późniejszy etap aplikacji może przeszukiwać tekst, porządkować notatkę lub tworzyć streszczenie, zachowując źródło mówione. W przypadku polecenia transkrypcja dostarcza aplikacji rozpoznane słowa; każde działanie jest osobnym etapem interpretacji i wykonania. Przy fragmencie wywiadu zapisz położenie klipu w całym nagraniu, aby cytat można było sprawdzić we właściwym miejscu.

Producent przyjmuje WAV, MP3, AAC, w tym M4A/MP4, FLAC oraz Ogg zawierający Opus lub Vorbis. Nagrania przeglądarkowe w WebM należy dla tego modelu przekonwertować do Ogg/Opus, MP3 lub WAV; dokumentacja Pro opisuje natywną obsługę dodatkowych kontenerów. Przesyłaj jeden plik audio na żądanie. Udokumentowany limit żądania dla modelu podstawowego wynosi do 50 MiB, przy czym pliki MP3 i Opus powinny mieć mniej niż 25 MiB. Rozmiar pliku i długość nagrania to różne kwestie: skompresowany plik może mieścić się w limicie przesyłania, a mimo to wymagać zbyt długiego przetwarzania.

Transcribe 1 zaprojektowano do krótkich nagrań. Producent zaleca Pro dla dźwięku dłuższego niż kilka minut; długie żądanie do modelu podstawowego może zakończyć się błędem po przekroczeniu limitu czasu przetwarzania. Przy przygotowywaniu dłuższego źródła do transkrypcji krótkich klipów zachowaj przesunięcie początku każdego klipu i przed połączeniem wyników potwierdź, że zwrócona transkrypcja obejmuje cały klip. Dodaj oryginalne przesunięcie do lokalnych czasów segmentów, aby nawigacja pozostała powiązana z pełnym nagraniem. Wytycznych modelu podstawowego nie należy rozumieć jako odrębnego, 60-minutowego limitu Pro.

Odpowiedź producenta zawiera tekst, czas trwania i segmenty. Czas trwania wyrażany jest w sekundach, a czytelną pełną transkrypcję należy zachować jako podstawowe brzmienie klipu. Znaczniki czasu są opcjonalne: ignore_timestamps ma w API producenta domyślną wartość true, natomiast false wymaga segmentów na poziomie słów z tekstem oraz czasem początku i końca w sekundach. Żądanie wyrównania czasowego wydłuża przetwarzanie. Pusta tablica segments może oznaczać pominięcie czasowania, brak mowy lub tymczasową niedostępność wyrównania, dlatego nie należy automatycznie uznawać jej za pustą pełną transkrypcję.

Segmenty to zazwyczaj słowa, a w językach chińskim i japońskim pojedynczy znak lub kilka znaków. Ich tekst pomija interpunkcję i może normalizować wartość inaczej niż pełna transkrypcja; nie jest kopią czytelnej odpowiedzi znak po znaku. Segment może mieć taki sam czas początku i końca. Używaj segmentów do znajdowania miejsca w nagraniu lub przygotowania wyświetlania z czasowaniem, a pełnego tekstu wtedy, gdy znaczenie mają dokładne słowa i interpunkcja. Zachowaj odrębność tych dwóch reprezentacji w wynikowym materiale.

Język wykrywany jest automatycznie, niezależnie od podania opcjonalnej wskazówki językowej. Producent dokumentuje kody ISO 639-1 zapisane małymi literami jako wskazówki i zwraca kod języka dla logiki aplikacji oraz nazwę języka do wyświetlenia, jeśli jest znana. Odpowiedź wskazuje jeden język, a nie wszystkie języki nagrania, w którym występują przełączenia między nimi. Zachowuj źródłowe brzmienie i dostępne metadane językowe wraz z wynikiem, zamiast traktować żądanie transkrypcji jako tłumaczenie.

Przy przygotowywaniu napisów grupuj kolejne segmenty z czasowaniem w czytelne kwestie, zamiast wyświetlać po jednym słowie. Użytecznym wynikiem jest plik SRT lub WebVTT powiązany z oryginalnym klipem, z granicami kwestii dopasowanymi do pauz i ilością tekstu możliwą do przeczytania na ekranie. Sprawdź braki czasowania i upewnij się, że koniec każdej kwestii następuje po jej początku. Grupowanie napisów i formatowanie pliku to etapy aplikacji budowane na zwróconym wyrównaniu, a sposób wyświetlania należy dopasować do odtwarzacza i odbiorców.

Udokumentowane ustawienia Transcribe 1 obejmują dźwięk, wskazówkę językową i wybór znaczników czasu. Znaczniki mówców Pro, strukturalne tury mówców, ustawienia emocji i zdarzeń oraz wskazówki liczby mówców są osobnymi funkcjami; nie należą do udokumentowanego kontraktu odpowiedzi tego modelu podstawowego. Wybierz potrzebny rezultat przed przetwarzaniem: zwykły czytelny tekst do notatki albo tekst z wyrównaniem do nawigacji podczas odtwarzania i napisów. Zachowanie identyfikatora klipu, transkrypcji i dostępnego czasowania czyni wynik użytecznym na kolejnym etapie aplikacji.

Ailoot Ultra · Transkrypcja POST /v1/audio/transcriptions fish-audio/transcribe-1

fish-audio/transcribe-1

Fish Audio /fish-audio/transcribe-1

Start

Akceptowane dane wejściowe: Audio
Wyniki: Tekst

Dostępne w Ailoot · dane wejściowe i metody

Ailoot Ultra · Transkrypcja POST /v1/audio/transcriptions

Wejście: audio
Wyjście: text

Pole	Typ	Wymaganie	Wartości i limity	Domyślnie
Pole`model`	Typ`string`	WymaganieWymagane	Wartości i limity fish-audio/transcribe-1	Domyślnie—
Pole`input_audio`	Typ`object`	WymaganieWymagane	Wartości i limity	Domyślnie—

Parametry i cykl życia metody

Parametr	Kontrakt
Parametr`content_type`	Kontraktapplication/json
Parametr`required`	Kontraktmodel, input_audio
Parametr`material_types`	Kontraktaudio
Parametr`material_conditions`	KontraktPrzykład odczytuje Twój rzeczywisty, niepusty plik PCM WAV, koduje wszystkie bajty pliku jako base64 i wysyła input_audio.format z wartością wav.

Cykl życia: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · dokładne task_id z istniejącego rekordu multimediów należących do użytkownika

GET /v1/media/assets/{asset_id}/content

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

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 →

Przykładowe żądania

Ailoot Ultra · Transkrypcja

curl · rzeczywisty plik WAV i kompletny pierwotny wynik

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_AUDIO_FILE:?Set the path to your actual PCM WAV recording}"
export AILOOT_AUDIO_FILE
python3 - <<'PY_REQUEST'
import base64, io, json, os, wave
from pathlib import Path
audio = Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()
if not (audio[:4] == b'RIFF' and audio[8:12] == b'WAVE'):
    raise SystemExit('Supply your actual PCM WAV audio file')
with wave.open(io.BytesIO(audio), 'rb') as recording:
    if recording.getcomptype() != 'NONE' or recording.getnframes() <= 0:
        raise SystemExit('Supply a nonempty PCM WAV recording')
request = {'model': 'fish-audio/transcribe-1', 'input_audio': {'data': base64.b64encode(audio).decode('ascii'), 'format': 'wav'}}
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
# Retain the complete original response, headers and actual X-Client-Request-ID.
# Read existing owned records for recovery; do not resubmit an uncertain operation.

Odbieranie i zapisywanie wyników

Ailoot Ultra · Transkrypcja

Kompletna treść oryginalnej odpowiedzi, status i przekazane nagłówki. Ta funkcja obsługująca nie dodaje uniwersalnej struktury JSON, pola tekstowego ani obudowy zadania.

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 pełną odpowiedź i nagłówki, wszystkie rzeczywiście uzyskane wyniki, pierwotnie zwrócone identyfikatory oraz wszystkie pola zużycia. Odzyskaj pierwotną operację bez ponownego wysyłania żądania utworzenia.

Jeśli trzeba sprawdzić pierwotną odpowiedź

Zachowaj rzeczywiste X-Client-Request-ID i kompletną odpowiedź. Odczytuj pierwotne zasoby należące do użytkownika i ich dokładne podpisane adresy URL treści; nigdy nie ponawiaj niepewnego utworzenia.

Pola odpowiedzi

Pole	Typ
Pole`text (when present)`	Typ
Pole`usage (when present)`	Typ

Błędy i dalsze kroki

Odpowiedź	Warunek	Następny krok
Odpowiedź400 · `invalid_request_error`	WarunekTreść JSON lub jawny kanoniczny identyfikator modelu są nieprawidłowe.	Następny krokZachowaj odpowiedź i popraw wskazane pole żądania.
Odpowiedź401 · `authentication_error`	WarunekKlucz API Ailoot jest nieprawidłowy.	Następny krokUżyj swojego autoryzowanego klucza API Ailoot.
Odpowiedź403 · `permission_error`	WarunekGrupa klucza nie ma uprawnień do tej metody.	Następny krokZachowaj zwrócone szczegóły błędu.
Odpowiedź404 · `not_found_error`	WarunekWybrana metoda nie ma dopuszczonej ścieżki.	Następny krokZachowaj zwrócone szczegóły błędu.
Odpowiedź422 · `price_unavailable`	WarunekZaakceptowana taryfa nie może uzyskać wymaganej ilości danych wejściowych lub ich górnej granicy.	Następny krokZachowaj odpowiedź; użyj reprezentacji danych wejściowych wymaganej przez zaakceptowaną taryfę.
Odpowiedź503 ·	WarunekWymagany magazyn, ścieżka, cena metody lub rezerwacja są niedostępne.	Następny krokZachowaj kompletną oryginalną odpowiedź. Niepewna rezerwacja nie uprawnia do ponownego wysłania.
Odpowiedź502 · `server_error`	WarunekPierwotny wynik, dane użycia lub rozliczenie wymagają sprawdzenia.	Następny krokZachowaj rzeczywisty identyfikator żądania i oryginalną odpowiedź. Odczytuj istniejący rekord należący do użytkownika; nie wysyłaj ponownie żądania utworzenia.

Aliasy

Aliasy modelu

Ailoot Ultra fish-audio/transcribe-1

Aliasy ścieżek metod

Użyj ścieżek metod podanych powyżej.

Powiązane ID modeli

fish-audio/transcribe-1

FAQ · Fish Audio: Transcribe 1

Jakie dane wejściowe i wyniki są dostępne?: POST /v1/audio/transcriptions · fish-audio/transcribe-1: audio → text
Jakich pól używa żądanie?: POST /v1/audio/transcriptions · fish-audio/transcribe-1: model, input_audio

Fish Audio: Transcribe 1