Google Chirp 3 to wielojęzyczny model automatycznego rozpoznawania mowy, który przekształca wypowiedzi z nagrań audio w tekst. Google opisuje go jako model transkrypcji Chirp 3 w rodzinie Speech-to-Text V2, z identyfikatorem modelu chirp_3. Służy do rozpoznawania mowy nagranej lub przesyłanej strumieniowo, z wykrywaniem języka i funkcjami właściwymi dla transkrypcji. Wynikiem jest transkrypcja wraz z metadanymi obsługiwanymi przez wybraną metodę rozpoznawania, a nie wygenerowana mowa czy swobodna odpowiedź asystenta.
Producent rozróżnia rozpoznawanie strumieniowe, rozpoznawanie synchroniczne dla krótkich klipów oraz rozpoznawanie wsadowe dla dłuższych nagrań. Wybierz tryb odpowiedni do źródłowego dźwięku i wymaganego wyniku. W przypadku krótkiej notatki głosowej wystarczająca może być ukończona odpowiedź tekstowa. W przypadku wywiadu lub nagranej rozmowy bardziej przydatny może być wynik wsadowy zawierający informacje o mówcach. Przy tworzeniu napisów na żywo lub interfejsu poleceń głosowych odróżniaj tekst pośredni od ostatecznego wyniku rozpoznawania i zachowuj informacje o przedziale nagrania, którego dotyczy.
Przygotuj dźwięk w kodowaniu oczekiwanym przez implementację rozpoznawania. Przykłady Google dla Chirp 3 wykorzystują automatycznie wykrywane dekodowanie dla nagranych plików oraz jawnie określone dekodowanie w konfiguracji strumieniowania surowego dźwięku. Powiązana dokumentacja dekodera V2 wymienia wśród obsługiwanych kodowań WAV z dźwiękiem PCM lub kompandowanym, FLAC, MP3, Ogg/WebM Opus oraz AAC w kontenerach MP4, M4A lub MOV. Nazwa kontenera nie zastępuje rzeczywistego kodeka i konfiguracji próbkowania. Zadbaj o wyraźną mowę i unikaj silnego przesterowania oraz zbędnej konwersji powodującej utratę słyszalnych szczegółów.
Chirp 3 potrafi automatycznie zidentyfikować i transkrybować dominujący język, a zestaw oczekiwanych wariantów językowo-regionalnych może zawęzić możliwości rozpoznawania. Dostępność języków zależy od metody i funkcji. Lista języków transkrypcji jest szersza niż lista języków obsługujących diaryzację, więc samo rozpoznawanie danego języka nie oznacza, że działają w nim wszystkie funkcje dotyczące mówców lub czasu. Użyj wariantu językowo-regionalnego pasującego do nagrania i zachowaj do sprawdzenia nazwy oraz terminy specjalistyczne wypowiadane przy przełączaniu między językami. Etykieta wykrytego języka jest częścią wyniku, a nie dowodem poprawnego rozpoznania wszystkich nietypowych słów.
Diaryzacja mówców grupuje wypowiedzi według głosu w nagraniu jednokanałowym. Google udostępnia przykład transkrypcji wsadowej z informacją o mówcy dla każdego słowa. W przypadku wywiadu zachowaj te etykiety razem z rozpoznanym tekstem i porównaj zmiany mówców z nagraniem, zanim przypiszesz im rzeczywiste nazwiska lub role. Podobne głosy, przerywanie wypowiedzi i nakładanie się mowy mogą utrudniać przypisanie. Jasno określ układ kanałów materiału źródłowego i cel weryfikacji mówców, zamiast traktować etykietę jako niezależnie potwierdzoną tożsamość.
Informacje o czasie również zależą od metody. Rozpoznawanie strumieniowe zapewnia znaczniki czasu na poziomie wypowiedzi, natomiast wskazówki producenta dotyczące rozpoznawania plików opisują opcjonalne czasy poszczególnych słów, z możliwym kompromisem w jakości transkrypcji. Zachowaj metadane rzeczywiście zwrócone przez wybraną metodę i sprawdź dopasowanie czasowe razem z brzmieniem tekstu. Proces tworzenia napisów potrzebuje obu elementów: czytelnego rozpoznanego tekstu i potwierdzenia, że granica czasowa odpowiada właściwemu dźwiękowi. Google ostrzega również, że zwracana wartość pewności na poziomie słowa nie jest rzeczywistą miarą pewności, dlatego nie należy używać jej do potwierdzania poprawności słowa.
Adaptacja rozpoznawania mowy pozwala podać frazy i nazwy własne, które prawdopodobnie wystąpią w nagraniu. Producent dokumentuje słownik obejmujący do 1 000 fraz i zaleca jak najmniejszą liczbę trafnych wpisów, aby nie pogarszać rozpoznawania innych terminów. W przypadku prezentacji technicznej przygotuj krótką listę rzeczywistych nazw produktów i skrótów, a następnie sprawdź je w transkrypcji. Nadanie terminowi większej wagi pomaga uwzględnić go podczas rozpoznawania; nie dowodzi jednak, że został wypowiedziany, ani nie zastępuje sprawdzenia nagrania.
Model zapewnia automatyczną interpunkcję i stosowanie wielkich liter, które można wyłączyć w udokumentowanym interfejsie. Google opisuje również funkcję w wersji zapoznawczej pozwalającą podawać własne instrukcje formatowania transkrypcji, na przykład sposób zapisu konkretnej nazwy lub daty. Ogranicz te instrukcje do formatowania rozpoznanej mowy. Transkrypcja, która normalizuje datę lub zapisuje markę wielką literą, nadal musi zachowywać sens wypowiedzi. Streszczenie, tłumaczenie lub analiza faktów to późniejsze zastosowania transkrypcji, a nie coś, co potwierdza sam wynik rozpoznawania.
Wbudowany moduł odszumiania ma ograniczać muzykę w tle i odgłosy otoczenia, takie jak deszcz czy hałas uliczny. Google wyraźnie stwierdza, że nie może on usuwać ludzkich głosów w tle. Zachowaj to rozróżnienie przy przygotowywaniu nagrania z nakładającymi się rozmowami. Porównuj hałaśliwe i ciche fragmenty z materiałem źródłowym, zamiast zakładać, że bardziej uporządkowana transkrypcja dowodzi usunięcia zakłócającego dźwięku. Przydatny wynik pozwala rozpoznać niepewne fragmenty i je poprawić.
W zadaniach strumieniowych czułość wykrywania końca wypowiedzi wpływa na to, kiedy wypowiedź zostaje uznana za zakończoną. Producent opisuje ustawienia standard, short i supershort dla coraz krótszych oczekiwanych wypowiedzi. Szybsze ustawienie może uciąć wypowiedź osoby, która robi pauzę w środku myśli. Dopasuj ustawienie do naturalnego dyktowania, krótkiego zdania lub bardzo krótkiego polecenia i zachowaj przy transkrypcji status wyniku końcowego. W przypadku gotowego pliku sprawdź nazwy, ilości, zaprzeczenia i granice wypowiedzi mówców, a następnie zachowaj wybrany tryb oraz źródłowy dźwięk, aby wynik można było zweryfikować lub wykorzystać ponownie.
", "aboutText": "Google Chirp 3 to wielojęzyczny model automatycznego rozpoznawania mowy, który przekształca wypowiedzi z nagrań audio w tekst. Google opisuje go jako model transkrypcji Chirp 3 w rodzinie Speech-to-Text V2, z identyfikatorem modelu chirp_3. Służy do rozpoznawania mowy nagranej lub przesyłanej strumieniowo, z wykrywaniem języka i funkcjami właściwymi dla transkrypcji. Wynikiem jest transkrypcja wraz z metadanymi obsługiwanymi przez wybraną metodę rozpoznawania, a nie wygenerowana mowa czy swobodna odpowiedź asystenta.\n\nProducent rozróżnia rozpoznawanie strumieniowe, rozpoznawanie synchroniczne dla krótkich klipów oraz rozpoznawanie wsadowe dla dłuższych nagrań. Wybierz tryb odpowiedni do źródłowego dźwięku i wymaganego wyniku. W przypadku krótkiej notatki głosowej wystarczająca może być ukończona odpowiedź tekstowa. W przypadku wywiadu lub nagranej rozmowy bardziej przydatny może być wynik wsadowy zawierający informacje o mówcach. Przy tworzeniu napisów na żywo lub interfejsu poleceń głosowych odróżniaj tekst pośredni od ostatecznego wyniku rozpoznawania i zachowuj informacje o przedziale nagrania, którego dotyczy.\n\nPrzygotuj dźwięk w kodowaniu oczekiwanym przez implementację rozpoznawania. Przykłady Google dla Chirp 3 wykorzystują automatycznie wykrywane dekodowanie dla nagranych plików oraz jawnie określone dekodowanie w konfiguracji strumieniowania surowego dźwięku. Powiązana dokumentacja dekodera V2 wymienia wśród obsługiwanych kodowań WAV z dźwiękiem PCM lub kompandowanym, FLAC, MP3, Ogg/WebM Opus oraz AAC w kontenerach MP4, M4A lub MOV. Nazwa kontenera nie zastępuje rzeczywistego kodeka i konfiguracji próbkowania. Zadbaj o wyraźną mowę i unikaj silnego przesterowania oraz zbędnej konwersji powodującej utratę słyszalnych szczegółów.\n\nChirp 3 potrafi automatycznie zidentyfikować i transkrybować dominujący język, a zestaw oczekiwanych wariantów językowo-regionalnych może zawęzić możliwości rozpoznawania. Dostępność języków zależy od metody i funkcji. Lista języków transkrypcji jest szersza niż lista języków obsługujących diaryzację, więc samo rozpoznawanie danego języka nie oznacza, że działają w nim wszystkie funkcje dotyczące mówców lub czasu. Użyj wariantu językowo-regionalnego pasującego do nagrania i zachowaj do sprawdzenia nazwy oraz terminy specjalistyczne wypowiadane przy przełączaniu między językami. Etykieta wykrytego języka jest częścią wyniku, a nie dowodem poprawnego rozpoznania wszystkich nietypowych słów.\n\nDiaryzacja mówców grupuje wypowiedzi według głosu w nagraniu jednokanałowym. Google udostępnia przykład transkrypcji wsadowej z informacją o mówcy dla każdego słowa. W przypadku wywiadu zachowaj te etykiety razem z rozpoznanym tekstem i porównaj zmiany mówców z nagraniem, zanim przypiszesz im rzeczywiste nazwiska lub role. Podobne głosy, przerywanie wypowiedzi i nakładanie się mowy mogą utrudniać przypisanie. Jasno określ układ kanałów materiału źródłowego i cel weryfikacji mówców, zamiast traktować etykietę jako niezależnie potwierdzoną tożsamość.\n\nInformacje o czasie również zależą od metody. Rozpoznawanie strumieniowe zapewnia znaczniki czasu na poziomie wypowiedzi, natomiast wskazówki producenta dotyczące rozpoznawania plików opisują opcjonalne czasy poszczególnych słów, z możliwym kompromisem w jakości transkrypcji. Zachowaj metadane rzeczywiście zwrócone przez wybraną metodę i sprawdź dopasowanie czasowe razem z brzmieniem tekstu. Proces tworzenia napisów potrzebuje obu elementów: czytelnego rozpoznanego tekstu i potwierdzenia, że granica czasowa odpowiada właściwemu dźwiękowi. Google ostrzega również, że zwracana wartość pewności na poziomie słowa nie jest rzeczywistą miarą pewności, dlatego nie należy używać jej do potwierdzania poprawności słowa.\n\nAdaptacja rozpoznawania mowy pozwala podać frazy i nazwy własne, które prawdopodobnie wystąpią w nagraniu. Producent dokumentuje słownik obejmujący do 1 000 fraz i zaleca jak najmniejszą liczbę trafnych wpisów, aby nie pogarszać rozpoznawania innych terminów. W przypadku prezentacji technicznej przygotuj krótką listę rzeczywistych nazw produktów i skrótów, a następnie sprawdź je w transkrypcji. Nadanie terminowi większej wagi pomaga uwzględnić go podczas rozpoznawania; nie dowodzi jednak, że został wypowiedziany, ani nie zastępuje sprawdzenia nagrania.\n\nModel zapewnia automatyczną interpunkcję i stosowanie wielkich liter, które można wyłączyć w udokumentowanym interfejsie. Google opisuje również funkcję w wersji zapoznawczej pozwalającą podawać własne instrukcje formatowania transkrypcji, na przykład sposób zapisu konkretnej nazwy lub daty. Ogranicz te instrukcje do formatowania rozpoznanej mowy. Transkrypcja, która normalizuje datę lub zapisuje markę wielką literą, nadal musi zachowywać sens wypowiedzi. Streszczenie, tłumaczenie lub analiza faktów to późniejsze zastosowania transkrypcji, a nie coś, co potwierdza sam wynik rozpoznawania.\n\nWbudowany moduł odszumiania ma ograniczać muzykę w tle i odgłosy otoczenia, takie jak deszcz czy hałas uliczny. Google wyraźnie stwierdza, że nie może on usuwać ludzkich głosów w tle. Zachowaj to rozróżnienie przy przygotowywaniu nagrania z nakładającymi się rozmowami. Porównuj hałaśliwe i ciche fragmenty z materiałem źródłowym, zamiast zakładać, że bardziej uporządkowana transkrypcja dowodzi usunięcia zakłócającego dźwięku. Przydatny wynik pozwala rozpoznać niepewne fragmenty i je poprawić.\n\nW zadaniach strumieniowych czułość wykrywania końca wypowiedzi wpływa na to, kiedy wypowiedź zostaje uznana za zakończoną. Producent opisuje ustawienia standard, short i supershort dla coraz krótszych oczekiwanych wypowiedzi. Szybsze ustawienie może uciąć wypowiedź osoby, która robi pauzę w środku myśli. Dopasuj ustawienie do naturalnego dyktowania, krótkiego zdania lub bardzo krótkiego polecenia i zachowaj przy transkrypcji status wyniku końcowego. W przypadku gotowego pliku sprawdź nazwy, ilości, zaprzeczenia i granice wypowiedzi mówców, a następnie zachowaj wybrany tryb oraz źródłowy dźwięk, aby wynik można było zweryfikować lub wykorzystać ponownie.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "db8a8427037b2a29205f607fbf6126e4e5b5c21a412b330fb9f5440366a6e129", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "pl", "methods": [ { "html": "google/chirp-3Google Chirp 3 to wielojęzyczny model rozpoznawania mowy przeznaczony do przetwarzania strumieniowego, krótkich nagrań i transkrypcji dłuższych materiałów w trybie wsadowym. Zapewnia automatyczne wykrywanie języka, interpunkcję, adaptację słownictwa oraz informacje o czasie lub mówcach zależne od wybranego trybu. Jego moduł odszumiania ogranicza szum tła, lecz nie usuwa innych głosów.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Google Chirp 3 to wielojęzyczny model automatycznego rozpoznawania mowy, który przekształca wypowiedzi z nagrań audio w tekst. Google opisuje go jako model transkrypcji Chirp 3 w rodzinie Speech-to-Text V2, z identyfikatorem modelu chirp_3. Służy do rozpoznawania mowy nagranej lub przesyłanej strumieniowo, z wykrywaniem języka i funkcjami właściwymi dla transkrypcji. Wynikiem jest transkrypcja wraz z metadanymi obsługiwanymi przez wybraną metodę rozpoznawania, a nie wygenerowana mowa czy swobodna odpowiedź asystenta.
Producent rozróżnia rozpoznawanie strumieniowe, rozpoznawanie synchroniczne dla krótkich klipów oraz rozpoznawanie wsadowe dla dłuższych nagrań. Wybierz tryb odpowiedni do źródłowego dźwięku i wymaganego wyniku. W przypadku krótkiej notatki głosowej wystarczająca może być ukończona odpowiedź tekstowa. W przypadku wywiadu lub nagranej rozmowy bardziej przydatny może być wynik wsadowy zawierający informacje o mówcach. Przy tworzeniu napisów na żywo lub interfejsu poleceń głosowych odróżniaj tekst pośredni od ostatecznego wyniku rozpoznawania i zachowuj informacje o przedziale nagrania, którego dotyczy.
Przygotuj dźwięk w kodowaniu oczekiwanym przez implementację rozpoznawania. Przykłady Google dla Chirp 3 wykorzystują automatycznie wykrywane dekodowanie dla nagranych plików oraz jawnie określone dekodowanie w konfiguracji strumieniowania surowego dźwięku. Powiązana dokumentacja dekodera V2 wymienia wśród obsługiwanych kodowań WAV z dźwiękiem PCM lub kompandowanym, FLAC, MP3, Ogg/WebM Opus oraz AAC w kontenerach MP4, M4A lub MOV. Nazwa kontenera nie zastępuje rzeczywistego kodeka i konfiguracji próbkowania. Zadbaj o wyraźną mowę i unikaj silnego przesterowania oraz zbędnej konwersji powodującej utratę słyszalnych szczegółów.
Chirp 3 potrafi automatycznie zidentyfikować i transkrybować dominujący język, a zestaw oczekiwanych wariantów językowo-regionalnych może zawęzić możliwości rozpoznawania. Dostępność języków zależy od metody i funkcji. Lista języków transkrypcji jest szersza niż lista języków obsługujących diaryzację, więc samo rozpoznawanie danego języka nie oznacza, że działają w nim wszystkie funkcje dotyczące mówców lub czasu. Użyj wariantu językowo-regionalnego pasującego do nagrania i zachowaj do sprawdzenia nazwy oraz terminy specjalistyczne wypowiadane przy przełączaniu między językami. Etykieta wykrytego języka jest częścią wyniku, a nie dowodem poprawnego rozpoznania wszystkich nietypowych słów.
Diaryzacja mówców grupuje wypowiedzi według głosu w nagraniu jednokanałowym. Google udostępnia przykład transkrypcji wsadowej z informacją o mówcy dla każdego słowa. W przypadku wywiadu zachowaj te etykiety razem z rozpoznanym tekstem i porównaj zmiany mówców z nagraniem, zanim przypiszesz im rzeczywiste nazwiska lub role. Podobne głosy, przerywanie wypowiedzi i nakładanie się mowy mogą utrudniać przypisanie. Jasno określ układ kanałów materiału źródłowego i cel weryfikacji mówców, zamiast traktować etykietę jako niezależnie potwierdzoną tożsamość.
Informacje o czasie również zależą od metody. Rozpoznawanie strumieniowe zapewnia znaczniki czasu na poziomie wypowiedzi, natomiast wskazówki producenta dotyczące rozpoznawania plików opisują opcjonalne czasy poszczególnych słów, z możliwym kompromisem w jakości transkrypcji. Zachowaj metadane rzeczywiście zwrócone przez wybraną metodę i sprawdź dopasowanie czasowe razem z brzmieniem tekstu. Proces tworzenia napisów potrzebuje obu elementów: czytelnego rozpoznanego tekstu i potwierdzenia, że granica czasowa odpowiada właściwemu dźwiękowi. Google ostrzega również, że zwracana wartość pewności na poziomie słowa nie jest rzeczywistą miarą pewności, dlatego nie należy używać jej do potwierdzania poprawności słowa.
Adaptacja rozpoznawania mowy pozwala podać frazy i nazwy własne, które prawdopodobnie wystąpią w nagraniu. Producent dokumentuje słownik obejmujący do 1 000 fraz i zaleca jak najmniejszą liczbę trafnych wpisów, aby nie pogarszać rozpoznawania innych terminów. W przypadku prezentacji technicznej przygotuj krótką listę rzeczywistych nazw produktów i skrótów, a następnie sprawdź je w transkrypcji. Nadanie terminowi większej wagi pomaga uwzględnić go podczas rozpoznawania; nie dowodzi jednak, że został wypowiedziany, ani nie zastępuje sprawdzenia nagrania.
Model zapewnia automatyczną interpunkcję i stosowanie wielkich liter, które można wyłączyć w udokumentowanym interfejsie. Google opisuje również funkcję w wersji zapoznawczej pozwalającą podawać własne instrukcje formatowania transkrypcji, na przykład sposób zapisu konkretnej nazwy lub daty. Ogranicz te instrukcje do formatowania rozpoznanej mowy. Transkrypcja, która normalizuje datę lub zapisuje markę wielką literą, nadal musi zachowywać sens wypowiedzi. Streszczenie, tłumaczenie lub analiza faktów to późniejsze zastosowania transkrypcji, a nie coś, co potwierdza sam wynik rozpoznawania.
Wbudowany moduł odszumiania ma ograniczać muzykę w tle i odgłosy otoczenia, takie jak deszcz czy hałas uliczny. Google wyraźnie stwierdza, że nie może on usuwać ludzkich głosów w tle. Zachowaj to rozróżnienie przy przygotowywaniu nagrania z nakładającymi się rozmowami. Porównuj hałaśliwe i ciche fragmenty z materiałem źródłowym, zamiast zakładać, że bardziej uporządkowana transkrypcja dowodzi usunięcia zakłócającego dźwięku. Przydatny wynik pozwala rozpoznać niepewne fragmenty i je poprawić.
W zadaniach strumieniowych czułość wykrywania końca wypowiedzi wpływa na to, kiedy wypowiedź zostaje uznana za zakończoną. Producent opisuje ustawienia standard, short i supershort dla coraz krótszych oczekiwanych wypowiedzi. Szybsze ustawienie może uciąć wypowiedź osoby, która robi pauzę w środku myśli. Dopasuj ustawienie do naturalnego dyktowania, krótkiego zdania lub bardzo krótkiego polecenia i zachowaj przy transkrypcji status wyniku końcowego. W przypadku gotowego pliku sprawdź nazwy, ilości, zaprzeczenia i granice wypowiedzi mówców, a następnie zachowaj wybrany tryb oraz źródłowy dźwięk, aby wynik można było zweryfikować lub wykorzystać ponownie.
POST /v1/audio/transcriptionsaudiotext| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity google/chirp-3 | Domyślnie— |
Poleinput_audio | Typobject | WymaganieWymagane | Wartości i limity | Domyślnie— |
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, input_audio |
Parametrmaterial_types | Kontraktaudio |
Parametrmaterial_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}
Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie.
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 $0.000533333333334 za sekundę dźwięku wejściowego |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
set -eu\n: "${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': 'google/chirp-3', '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.\nKompletna 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}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}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.
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.
| Pole | Typ |
|---|---|
Poletext (when present) | Typ |
Poleusage (when present) | Typ |
| 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. |
Ailoot Ultra google/chirp-3
Użyj ścieżek metod podanych powyżej.