OpenAI: GPT-4o Mini Transcribe

GPT-4o Mini Transcribe to model OpenAI do zamiany mowy na tekst, oparty na GPT-4o Mini. Przekształca dźwięk w transkrypcję JSON, obsługuje prompty tekstowe dopasowane do nagrania i strumieniowe wyniki z pliku oraz może zwrócić logarytmy prawdopodobieństwa tokenów do ukierunkowanej kontroli transkrypcji.

Ailoot Ultra · Transkrypcja POST /v1/audio/transcriptions openai/gpt-4o-mini-transcribe

O modelu

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

GPT-4o Mini Transcribe to model OpenAI do zamiany mowy na tekst, oparty na GPT-4o Mini. Przyjmuje dźwięk z opcjonalnymi wskazówkami tekstowymi i generuje rozpoznany tekst. Jest odrębny od GPT-4o Transcribe, który wykorzystuje GPT-4o, oraz od nowszego profilu GPT Transcribe z osobnymi polami słów kluczowych i wielojęzycznych wskazówek. Przydatnym materiałem jest tu transkrypcja oryginalnej mowy z nagrania, przygotowana do wyszukiwania, kontroli lub kolejnego etapu przetwarzania treści.

Przygotowanie nagrania

Przewodnik OpenAI dotyczący transkrypcji plików dopuszcza przesyłanie dźwięku o rozmiarze do 25 MB. Aktualna dokumentacja punktu końcowego wymienia FLAC, MP3, MP4, MPEG, MPGA, M4A, OGG, WAV i WebM, z metadanymi nazwy pliku i typu zawartości wystarczającymi do identyfikacji formatu dźwięku. Większe nagrania można skompresować lub podzielić na części o rozmiarze nieprzekraczającym 25 MB. Podczas dzielenia zachowaj granice zdań i powiąż każdą część z nagraniem źródłowym oraz jej położeniem, aby później złożyć tekst we właściwej kolejności.

Dla notatek głosowych zachowaj jedną rozpoznawalną transkrypcję na nagranie i sprawdź nazwy lub liczby, zanim wykorzystasz tekst do tworzenia zadań. W instruktażu mówionym porównaj rozpoznane sformułowania z oryginalnymi instrukcjami przed redakcją do publikacji. Użyteczny opis przygotowawczy wskazuje język wypowiedzi i terminy, które mogłyby zostać źle usłyszane. Transkrypcja słów jest pierwszym krokiem; później ze sprawdzonego tekstu może korzystać interpretacja, streszczenie lub tłumaczenie.

Wskazówki w prompcie i jeden język wejściowy

Istniejące integracje GPT-4o Mini Transcribe obsługują prompt o swobodnej treści. OpenAI opisuje prompty dotyczące nazw, skrótów, słownictwa właściwego nagraniu, interpunkcji, wielkich liter, wypełniaczy wypowiedzi i preferowanego systemu pisma. Dokumentacja punktu końcowego wskazuje, że prompt powinien odpowiadać językowi dźwięku i może zawierać kontekst wcześniejszego segmentu nagrania. Dodaj właściwą pisownię lub krótki opis tematu, zamiast oczekiwać, że prompt transkrypcyjny zadziała jak nieograniczona instrukcja czatu.

Ustalona wskazówka języka tego modelu korzysta z pola language w liczbie pojedynczej. Dokumentacja producenta opisuje kod języka wejściowego ISO 639-1, na przykład en. Osobne pole keywords i pole languages w liczbie mnogiej są udokumentowane dla GPT Transcribe; nie należą do tego profilu Mini. W serii nagrań zachowaj zamierzone ustawienie języka mówionego przy każdym wejściu, zamiast interpretować je jako polecenie przetłumaczenia wyniku.

Wynik JSON i opcjonalne prawdopodobieństwa tokenów

Aktualna dokumentacja punktu końcowego wskazuje JSON jako obsługiwany format odpowiedzi GPT-4o Mini Transcribe. Rozpoznane sformułowania pojawiają się w polu text. Na żądanie odpowiedzi JSON mogą towarzyszyć logarytmy prawdopodobieństwa tokenów; wartości te opisują prawdopodobieństwa tokenów modelu i mogą pomóc wskazać materiał do dokładniejszej kontroli. Nie potwierdzają, że nazwa, liczba lub zdanie odpowiada dźwiękowi. Na podstawie nagrania ustal, czy podejrzane słowo należy poprawić.

Zwykły profil transkrypcji Mini nie zapewnia przez ten kontrakt JSON natywnych wyników SRT, VTT, szczegółowych znaczników czasu słów ani wyników z oznaczeniem mówców. OpenAI opisuje wyspecjalizowane modele i formaty dla tych możliwości. Jeżeli docelowym materiałem jest ścieżka napisów, zachowaj sprawdzoną transkrypcję do osobnego procesu ustalania czasu, zamiast zakładać, że wynik wyłącznie tekstowy zawiera już granice napisów.

Strumieniowe wyniki z pliku i udokumentowane tryby

Przewodnik producenta dotyczący zamiany mowy na tekst wyraźnie wskazuje, że istniejące integracje GPT-4o Mini Transcribe obsługują strumieniowe przetwarzanie plików. Ukończone nagranie może podczas przetwarzania dawać częściowy tekst transkrypcji, a następnie wynik końcowy. Zachowaj końcową transkrypcję jako ukończony materiał; pojawienie się częściowego tekstu nie oznacza, że proces plikowy stale przyjmuje dźwięk z mikrofonu na żywo. Karta modelu osobno wymienia rodziny punktów końcowych transkrypcji i Realtime. Te interfejsy producenta nie oznaczają, że każde pole sesji z innego modelu transkrypcji ma tu zastosowanie.

Kontekst, limit wyniku i przydatne kontrole

Aktualna specyfikacja modelu OpenAI podaje okno kontekstu 16 000 tokenów, maksymalny wynik 2 000 tokenów i datę graniczną wiedzy 1 czerwca 2024 roku. Są to wartości specyfikacji modelu, a nie uniwersalny czas nagrania dźwiękowego w minutach. Reguła rozmiaru pliku i limit tokenów opisują różne ograniczenia. Przy długim materiale przygotuj nagranie zgodnie z udokumentowanym procesem plikowym, przenoś istotny kontekst między częściami i sprawdź, czy końcowy tekst obejmuje zakończenie źródła.

Użyteczny wynik Mini Transcribe zachowuje sformułowania i ich związek z nagraniem, a opcjonalne dane prawdopodobieństwa są oddzielone od poprawek redakcyjnych. Sprawdzaj nieznane słownictwo, akcenty, szum tła, zmiany języka i nakładające się wypowiedzi, mając dostęp do oryginalnego dźwięku. Podczas redagowania tekstu dla czytelności oddziel wersję redakcyjną od rozpoznanej transkrypcji, aby późniejsi użytkownicy mogli ustalić, które sformułowania pochodzą z nagrania, a które zmieniono podczas przygotowania.

Ailoot Ultra · Transkrypcja POST /v1/audio/transcriptions openai/gpt-4o-mini-transcribe

openai/gpt-4o-mini-transcribe

OpenAI /openai/gpt-4o-mini-transcribe

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 openai/gpt-4o-mini-transcribe	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
Konfiguracjatoken wejściowy	Tabela stawek—	Jednostka rozliczeniowa/ 1K tokenów	Opłata Wejście $0.0025 / 1K tokenów
Konfiguracjatoken wyjściowy	Tabela stawek—	Jednostka rozliczeniowa/ 1K tokenów	Opłata Wyjście $0.01 / 1K tokenów

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': 'openai/gpt-4o-mini-transcribe', '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 openai/gpt-4o-mini-transcribe

Aliasy ścieżek metod

Użyj ścieżek metod podanych powyżej.

Powiązane ID modeli

openai/gpt-4o-mini-transcribe

FAQ · OpenAI: GPT-4o Mini Transcribe

Jakie dane wejściowe i wyniki są dostępne?: POST /v1/audio/transcriptions · openai/gpt-4o-mini-transcribe: audio → text
Jakich pól używa żądanie?: POST /v1/audio/transcriptions · openai/gpt-4o-mini-transcribe: model, input_audio

OpenAI: GPT-4o Mini Transcribe