gpt-4o-transcribe-diarize

GPT-4o Transcribe Diarize zamienia nagraną mowę na tekst z segmentami oznaczonymi według mówcy i czasu. Nadaje się do spotkań, wywiadów i nagrań wielu osób, gdy transkrypcja musi pokazywać, kto i kiedy mówił, z opcjonalnymi krótkimi nagraniami referencyjnymi znanych mówców.

Ailoot Ultra · Rozpoznawanie mowy POST /v1/audio/transcriptions openai/gpt-4o-transcribe-diarize

O modelu

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

GPT-4o Transcribe Diarize to model automatycznego rozpoznawania mowy OpenAI z wbudowaną diaryzacją mówców. Przypisuje transkrybowane segmenty audio różnym mówcom w rozmowie. Użyteczny wynik to transkrypcja uporządkowana według mówcy i czasu, zamiast samego ciągłego bloku słów. Jest przeznaczony do nagranej mowy wymagającej etykiet mówców, na przykład spotkania, wywiadu lub dyskusji kilku osób.

Przygotuj ukończone nagranie

Dostarcz nagranie do transkrypcji. Udokumentowany proces plikowy przyjmuje MP3, MP4, MPEG, MPGA, M4A, WAV i WebM, z limitem rozmiaru pliku 25 MB. Zachowaj dostęp do nagrania źródłowego, aby wypowiedź mówcy, nazwę lub niejasną frazę można było sprawdzić względem rzeczywistego dźwięku.

W przypadku spotkania zachowaj kolejność rozmowy, zamiast wycinać krótkie pauzy pomagające rozróżnić wypowiedzi. W przypadku wywiadu zachowaj pytanie i odpowiedź razem, gdy zadanie wymaga ich relacji. Przygotowanie audio powinno zapewniać słyszalność mowy bez usuwania informacji istotnych dla wyniku z oznaczeniem mówców.

Jest to proces transkrypcji plikowej. Przetwarzanie ukończonego nagrania i rozpoznawanie wciąż napływającego strumienia audio są odrębnymi zadaniami; oznaczanie mówców przez ten model nie jest obsługiwane w sesjach transkrypcji Realtime.

Poproś o transkrypcję z oznaczeniem mówców

Format wyniku diarized_json zwraca segmenty z etykietami identyfikującymi mówcę oraz czasem początku i końca. Każdy segment zawiera również swój transkrybowany tekst. Zachowuj te pola razem, aby słowa można było powiązać z odpowiednią częścią nagrania.

Dla użytecznej transkrypcji spotkania zachowaj kolejność segmentów i pokaż słowa każdego mówcy wraz z czasem. Późniejsze zadanie może wykorzystać tę transkrypcję do przygotowania protokołu lub listy działań, ale sama diaryzacja nie rozstrzyga ustaleń spotkania ani nie generuje zweryfikowanego podsumowania.

Etykiety mówców opisują grupowanie mowy wykonane przez model. Sprawdź przejścia, w których ludzie sobie przerywają, mówią krótko lub jednocześnie. Dobrze uporządkowany wynik ułatwia nawigację i przegląd, natomiast konkretne przypisanie może nadal wymagać odsłuchania oryginalnego audio.

Referencje znanych mówców

Udokumentowany proces może przyjmować maksymalnie cztery nazwane referencje mówców. Każda jest krótkim klipem audio trwającym 2–10 sekund w formacie obsługiwanym przy przesyłaniu głównego nagrania. Nazwy i referencje są dostarczane razem, aby segmenty można było powiązać ze znanymi mówcami.

Przygotuj referencję wyraźnie zawierającą zamierzonego mówcę i zachowaj jej nazwę spójną z docelowymi etykietami transkrypcji. Przy wywiadzie referencja dla prowadzącego może pomóc uporządkować wynik z oznaczeniem mówców bez zamieniania każdego uczestnika w anonimową etykietę. Referencja jest wejściem do przypisania; nie jest ogólną operacją klonowania głosu ani dowodem tożsamości osoby.

Nie myl nazwania mówcy ze zmienianiem wypowiedzianych słów. Użyteczne wyjście nadal musi zachowywać treść nagrania i rzeczywistą kolejność wypowiedzi.

Podział na części i limity modelu

Dla audio dłuższego niż 30 sekund producent wymaga strategii podziału na części: automatycznej albo z konfiguracją wykrywania aktywności głosowej. Wymóg ten nie jest maksymalnym czasem nagrania. Opisuje sposób dzielenia dłuższego wejścia do przetwarzania.

Karta modelu podaje okno kontekstu o wielkości 16 000 tokenów i maksymalnie 2 000 tokenów wyjścia. Są to limity tokenów modelu, odrębne od limitu przesyłanego pliku 25 MB i progu podziału na części. Nie należy przeliczać ich na wymyśloną liczbę minut stosowaną do każdego nagrania.

Zachowuj czas i tożsamość segmentów przy składaniu lub sprawdzaniu dłuższej transkrypcji. Jeśli nagranie podzielono przed wysłaniem, zachowaj relację każdej części do oryginalnego audio, aby lokalny znacznik czasu nie został pomylony z pozycją w całej rozmowie.

Strumieniuj ukończone segmenty

Proces transkrypcji plikowej może strumieniować tekst podczas przetwarzania nagrania. Przy strumieniowaniu z oznaczaniem mówców ukończone segmenty generują zdarzenia segmentów. Przyrosty tekstu zawierają identyfikator segmentu, ale nie zawierają częściowych przypisań mówców; mówca jest przypisywany po ukończeniu segmentu.

To rozróżnienie ma znaczenie dla prezentacji. Pokazuj tekst wstępny i ukończoną wypowiedź mówcy jako różne stany, zamiast przypisywać niepewną etykietę mówcy, zanim model zakończy segment. Zachowaj ukończony wynik, gdy transkrypcja jest potrzebna do dalszej edycji lub analizy.

Granice modelu i wyjścia

Ten profil jest modelem diaryzacji, odrębnym od zwykłej transkrypcji GPT-4o, transkrypcji Mini, syntezy mowy i modeli rozmowy na żywo. Nie obsługuje promptów do transkrypcji; ewentualny przegląd terminologii lub korektę zachowaj jako osobny krok sprawdzany względem oryginalnego audio. Interfejs producenta dotyczy transkrypcji nagranego audio na tekst. Nie generuje odpowiedzi audio ani nie tłumaczy nagrania przez osobny proces tłumaczenia audio.

Używaj go do transkrypcji wymagających treści i struktury mówców. Sprawdzaj nazwy, terminy techniczne, liczby, granice wypowiedzi i przypisania względem nagrania. Zachowuj audio, wybrany format wyniku, referencje i ukończoną transkrypcję, aby korekta mogła dotyczyć jednej konkretnej frazy lub przypisania mówcy.

Ailoot Ultra · Rozpoznawanie mowy POST /v1/audio/transcriptions openai/gpt-4o-transcribe-diarize

openai/gpt-4o-transcribe-diarize

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

Start

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
Pole`model`	Typ`string`	WymaganieWymagane	Wartości i limity openai/gpt-4o-transcribe-diarize	Domyślnie—
Pole`file`	Typ`file`	WymaganieWymagane	Wartości i limity Maksymalna liczba bajtów: 26 214 400 Typy MIME: audio/mpeg Rozszerzenie pliku: .mp3 Maksymalny czas trwania, sekundy: 30	Domyślnie—
Pole`response_format`	Typ`string`	WymaganieWymagane	Wartości i limity diarized_json	Domyślnie—

Kombinacje materiałów wejściowych

diarized_transcription

Parametry i cykl życia metody

Parametr	Kontrakt
Parametr`content_type`	Kontraktmultipart/form-data
Parametr`required`	Kontraktmodel, file, response_format
Parametr`file_formats`	Kontraktmp3
Parametr`max_audio_seconds`	Kontrakt30
Parametr`max_bytes`	Kontrakt26214400
Parametr`response_format`	Kontraktdiarized_json
Parametr`other_options`	Kontraktfalse
Parametr`material_types`	Kontraktaudio
Parametr`additional_properties`	Kontraktfalse
Parametr`form_string_maximum_bytes`	Kontrakt256

Aliasy metody: /audio/transcriptions

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 rzeczywistego nagrania i odpowiadającego mu formatu.

Zachowaj pełną transkrypcję, segmenty, identyfikatory mówców i czasy.

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 rozliczeniowa/ 1K tokenów dźwięku	Opłata Wejście · token wejściowego audio $0.012 / 1K tokenów dźwięku
KonfiguracjaUltra	Tabela stawek—	Jednostka rozliczeniowa/ 1K tokenów dźwięku	Opłata Wyjście · token wyjściowego audio $0.02 / 1K tokenów dźwięku

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 · Rozpoznawanie mowy

curl · zachowane żądanie utworzenia w dokładnej postaci

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_AUDIO_FILE:?Set the path to your actual MP3 recording}"
export AILOOT_AUDIO_FILE
python3 - <<'PY_REQUEST'
import os
from pathlib import Path
p=Path(os.environ["AILOOT_AUDIO_FILE"])
if not p.is_file() or p.suffix.lower()!=".mp3":raise SystemExit("Choose an existing MP3 recording")
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \
  -H "Authorization: Bearer $AILOOT_API_KEY" \
  --form-string model=openai/gpt-4o-transcribe-diarize -F "file=@$AILOOT_AUDIO_FILE" --form-string response_format=diarized_json \
  -D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
print(json.dumps(json.loads(Path("result.json").read_text())))
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}

Inne odczyty treści

Zapisz każdą zwróconą transkrypcję, która należy do CiebieBiblioteka multimediówStatus zadaniaSzczegóły pliku

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
export AILOOT_API_KEY
python3 - <<'PY_ASSETS'
import json,os,subprocess
from pathlib import Path
from urllib.parse import urljoin,urlsplit
r=json.loads(Path('result.json').read_text())
urls=[]
if isinstance(r.get('asset_url'),str) and r['asset_url']:urls.append(('transcript',r['asset_url']))
for label,path in urls:
    u=urljoin('https://api.ailoot.ai',path);z=urlsplit(u)
    if z.scheme!='https' or z.netloc!='api.ailoot.ai' or z.username or z.password:raise SystemExit('Use the actual returned Ailoot owned content URL')
    target=Path('owned-'+label+'.bin')
    subprocess.run(['curl','--fail-with-body','--silent','--show-error',u,'-H','Authorization: Bearer '+os.environ['AILOOT_API_KEY'],'-D',str(target)+'.headers','-o',str(target)],check=True)
print('All returned owned URLs saved; complete metadata, timing and usage remain in the JSON.')
PY_ASSETS

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \
  -H "Authorization: Bearer $AILOOT_API_KEY" -o media-assets.json

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_MEDIA_TASK_ID:?Set the actual ID returned by the response or media-library metadata}"
export AILOOT_MEDIA_TASK_ID
resource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_MEDIA_TASK_ID"],safe=""))')
curl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/tasks/$resource_id" \
  -H "Authorization: Bearer $AILOOT_API_KEY" -o media-task.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
print(json.dumps(json.loads(Path("media-task.json").read_text())))
PY_RESULT

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_ASSET_ID:?Set the actual ID returned by the response or media-library metadata}"
export AILOOT_ASSET_ID
resource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_ASSET_ID"],safe=""))')
curl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/assets/$resource_id" \
  -H "Authorization: Bearer $AILOOT_API_KEY" -o media-asset.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
print(json.dumps(json.loads(Path("media-asset.json").read_text())))
PY_RESULT

Zachowaj wszystkie ukończone wyniki

Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.

Zachowaj kompletny JSON, a nie tylko tekst; zachowaj każdy dostępny segment, mówcę i znacznik czasu oraz rzeczywistą tożsamość zadania lub zasobu.

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
Pole`text`	Typstring
Pole`segments[]`	Typobject
Pole`task_id`	Typstring
Pole`asset_url`	Typstring
Pole`usage`	Typobject
Pole`segments[].speaker`	Typstring
Pole`segments[].start`	Typnumber
Pole`segments[].end`	Typnumber

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 openai/gpt-4o-transcribe-diarize

Aliasy ścieżek metod

/audio/transcriptions

Powiązane ID modeli

openai/gpt-4o-transcribe-diarize

FAQ · gpt-4o-transcribe-diarize

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

gpt-4o-transcribe-diarize