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.
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.
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.
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.
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.
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.
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.
", "aboutText": "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.\n\n### Przygotuj ukończone nagranie\n\nDostarcz 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.\n\nW 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.\n\nJest 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.\n\n### Poproś o transkrypcję z oznaczeniem mówców\n\nFormat 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.\n\nDla 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.\n\nEtykiety 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.\n\n### Referencje znanych mówców\n\nUdokumentowany 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.\n\nPrzygotuj 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.\n\nNie myl nazwania mówcy ze zmienianiem wypowiedzianych słów. Użyteczne wyjście nadal musi zachowywać treść nagrania i rzeczywistą kolejność wypowiedzi.\n\n### Podział na części i limity modelu\n\nDla 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.\n\nKarta 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.\n\nZachowuj 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.\n\n### Strumieniuj ukończone segmenty\n\nProces 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.\n\nTo 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.\n\n### Granice modelu i wyjścia\n\nTen 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.\n\nUżywaj 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.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "9dc725022426f4db0739835548b42ce0faa2f1135771c82840d1e6987d0364a0", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "pl", "methods": [ { "html": "openai/gpt-4o-transcribe-diarizeGPT-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.
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.
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.
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.
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.
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.
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.
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.
POST /v1/audio/transcriptionsaudiotranscription| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity openai/gpt-4o-transcribe-diarize | Domyślnie— |
Polefile | Typfile | WymaganieWymagane | Wartości i limity Maksymalna liczba bajtów: 26 214 400 Typy MIME: audio/mpeg Rozszerzenie pliku: .mp3 Maksymalny czas trwania, sekundy: 30 | Domyślnie— |
Poleresponse_format | Typstring | WymaganieWymagane | Wartości i limity diarized_json | Domyślnie— |
diarized_transcription
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktmultipart/form-data |
Parametrrequired | Kontraktmodel, file, response_format |
Parametrfile_formats | Kontraktmp3 |
Parametrmax_audio_seconds | Kontrakt30 |
Parametrmax_bytes | Kontrakt26214400 |
Parametrresponse_format | Kontraktdiarized_json |
Parametrother_options | Kontraktfalse |
Parametrmaterial_types | Kontraktaudio |
Parametradditional_properties | Kontraktfalse |
Parametrform_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.
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 |
| 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 $0.02 / 1K tokenów dźwięku |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_AUDIO_FILE:?Set the path to your actual MP3 recording}"\nexport AILOOT_AUDIO_FILE\npython3 - <<'PY_REQUEST'\nimport os\nfrom pathlib import Path\np=Path(os.environ["AILOOT_AUDIO_FILE"])\nif not p.is_file() or p.suffix.lower()!=".mp3":raise SystemExit("Choose an existing MP3 recording")\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" \\\n --form-string model=openai/gpt-4o-transcribe-diarize -F "file=@$AILOOT_AUDIO_FILE" --form-string response_format=diarized_json \\\n -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("result.json").read_text())))\nPY_RESULT\njson
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nexport AILOOT_API_KEY\npython3 - <<'PY_ASSETS'\nimport json,os,subprocess\nfrom pathlib import Path\nfrom urllib.parse import urljoin,urlsplit\nr=json.loads(Path('result.json').read_text())\nurls=[]\nif isinstance(r.get('asset_url'),str) and r['asset_url']:urls.append(('transcript',r['asset_url']))\nfor label,path in urls:\n u=urljoin('https://api.ailoot.ai',path);z=urlsplit(u)\n if z.scheme!='https' or z.netloc!='api.ailoot.ai' or z.username or z.password:raise SystemExit('Use the actual returned Ailoot owned content URL')\n target=Path('owned-'+label+'.bin')\n subprocess.run(['curl','--fail-with-body','--silent','--show-error',u,'-H','Authorization: Bearer '+os.environ['AILOOT_API_KEY'],'-D',str(target)+'.headers','-o',str(target)],check=True)\nprint('All returned owned URLs saved; complete metadata, timing and usage remain in the JSON.')\nPY_ASSETS\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o media-assets.json\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_MEDIA_TASK_ID:?Set the actual ID returned by the response or media-library metadata}"\nexport AILOOT_MEDIA_TASK_ID\nresource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_MEDIA_TASK_ID"],safe=""))')\ncurl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/tasks/$resource_id" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o media-task.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("media-task.json").read_text())))\nPY_RESULT\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_ASSET_ID:?Set the actual ID returned by the response or media-library metadata}"\nexport AILOOT_ASSET_ID\nresource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_ASSET_ID"],safe=""))')\ncurl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/assets/$resource_id" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o media-asset.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("media-asset.json").read_text())))\nPY_RESULT\nZachowaj 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.
Zachowaj pierwotny operation_id/X-Client-Request-ID do uzgodnienia danych bez ponownego wysyłania żądania; brak osobnej ścieżki API do cyklicznego sprawdzania stanu audio.
| Pole | Typ |
|---|---|
Poletext | Typstring |
Polesegments[] | Typobject |
Poletask_id | Typstring |
Poleasset_url | Typstring |
Poleusage | Typobject |
Polesegments[].speaker | Typstring |
Polesegments[].start | Typnumber |
Polesegments[].end | Typnumber |
| 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. |
Odpowiedźserver_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. |
Ailoot Ultra openai/gpt-4o-transcribe-diarize
/audio/transcriptions