Source: https://ailoot.ai/models/pl/openai-gpt-4o-transcribe-diarize/ Canonical: https://ailoot.ai/models/pl/openai-gpt-4o-transcribe-diarize/ Language: pl # gpt-4o-transcribe-diarize [Markdown](https://ailoot.ai/models/pl/openai-gpt-4o-transcribe-diarize/index.md) · [JSON](https://ailoot.ai/models/pl/openai-gpt-4o-transcribe-diarize/facts.json) ## [gpt-4o-transcribe-diarize](https://ailoot.ai/models/pl/openai-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`](https://ailoot.ai/models/pl/openai-gpt-4o-transcribe-diarize/#method-0) 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`](https://ailoot.ai/models/pl/#m=openai%2Fgpt-4o-transcribe-diarize&route=Ultra&caller=openai%2Fgpt-4o-transcribe-diarize&fmt=transcriptions) OpenAI /`openai/gpt-4o-transcribe-diarize` ### Start 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. 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 **$0.02** / 1K tokenów dźwięku | Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. [Jak działają rezerwacja i rozliczenie →](https://ailoot.ai/docs/pl/billing/reserve/) ### Przykładowe żądania #### Ailoot Ultra · Rozpoznawanie mowy curl · zachowane żądanie utworzenia w dokładnej postaci ```bash set -eu : "${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 ```bash set -eu : "${AILOOT_API_KEY:?Set your Ailoot API key}" export AILOOT_API_KEY python3 - <<'PY_ASSETS' import json,os,subprocess from pathlib import Path from urllib.parse import urljoin,urlsplit r=json.loads(Path('result.json').read_text()) urls=[] if isinstance(r.get('asset_url'),str) and r['asset_url']:urls.append(('transcript',r['asset_url'])) for label,path in urls: u=urljoin('https://api.ailoot.ai',path);z=urlsplit(u) if z.scheme!='https' or z.netloc!='api.ailoot.ai' or z.username or z.password:raise SystemExit('Use the actual returned Ailoot owned content URL') target=Path('owned-'+label+'.bin') subprocess.run(['curl','--fail-with-body','--silent','--show-error',u,'-H','Authorization: Bearer '+os.environ['AILOOT_API_KEY'],'-D',str(target)+'.headers','-o',str(target)],check=True) print('All returned owned URLs saved; complete metadata, timing and usage remain in the JSON.') PY_ASSETS ``` ```bash set -eu : "${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 $AILOOT_API_KEY" -o media-assets.json ``` ```bash set -eu : "${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 $AILOOT_API_KEY" -o media-task.json python3 - <<'PY_RESULT' import json from pathlib import Path print(json.dumps(json.loads(Path("media-task.json").read_text()))) PY_RESULT ``` ```bash set -eu : "${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`](https://ailoot.ai/models/pl/#m=openai%2Fgpt-4o-transcribe-diarize&route=Ultra&caller=openai%2Fgpt-4o-transcribe-diarize&fmt=transcriptions) #### Aliasy ścieżek metod `/audio/transcriptions` #### Powiązane ID modeli [`openai/gpt-4o-transcribe-diarize`](https://ailoot.ai/models/pl/#m=openai%2Fgpt-4o-transcribe-diarize&route=Ultra&caller=openai%2Fgpt-4o-transcribe-diarize&fmt=transcriptions) 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` Połącz Ailoot z Claude Code, OpenCode, Hermes albo własną aplikacją. ## Firma i jej portfel projektów Firma i jej portfel projektów: miliony klientów; miesięczna sprzedaż liczona w miliardach. ## Kupuj tokeny z rabatem. Rabat subskrypcji do regularnej pracy. Kody promocyjne — do 50% na tokeny. Subskrypcja Wybierz plan z rabatem do regularnych żądań. Kod promocyjny do 50% Wpisz kod przy zakupie. Cena zostanie przeliczona według aktualnej promocji. Koszty w historii Model, tokeny i kwota są zapisywane dla każdego żądania. [Wybierz subskrypcję](https://ailoot.ai/docs/pl/billing/subscriptions/) · [Sprawdź ceny modeli](https://ailoot.ai/models/pl/) ## Połącz API z produktem, który sprzedajesz. SaaS, aplikacje i boty na warunkach oferty i umowy licencyjnej Ailoot. Do odsprzedaży poproś o licencję resellerską. Aplikacja komercyjna Wbuduj generowanie tekstu, obrazów, wideo i dźwięku w płatne funkcje usługi. Licencja resellerska Prześlij opis projektu i schemat dostępu. Poproś o pisemne warunki używania i odsprzedaży. Dokumenty na stronie Oferta, umowa licencyjna i polityka przetwarzania danych są dostępne przed połączeniem. [Poproś o licencję resellerską](mailto:support@ailoot.ai) · [Oferta i umowa licencyjna](https://ailoot.ai/legal/offer?lang=pl) ## Ailoot · Firma i jej portfel projektów Ailoot opiera się na zgromadzonym doświadczeniu operacyjnym, szerokiej bazie klientów, stabilnej usłudze i stałej kontroli KPI. Firma i jej portfel projektów: miliony klientów; miesięczna sprzedaż liczona w miliardach. Ailoot wykorzystuje to doświadczenie operacyjne, zapewniając dostęp przez API do funkcji AI w produktach klientów, agentach, aplikacjach i automatyzacjach.