GPT Transcribe to model OpenAI zamieniający mowę na tekst dla ukończonych plików audio, strumieniowanych transkrypcji plików i zatwierdzonych tur audio w sesjach Realtime. Przyjmuje audio z opcjonalnym kontekstem tekstowym i zwraca rozpoznany tekst. Producent przeznacza go do dokładnej transkrypcji nagranej mowy w oryginalnym języku, w tym słownictwa dziedzinowego, nagrań wielojęzycznych i przełączania języków. Przydatnym wyjściem jest transkrypcja powiązana z nagraniem, z metadanymi wykrytych języków, gdy model potrafi przewidzieć je wiarygodnie.
Przepływ transkrypcji plików OpenAI przyjmuje pliki do 25 MB. Aktualny opis punktu końcowego wymienia formaty wejściowe FLAC, MP3, MP4, MPEG, MPGA, M4A, OGG, WAV i WebM oraz zaleca metadane wystarczające do rozpoznania formatu, w tym odpowiednie rozszerzenie nazwy pliku i typ zawartości. Dla większego nagrania poradnik zaleca kompresję lub podział na pliki po 25 MB lub mniej. Unikaj przecinania zdania, ponieważ usunięcie otaczającej mowy może zmniejszyć dokładność rozpoznawania. Zachowaj kolejność części i ich pozycje w oryginalnym nagraniu.
Dla spotkania, wywiadu lub nagranej prezentacji dostarcz rzeczywiste audio i określ temat oraz terminologię, która może paść. Przydatnym wynikiem jest rozpoznane brzmienie wypowiedzi, a nie wywnioskowane podsumowanie dyskusji. Zachowaj identyfikator nagrania przy zwróconym tekście, aby osoba sprawdzająca nazwę, liczbę lub niepewną frazę mogła wrócić do właściwego źródła. Transkrypcja może następnie służyć jako materiał do osobnego podsumowania, tłumaczenia lub pracy redakcyjnej.
Producent rozróżnia trzy rodzaje wskazówek. Prompt dostarcza swobodnego kontekstu o temacie lub okolicznościach nagrania. Słowa kluczowe podają dosłowne wyrazy lub frazy oczekiwane w mowie. Lista languages określa spodziewane języki wypowiedzi. W dwujęzycznej dyskusji o produkcie opisz sytuację w prompcie, podaj odpowiednie nazwy produktów jako słowa kluczowe i wskaż oczekiwane języki. Są to podpowiedzi dla rozpoznawania, a nie polecenia wstawiania słownictwa, którego nikt nie wypowiedział.
GPT Transcribe używa pola languages w liczbie mnogiej zamiast starszego pola language w liczbie pojedynczej; OpenAI podaje, że nie należy wysyłać obu. Poradnik przyjmuje obsługiwane kody ISO 639-1, wybrane kody ISO 639-3 oraz regionalne chińskie kody lokalizacji, odrzucając wartości nieobsługiwane lub niepoprawnie zapisane. Każde słowo kluczowe musi mieścić się w jednym wierszu i nie może zawierać nawiasu ostrokątnego, znaku powrotu karetki ani znaku nowego wiersza. Nieprawidłowe słowo kluczowe lub zbyt długi prompt mogą spowodować odrzucenie całego żądania. Zachowaj istotny kontekst i sprawdź, czy sugerowane nazwy rzeczywiście występują w audio, zamiast traktować listę podpowiedzi jako transkrypcję.
Udokumentowany wynik pliku ma postać JSON zawierającą transkrypcję i wykryte języki. Te przewidywania językowe są wyjściem modelu, a nie kopią dostarczonych podpowiedzi językowych. Pusta lista języków jest poprawnym wynikiem, gdy model nie potrafi dokonać wiarygodnego rozpoznania; nie dowodzi ciszy w nagraniu ani niepowodzenia transkrypcji. Przechowuj rozpoznany tekst i metadane językowe oddzielnie, aby dalsze przetwarzanie mogło używać każdego elementu zgodnie z jego znaczeniem.
Ukończony plik może podczas przetwarzania zwracać tekst transkrypcji stopniowo. OpenAI dokumentuje zdarzenia transcript.text.delta dla częściowego tekstu oraz transcript.text.done dla pełnej transkrypcji pliku; zdarzenie końcowe zawiera również wykryte języki. Strumieniowane jest tu wyjście już dostarczonego nagrania. Przydaje się to do wyświetlania postępu przy długim przesłanym pliku, podczas gdy zdarzenie końcowe ustala tekst do zachowania jako ukończony wynik.
GPT Transcribe ma również wyspecjalizowany przepływ Realtime przez WebSocket. Audio jest dopisywane do bufora wejściowego, po czym aplikacja jawnie zatwierdza turę audio. Transkrypcja zaczyna się dla tego zatwierdzonego fragmentu i może emitować przyrosty tekstu przed zdarzeniem zakończenia, z informacjami o wykrytych językach. Model automatycznie wykorzystuje wcześniejsze przepisane tury jako kontekst w tym przepływie sesji producenta. Różni się to od ciągłego emitowania tekstu napisów na żywo podczas napływu audio z mikrofonu; OpenAI nazywa ten ciągły przepływ GPT Live Transcribe.
Dla kilku tur zachowaj identyfikator elementu wejściowego przy odpowiedniej transkrypcji. OpenAI ostrzega, że zdarzenia zakończenia różnych tur nie muszą przychodzić w kolejności wypowiedzi, więc przypisuj każdy końcowy wynik do jego zatwierdzonego wejścia zamiast układać rozmowę wyłącznie według czasu zakończenia. Przydatnym artefaktem jest uporządkowana transkrypcja złożona z właściwych końcowych elementów, w której tekst pośredni oznacza postęp, a nie osobną ukończoną wypowiedź.
Ten profil nie zapewnia uniwersalnego kontraktu napisów, znaczników czasu, tłumaczenia ani etykiet mówców. Poradnik migracji OpenAI rozróżnia te wyspecjalizowane możliwości: natywne formaty napisów i czas poszczególnych słów wymagają zgodnego modelu i formatu, natomiast etykiety mówców korzystają z GPT-4o Transcribe Diarize. Wynik pliku GPT Transcribe to JSON, który nie zastępuje bezpośrednio SRT, VTT ani odpowiedzi z rozbudowanymi znacznikami czasu. Dokładna karta modelu nie publikuje liczbowego limitu kontekstu ani maksymalnego wyjścia, więc nie należy zakładać okna tokenów modelu czatowego dla transkrypcji audio.
Sprawdź trudne słownictwo, liczby, akcenty, szum tła i zmiany języka względem nagrania. Upewnij się, że istotne podpowiedzi poprawiły rozpoznawanie bez wprowadzania niewypowiedzianych terminów i że końcowa transkrypcja obejmuje koniec audio. W wyniku wielojęzycznym zachowaj wypowiedziane słowa przed przygotowaniem tłumaczenia. Te kontrole sprawiają, że transkrypcja nadaje się na materiał źródłowy, jednocześnie jasno oddzielając wskazówki kontekstowe, wykryte języki i rozpoznaną mowę.
", "aboutText": "GPT Transcribe to model OpenAI zamieniający mowę na tekst dla ukończonych plików audio, strumieniowanych transkrypcji plików i zatwierdzonych tur audio w sesjach Realtime. Przyjmuje audio z opcjonalnym kontekstem tekstowym i zwraca rozpoznany tekst. Producent przeznacza go do dokładnej transkrypcji nagranej mowy w oryginalnym języku, w tym słownictwa dziedzinowego, nagrań wielojęzycznych i przełączania języków. Przydatnym wyjściem jest transkrypcja powiązana z nagraniem, z metadanymi wykrytych języków, gdy model potrafi przewidzieć je wiarygodnie.\n\n### Przygotowanie ukończonego nagrania\n\nPrzepływ transkrypcji plików OpenAI przyjmuje pliki do 25 MB. Aktualny opis punktu końcowego wymienia formaty wejściowe FLAC, MP3, MP4, MPEG, MPGA, M4A, OGG, WAV i WebM oraz zaleca metadane wystarczające do rozpoznania formatu, w tym odpowiednie rozszerzenie nazwy pliku i typ zawartości. Dla większego nagrania poradnik zaleca kompresję lub podział na pliki po 25 MB lub mniej. Unikaj przecinania zdania, ponieważ usunięcie otaczającej mowy może zmniejszyć dokładność rozpoznawania. Zachowaj kolejność części i ich pozycje w oryginalnym nagraniu.\n\nDla spotkania, wywiadu lub nagranej prezentacji dostarcz rzeczywiste audio i określ temat oraz terminologię, która może paść. Przydatnym wynikiem jest rozpoznane brzmienie wypowiedzi, a nie wywnioskowane podsumowanie dyskusji. Zachowaj identyfikator nagrania przy zwróconym tekście, aby osoba sprawdzająca nazwę, liczbę lub niepewną frazę mogła wrócić do właściwego źródła. Transkrypcja może następnie służyć jako materiał do osobnego podsumowania, tłumaczenia lub pracy redakcyjnej.\n\n### Kontekst, słowa kluczowe i oczekiwane języki\n\nProducent rozróżnia trzy rodzaje wskazówek. Prompt dostarcza swobodnego kontekstu o temacie lub okolicznościach nagrania. Słowa kluczowe podają dosłowne wyrazy lub frazy oczekiwane w mowie. Lista languages określa spodziewane języki wypowiedzi. W dwujęzycznej dyskusji o produkcie opisz sytuację w prompcie, podaj odpowiednie nazwy produktów jako słowa kluczowe i wskaż oczekiwane języki. Są to podpowiedzi dla rozpoznawania, a nie polecenia wstawiania słownictwa, którego nikt nie wypowiedział.\n\nGPT Transcribe używa pola languages w liczbie mnogiej zamiast starszego pola language w liczbie pojedynczej; OpenAI podaje, że nie należy wysyłać obu. Poradnik przyjmuje obsługiwane kody ISO 639-1, wybrane kody ISO 639-3 oraz regionalne chińskie kody lokalizacji, odrzucając wartości nieobsługiwane lub niepoprawnie zapisane. Każde słowo kluczowe musi mieścić się w jednym wierszu i nie może zawierać nawiasu ostrokątnego, znaku powrotu karetki ani znaku nowego wiersza. Nieprawidłowe słowo kluczowe lub zbyt długi prompt mogą spowodować odrzucenie całego żądania. Zachowaj istotny kontekst i sprawdź, czy sugerowane nazwy rzeczywiście występują w audio, zamiast traktować listę podpowiedzi jako transkrypcję.\n\n### Wyjście JSON i przewidywania wykrytych języków\n\nUdokumentowany wynik pliku ma postać JSON zawierającą transkrypcję i wykryte języki. Te przewidywania językowe są wyjściem modelu, a nie kopią dostarczonych podpowiedzi językowych. Pusta lista języków jest poprawnym wynikiem, gdy model nie potrafi dokonać wiarygodnego rozpoznania; nie dowodzi ciszy w nagraniu ani niepowodzenia transkrypcji. Przechowuj rozpoznany tekst i metadane językowe oddzielnie, aby dalsze przetwarzanie mogło używać każdego elementu zgodnie z jego znaczeniem.\n\n### Strumieniowanie transkrypcji pliku\n\nUkończony plik może podczas przetwarzania zwracać tekst transkrypcji stopniowo. OpenAI dokumentuje zdarzenia transcript.text.delta dla częściowego tekstu oraz transcript.text.done dla pełnej transkrypcji pliku; zdarzenie końcowe zawiera również wykryte języki. Strumieniowane jest tu wyjście już dostarczonego nagrania. Przydaje się to do wyświetlania postępu przy długim przesłanym pliku, podczas gdy zdarzenie końcowe ustala tekst do zachowania jako ukończony wynik.\n\n### Zatwierdzone tury w sesjach Realtime\n\nGPT Transcribe ma również wyspecjalizowany przepływ Realtime przez WebSocket. Audio jest dopisywane do bufora wejściowego, po czym aplikacja jawnie zatwierdza turę audio. Transkrypcja zaczyna się dla tego zatwierdzonego fragmentu i może emitować przyrosty tekstu przed zdarzeniem zakończenia, z informacjami o wykrytych językach. Model automatycznie wykorzystuje wcześniejsze przepisane tury jako kontekst w tym przepływie sesji producenta. Różni się to od ciągłego emitowania tekstu napisów na żywo podczas napływu audio z mikrofonu; OpenAI nazywa ten ciągły przepływ GPT Live Transcribe.\n\nDla kilku tur zachowaj identyfikator elementu wejściowego przy odpowiedniej transkrypcji. OpenAI ostrzega, że zdarzenia zakończenia różnych tur nie muszą przychodzić w kolejności wypowiedzi, więc przypisuj każdy końcowy wynik do jego zatwierdzonego wejścia zamiast układać rozmowę wyłącznie według czasu zakończenia. Przydatnym artefaktem jest uporządkowana transkrypcja złożona z właściwych końcowych elementów, w której tekst pośredni oznacza postęp, a nie osobną ukończoną wypowiedź.\n\n### Wyspecjalizowane wyjścia i istotne ograniczenia\n\nTen profil nie zapewnia uniwersalnego kontraktu napisów, znaczników czasu, tłumaczenia ani etykiet mówców. Poradnik migracji OpenAI rozróżnia te wyspecjalizowane możliwości: natywne formaty napisów i czas poszczególnych słów wymagają zgodnego modelu i formatu, natomiast etykiety mówców korzystają z GPT-4o Transcribe Diarize. Wynik pliku GPT Transcribe to JSON, który nie zastępuje bezpośrednio SRT, VTT ani odpowiedzi z rozbudowanymi znacznikami czasu. Dokładna karta modelu nie publikuje liczbowego limitu kontekstu ani maksymalnego wyjścia, więc nie należy zakładać okna tokenów modelu czatowego dla transkrypcji audio.\n\nSprawdź trudne słownictwo, liczby, akcenty, szum tła i zmiany języka względem nagrania. Upewnij się, że istotne podpowiedzi poprawiły rozpoznawanie bez wprowadzania niewypowiedzianych terminów i że końcowa transkrypcja obejmuje koniec audio. W wyniku wielojęzycznym zachowaj wypowiedziane słowa przed przygotowaniem tłumaczenia. Te kontrole sprawiają, że transkrypcja nadaje się na materiał źródłowy, jednocześnie jasno oddzielając wskazówki kontekstowe, wykryte języki i rozpoznaną mowę.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "143d28ad17b2483aeb353bdc5079a7cef4084b9b4701aa26bd3b47b530cf8e17", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "pl", "methods": [ { "html": "openai/gpt-transcribeGPT Transcribe zamienia nagraną mowę na tekst w jej oryginalnym języku, z promptami kontekstowymi, dosłownymi podpowiedziami słów kluczowych i wskazaniem wielu języków. OpenAI dokumentuje transkrypcję gotowych plików, strumieniowane wyniki pliku i transkrypcję po zatwierdzeniu tur audio Realtime.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
GPT Transcribe to model OpenAI zamieniający mowę na tekst dla ukończonych plików audio, strumieniowanych transkrypcji plików i zatwierdzonych tur audio w sesjach Realtime. Przyjmuje audio z opcjonalnym kontekstem tekstowym i zwraca rozpoznany tekst. Producent przeznacza go do dokładnej transkrypcji nagranej mowy w oryginalnym języku, w tym słownictwa dziedzinowego, nagrań wielojęzycznych i przełączania języków. Przydatnym wyjściem jest transkrypcja powiązana z nagraniem, z metadanymi wykrytych języków, gdy model potrafi przewidzieć je wiarygodnie.
Przepływ transkrypcji plików OpenAI przyjmuje pliki do 25 MB. Aktualny opis punktu końcowego wymienia formaty wejściowe FLAC, MP3, MP4, MPEG, MPGA, M4A, OGG, WAV i WebM oraz zaleca metadane wystarczające do rozpoznania formatu, w tym odpowiednie rozszerzenie nazwy pliku i typ zawartości. Dla większego nagrania poradnik zaleca kompresję lub podział na pliki po 25 MB lub mniej. Unikaj przecinania zdania, ponieważ usunięcie otaczającej mowy może zmniejszyć dokładność rozpoznawania. Zachowaj kolejność części i ich pozycje w oryginalnym nagraniu.
Dla spotkania, wywiadu lub nagranej prezentacji dostarcz rzeczywiste audio i określ temat oraz terminologię, która może paść. Przydatnym wynikiem jest rozpoznane brzmienie wypowiedzi, a nie wywnioskowane podsumowanie dyskusji. Zachowaj identyfikator nagrania przy zwróconym tekście, aby osoba sprawdzająca nazwę, liczbę lub niepewną frazę mogła wrócić do właściwego źródła. Transkrypcja może następnie służyć jako materiał do osobnego podsumowania, tłumaczenia lub pracy redakcyjnej.
Producent rozróżnia trzy rodzaje wskazówek. Prompt dostarcza swobodnego kontekstu o temacie lub okolicznościach nagrania. Słowa kluczowe podają dosłowne wyrazy lub frazy oczekiwane w mowie. Lista languages określa spodziewane języki wypowiedzi. W dwujęzycznej dyskusji o produkcie opisz sytuację w prompcie, podaj odpowiednie nazwy produktów jako słowa kluczowe i wskaż oczekiwane języki. Są to podpowiedzi dla rozpoznawania, a nie polecenia wstawiania słownictwa, którego nikt nie wypowiedział.
GPT Transcribe używa pola languages w liczbie mnogiej zamiast starszego pola language w liczbie pojedynczej; OpenAI podaje, że nie należy wysyłać obu. Poradnik przyjmuje obsługiwane kody ISO 639-1, wybrane kody ISO 639-3 oraz regionalne chińskie kody lokalizacji, odrzucając wartości nieobsługiwane lub niepoprawnie zapisane. Każde słowo kluczowe musi mieścić się w jednym wierszu i nie może zawierać nawiasu ostrokątnego, znaku powrotu karetki ani znaku nowego wiersza. Nieprawidłowe słowo kluczowe lub zbyt długi prompt mogą spowodować odrzucenie całego żądania. Zachowaj istotny kontekst i sprawdź, czy sugerowane nazwy rzeczywiście występują w audio, zamiast traktować listę podpowiedzi jako transkrypcję.
Udokumentowany wynik pliku ma postać JSON zawierającą transkrypcję i wykryte języki. Te przewidywania językowe są wyjściem modelu, a nie kopią dostarczonych podpowiedzi językowych. Pusta lista języków jest poprawnym wynikiem, gdy model nie potrafi dokonać wiarygodnego rozpoznania; nie dowodzi ciszy w nagraniu ani niepowodzenia transkrypcji. Przechowuj rozpoznany tekst i metadane językowe oddzielnie, aby dalsze przetwarzanie mogło używać każdego elementu zgodnie z jego znaczeniem.
Ukończony plik może podczas przetwarzania zwracać tekst transkrypcji stopniowo. OpenAI dokumentuje zdarzenia transcript.text.delta dla częściowego tekstu oraz transcript.text.done dla pełnej transkrypcji pliku; zdarzenie końcowe zawiera również wykryte języki. Strumieniowane jest tu wyjście już dostarczonego nagrania. Przydaje się to do wyświetlania postępu przy długim przesłanym pliku, podczas gdy zdarzenie końcowe ustala tekst do zachowania jako ukończony wynik.
GPT Transcribe ma również wyspecjalizowany przepływ Realtime przez WebSocket. Audio jest dopisywane do bufora wejściowego, po czym aplikacja jawnie zatwierdza turę audio. Transkrypcja zaczyna się dla tego zatwierdzonego fragmentu i może emitować przyrosty tekstu przed zdarzeniem zakończenia, z informacjami o wykrytych językach. Model automatycznie wykorzystuje wcześniejsze przepisane tury jako kontekst w tym przepływie sesji producenta. Różni się to od ciągłego emitowania tekstu napisów na żywo podczas napływu audio z mikrofonu; OpenAI nazywa ten ciągły przepływ GPT Live Transcribe.
Dla kilku tur zachowaj identyfikator elementu wejściowego przy odpowiedniej transkrypcji. OpenAI ostrzega, że zdarzenia zakończenia różnych tur nie muszą przychodzić w kolejności wypowiedzi, więc przypisuj każdy końcowy wynik do jego zatwierdzonego wejścia zamiast układać rozmowę wyłącznie według czasu zakończenia. Przydatnym artefaktem jest uporządkowana transkrypcja złożona z właściwych końcowych elementów, w której tekst pośredni oznacza postęp, a nie osobną ukończoną wypowiedź.
Ten profil nie zapewnia uniwersalnego kontraktu napisów, znaczników czasu, tłumaczenia ani etykiet mówców. Poradnik migracji OpenAI rozróżnia te wyspecjalizowane możliwości: natywne formaty napisów i czas poszczególnych słów wymagają zgodnego modelu i formatu, natomiast etykiety mówców korzystają z GPT-4o Transcribe Diarize. Wynik pliku GPT Transcribe to JSON, który nie zastępuje bezpośrednio SRT, VTT ani odpowiedzi z rozbudowanymi znacznikami czasu. Dokładna karta modelu nie publikuje liczbowego limitu kontekstu ani maksymalnego wyjścia, więc nie należy zakładać okna tokenów modelu czatowego dla transkrypcji audio.
Sprawdź trudne słownictwo, liczby, akcenty, szum tła i zmiany języka względem nagrania. Upewnij się, że istotne podpowiedzi poprawiły rozpoznawanie bez wprowadzania niewypowiedzianych terminów i że końcowa transkrypcja obejmuje koniec audio. W wyniku wielojęzycznym zachowaj wypowiedziane słowa przed przygotowaniem tłumaczenia. Te kontrole sprawiają, że transkrypcja nadaje się na materiał źródłowy, jednocześnie jasno oddzielając wskazówki kontekstowe, wykryte języki i rozpoznaną mowę.
POST /v1/audio/transcriptionsaudiotext| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity openai/gpt-transcribe | 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 $0.00015 za sekundę dźwięku wejściowego |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
set -eu\n: "${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': 'openai/gpt-transcribe', '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 openai/gpt-transcribe
Użyj ścieżek metod podanych powyżej.