OpenAI: Whisper 1

Whisper 1 transkrybuje kompletny plik audio na tekst, oferując wielojęzyczne rozpoznawanie oraz znaczniki czasu słów lub segmentów. Producent obsługuje formaty napisów i osobny proces tłumaczenia na angielski; wynik transkrypcji zachowuje język nagrania.

Ailoot Ultra · Rozpoznawanie mowy POST /v1/audio/transcriptions openai/whisper-1

O modelu

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

Whisper 1 to uniwersalny model API rozpoznawania mowy OpenAI, opisany jako oparty na otwartoźródłowym modelu Whisper V2. Przyjmuje plik audio i zwraca tekst. Producent opisuje wielojęzyczne rozpoznawanie, identyfikację języka i osobne zadanie tłumaczenia mowy. Transkrypcja zachowuje język wypowiedzi; oddzielny interfejs tłumaczenia producenta zwraca tekst angielski.

Przydatnym zastosowaniem jest przygotowanie wywiadu, notatki głosowej lub nagranej rozmowy do późniejszego wyszukiwania i edycji. Dostarcz kompletne nagranie i, gdy jest znany, jego język wejściowy. OpenAI dokumentuje 98 obsługiwanych języków i zaznacza, że dokładność rozpoznawania zależy od języka. Pojedyncza wskazówka języka używa kodu ISO 639-1; nowsze pola wielu języków i słów kluczowych innych modeli transkrypcji są odrębnymi parametrami.

Proces transkrypcji plików producenta przyjmuje pliki do 25 MB w formacie MP3, MP4, MPEG, MPGA, M4A, WAV lub WebM. Większe nagranie skompresuj albo podziel na fragmenty mieszczące się w limicie. Zachowaj granice zdań i kolejność fragmentów, aby złożona transkrypcja pozostawała powiązana z oryginalnym nagraniem. Kontener wideo dostarcza w tym zadaniu swoje audio, a nie wejście do opisu obrazu.

Prompt może podać nazwy, akronimy, słownictwo właściwe nagraniu i kontekst wcześniejszego segmentu. Limit promptu Whisper wynosi 224 tokeny, a prompt powinien odpowiadać językowi audio. Producent stwierdza, że Whisper nie wykonuje instrukcji jak uniwersalny model tekstowy. Używaj promptu jako właściwego kontekstu transkrypcji, a następnie sprawdzaj ważną pisownię z nagraniem, zamiast traktować listę terminów jako słowa, które mówca musiał wypowiedzieć.

Producent dokumentuje formaty transkrypcji JSON, zwykły tekst, SRT, VTT i verbose JSON. Znaczniki czasu słów i segmentów wymagają verbose JSON; można zażądać jednego lub obu poziomów szczegółowości. Dokumentacja API wskazuje, że znaczniki czasu segmentów nie zwiększają opóźnienia, natomiast znaczniki słów wymagają dodatkowego przetwarzania. Wyjścia te wspierają tworzenie napisów i odnajdywanie fragmentów podczas edycji; adnotacje diaryzacji mówców należą do innego wyspecjalizowanego modelu.

Whisper 1 nie obsługuje strumieniowania transkrypcji plików. Dokumentacja podaje także temperaturę próbkowania między zero a jeden; przy zerze model może automatycznie zwiększać temperaturę, gdy wymagają tego progi dekodowania. Opisuje to parametry przetwarzania producenta, a nie obietnicę, że każde nagranie da identyczną lub doskonale dokładną transkrypcję.

Określ końcowy rezultat: transkrypcję do wyszukiwania, plik napisów lub tekst z czasami słów albo segmentów. Zachowaj z wynikiem oryginalne nagranie, kolejność fragmentów i właściwe odniesienia do czasu źródłowego. Późniejsza edycja tekstu może poprawić błąd pisowni lub przygotować podsumowanie, ale porównuj zmiany z audio, aby zachować znaczenie wypowiedzi. Rozpoznany tekst staje się podstawą kolejnego zadania, a nie wygenerowaną odpowiedzią na wypowiedziane pytanie.

Ailoot Ultra · Rozpoznawanie mowy POST /v1/audio/transcriptions openai/whisper-1

openai/whisper-1

OpenAI /openai/whisper-1

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/whisper-1	Domyślnie—
Pole`file`	Typ`file`	WymaganieWymagane	Wartości i limity Typ treści: multipart/form-data	Domyślnie—
Pole`response_format`	Typ`string`	WymaganieOpcjonalne	Wartości i limity json	Domyślnie—
Pole`input_audio.data`	Typ`base64_string`	WymaganieWymagane	Wartości i limity Obowiązuje, gdy: Dane wejściowe JSON dla WhisperOR	Domyślnie—
Pole`input_audio.format`	Typ`string`	WymaganieWymagane	Wartości i limity wav, mp3, flac, ogg, m4a, webm Obowiązuje, gdy: Dane wejściowe JSON dla WhisperOR	Domyślnie—

Kombinacje materiałów wejściowych

· Wymagane: model, file

Parametry i cykl życia metody

Parametr	Kontrakt
Parametr`contours`	Kontrakt{"content_types":["application/json","multipart/form-data"],"required_json":["model","input_audio.data","input_audio.format"],"required_multipart":["model","file"],"file_formats":["wav","mp3","flac","ogg","m4a","webm"],"response_format_optional":["json"]}, {"content_types":["multipart/form-data"],"required":["model","file"],"file_formats":["mp3"],"response_format_option":false}
Parametr`max_bytes`	Kontrakt26214400
Parametr`material_types`	Kontraktaudio

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
Konfiguracjasekunda wejściowego audio	Tabela stawek—	Jednostka rozliczeniowaza sekundę dźwięku wejściowego	Opłata Wejście · sekunda wejściowego audio $0.0002 za sekundę dźwięku wejściowego

Szczegóły taryfy referencyjnej

Referencyjne tabele modelu nie zmieniają wyboru metody, wyceny ani opłat. Naliczane opłaty korzystają ze stawek wybranej metody Ailoot.

OpenAI: Whisper 1

Ceny według konfiguracji

Konfiguracja	Warunki rozliczania	Opłata
KonfiguracjaOpenAI: Whisper 1 · Domyślna konfiguracja	Warunki rozliczaniaKonfiguracja domyślna	Opłata Wejście · Sekundy wejściowego audio 0,0002 USD 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 →

Przykładowe żądania

Ailoot Ultra · Rozpoznawanie mowy

curl

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 $AILOOT_API_KEY" \
  --form-string model=openai/whisper-1 -F "file=@$AILOOT_AUDIO_FILE" \
  -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

Biblioteka multimediówStatus zadaniaSzczegóły pliku

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

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/whisper-1

Aliasy ścieżek metod

Użyj ścieżek metod podanych powyżej.

Powiązane ID modeli

openai/whisper-1

FAQ · OpenAI: Whisper 1

Jakie dane wejściowe i wyniki są dostępne?: POST /v1/audio/transcriptions · openai/whisper-1: audio → transcription
Jakich pól używa żądanie?: POST /v1/audio/transcriptions · openai/whisper-1: model, file, response_format

OpenAI: Whisper 1

OpenAI: Whisper 1

Start

Dostępne w Ailoot · dane wejściowe i metody

Cennik

Stawki Ailoot

Ceny według konfiguracji

Szczegóły taryfy referencyjnej

Ceny według konfiguracji

Przykładowe żądania

Ailoot Ultra · Rozpoznawanie mowy

Odbieranie i zapisywanie wyników

Ailoot Ultra · Rozpoznawanie mowy

Zachowaj wszystkie ukończone wyniki

Jeśli trzeba sprawdzić pierwotną odpowiedź

Aliasy

Aliasy modelu

Aliasy ścieżek metod

Powiązane ID modeli

Firma i jej portfel projektów

Kupuj tokeny z rabatem.

Połącz API z produktem, który sprzedajesz.