Whisper large-v3-turbo, nazywany także Turbo, to zoptymalizowany model transkrypcji OpenAI wywodzący się z Whisper large-v3. Jego dekoder zmniejszono z 32 warstw do czterech, a enkoder pozostaje przy 32 warstwach. Wydany model ma około 809 milionów parametrów. Celem producenta jest szybsze rozpoznawanie mowy z niewielkim kompromisem w zakresie dokładności, a nie inny tryb generowania dźwięku. Wejściem jest nagrana mowa, a wynikiem rozpoznany tekst.
Ogłoszenie wydania odróżnia przygotowanie Turbo od osobno destylowanego modelu Whisper: Turbo dostrajano przez dwie dodatkowe epoki na wielojęzycznych danych transkrypcji, z wyłączeniem danych tłumaczeniowych. Ta różnica jest istotna operacyjnie. Repozytorium OpenAI podaje, że Turbo nie jest szkolony do tłumaczenia nieangielskiej mowy na angielski i może zwracać oryginalny język nawet przy żądaniu tłumaczenia. Używaj tej edycji do transkrypcji w tym samym języku; wymaganie tłumaczenia należy do innego odpowiedniego modelu lub oddzielnego etapu po transkrypcji.
Wykrywanie języka źródłowego i jawny wybór języka pozostają przydatnymi opcjami transkrypcji. Gdy język nagrania jest znany, wskaż go w opisie zadania; w przeciwnym razie udokumentowany przepływ może go wykryć. Zachowaj nazwy, ilości i wypowiedziane słowa przed prośbą o redakcyjne uporządkowanie. Zapis spotkania, transkrypcję wywiadu lub tekst wykładu można następnie przeszukiwać, komentować lub podsumować w późniejszej operacji. Zadania rozpoznawania Turbo nie należy mylić z syntezą głosu, naśladowaniem mówiącego ani semantycznym osądem na temat osób w nagraniu.
Moduł ładowania dźwięku OpenAI dekoduje pliki wejściowe do próbek monofonicznych przy 16 kHz, a model używa okna akustycznego 30 sekund ze 128 przedziałami częstotliwości w skali Mel. Dłuższe nagrania wymagają inferencji długich materiałów. Przetwarzanie sekwencyjne przechodzi przez okna po kolei; podejście fragmentowe transkrybuje nakładające się części i łączy ich granice. Karta modelu przedstawia drugie podejście jako przydatne przy pojedynczym długim pliku, gdy głównym priorytetem jest czas uzyskania wyniku, a przetwarzanie sekwencyjne jako alternatywę nastawioną na dokładność. Ani okno, ani nazwa modelu nie określają stałego maksymalnego rozmiaru pliku dla hostowanego przesyłania.
Dokładna konfiguracja Turbo podaje 448 pozycji dekodera dla jednej sekwencji dekodowania. Udokumentowany przepływ inferencji może dołączać czasy segmentów lub słów do transkrypcji; informacje czasowe wspierają nawigację i późniejsze formatowanie napisów. Nie dodają automatycznie formatu pliku napisów ani niezawodnych etykiet rozmówców. Określ, czy potrzebna jest zwykła transkrypcja, czy segmenty z czasami, i zachowaj oryginalne nagranie do sprawdzania spornych fragmentów. Przetwarzanie długich materiałów i wszelkie końcowe formatowanie są oddzielne od tożsamości tej wersji wag.
Turbo zmniejsza pracę dekodowania, ale rzeczywisty potrzebny czas zależy od sprzętu, długości nagrania, języka, tempa mowy i wyborów inferencji. Producent zaznacza większy spadek jakości w niektórych językach, w tym tajskim i kantońskim, zamiast jednakowego zachowania wszędzie. Porównaj reprezentatywny fragment w docelowym języku przed uznaniem kompromisu nastawionego na szybkość za odpowiedni dla wszystkich materiałów. Przy przetwarzaniu archiwum uwzględnij w próbce oceny trudne słownictwo, pauzy i zaszumione lub nakładające się fragmenty, a nie tylko czyste zdanie początkowe.
Opublikowana karta zawiera istotne ograniczenia rozpoznawania Whisper: przewidywany tekst może obejmować słowa, których nie wypowiedziano, i może występować powtarzanie tekstu. Wyniki różnią się między językami, akcentami i dialektami, zwłaszcza przy ograniczonej reprezentacji w szkoleniu. Karta nie określa diaryzacji modelu bazowego lub klasyfikacji rozmówców jako solidnych standardowych możliwości. Praktyczna ocena skupia się na zgodności ze źródłem: ważnych nazwach i liczbach, pominiętej mowie, nieoczekiwanym tekście podczas ciszy i powtórzeniach. Czytelna transkrypcja pozostaje wynikiem do porównania z nagraniem, a nie gwarancją dokładnego rozpoznania.
Użyteczny gotowy rezultat to transkrypcja w języku źródłowym z ewentualnymi żądanymi czasami i jasnym powiązaniem z nagraniem. Oddziel wersję rozpoznaną od redakcyjnej wersji do publikacji, aby zmiany dały się prześledzić. Zachowaj nazwę large-v3-turbo przy porównywaniu edycji: nie jest to pełny model large-v3 i nie powinien po cichu dziedziczyć jego zadania tłumaczenia na angielski. Ta tożsamość otwartych wag nie obejmuje także limitów przesyłania, formatów odpowiedzi ani obietnic strumieniowania na żywo hostowanej usługi whisper-1. Wybierz Turbo, gdy udokumentowany kompromis transkrypcji pasuje do rzeczywistego materiału i pożądanego czasu realizacji.
", "aboutText": "Whisper large-v3-turbo, nazywany także Turbo, to zoptymalizowany model transkrypcji OpenAI wywodzący się z Whisper large-v3. Jego dekoder zmniejszono z 32 warstw do czterech, a enkoder pozostaje przy 32 warstwach. Wydany model ma około 809 milionów parametrów. Celem producenta jest szybsze rozpoznawanie mowy z niewielkim kompromisem w zakresie dokładności, a nie inny tryb generowania dźwięku. Wejściem jest nagrana mowa, a wynikiem rozpoznany tekst.\n\nOgłoszenie wydania odróżnia przygotowanie Turbo od osobno destylowanego modelu Whisper: Turbo dostrajano przez dwie dodatkowe epoki na wielojęzycznych danych transkrypcji, z wyłączeniem danych tłumaczeniowych. Ta różnica jest istotna operacyjnie. Repozytorium OpenAI podaje, że Turbo nie jest szkolony do tłumaczenia nieangielskiej mowy na angielski i może zwracać oryginalny język nawet przy żądaniu tłumaczenia. Używaj tej edycji do transkrypcji w tym samym języku; wymaganie tłumaczenia należy do innego odpowiedniego modelu lub oddzielnego etapu po transkrypcji.\n\nWykrywanie języka źródłowego i jawny wybór języka pozostają przydatnymi opcjami transkrypcji. Gdy język nagrania jest znany, wskaż go w opisie zadania; w przeciwnym razie udokumentowany przepływ może go wykryć. Zachowaj nazwy, ilości i wypowiedziane słowa przed prośbą o redakcyjne uporządkowanie. Zapis spotkania, transkrypcję wywiadu lub tekst wykładu można następnie przeszukiwać, komentować lub podsumować w późniejszej operacji. Zadania rozpoznawania Turbo nie należy mylić z syntezą głosu, naśladowaniem mówiącego ani semantycznym osądem na temat osób w nagraniu.\n\nModuł ładowania dźwięku OpenAI dekoduje pliki wejściowe do próbek monofonicznych przy 16 kHz, a model używa okna akustycznego 30 sekund ze 128 przedziałami częstotliwości w skali Mel. Dłuższe nagrania wymagają inferencji długich materiałów. Przetwarzanie sekwencyjne przechodzi przez okna po kolei; podejście fragmentowe transkrybuje nakładające się części i łączy ich granice. Karta modelu przedstawia drugie podejście jako przydatne przy pojedynczym długim pliku, gdy głównym priorytetem jest czas uzyskania wyniku, a przetwarzanie sekwencyjne jako alternatywę nastawioną na dokładność. Ani okno, ani nazwa modelu nie określają stałego maksymalnego rozmiaru pliku dla hostowanego przesyłania.\n\nDokładna konfiguracja Turbo podaje 448 pozycji dekodera dla jednej sekwencji dekodowania. Udokumentowany przepływ inferencji może dołączać czasy segmentów lub słów do transkrypcji; informacje czasowe wspierają nawigację i późniejsze formatowanie napisów. Nie dodają automatycznie formatu pliku napisów ani niezawodnych etykiet rozmówców. Określ, czy potrzebna jest zwykła transkrypcja, czy segmenty z czasami, i zachowaj oryginalne nagranie do sprawdzania spornych fragmentów. Przetwarzanie długich materiałów i wszelkie końcowe formatowanie są oddzielne od tożsamości tej wersji wag.\n\nTurbo zmniejsza pracę dekodowania, ale rzeczywisty potrzebny czas zależy od sprzętu, długości nagrania, języka, tempa mowy i wyborów inferencji. Producent zaznacza większy spadek jakości w niektórych językach, w tym tajskim i kantońskim, zamiast jednakowego zachowania wszędzie. Porównaj reprezentatywny fragment w docelowym języku przed uznaniem kompromisu nastawionego na szybkość za odpowiedni dla wszystkich materiałów. Przy przetwarzaniu archiwum uwzględnij w próbce oceny trudne słownictwo, pauzy i zaszumione lub nakładające się fragmenty, a nie tylko czyste zdanie początkowe.\n\nOpublikowana karta zawiera istotne ograniczenia rozpoznawania Whisper: przewidywany tekst może obejmować słowa, których nie wypowiedziano, i może występować powtarzanie tekstu. Wyniki różnią się między językami, akcentami i dialektami, zwłaszcza przy ograniczonej reprezentacji w szkoleniu. Karta nie określa diaryzacji modelu bazowego lub klasyfikacji rozmówców jako solidnych standardowych możliwości. Praktyczna ocena skupia się na zgodności ze źródłem: ważnych nazwach i liczbach, pominiętej mowie, nieoczekiwanym tekście podczas ciszy i powtórzeniach. Czytelna transkrypcja pozostaje wynikiem do porównania z nagraniem, a nie gwarancją dokładnego rozpoznania.\n\nUżyteczny gotowy rezultat to transkrypcja w języku źródłowym z ewentualnymi żądanymi czasami i jasnym powiązaniem z nagraniem. Oddziel wersję rozpoznaną od redakcyjnej wersji do publikacji, aby zmiany dały się prześledzić. Zachowaj nazwę large-v3-turbo przy porównywaniu edycji: nie jest to pełny model large-v3 i nie powinien po cichu dziedziczyć jego zadania tłumaczenia na angielski. Ta tożsamość otwartych wag nie obejmuje także limitów przesyłania, formatów odpowiedzi ani obietnic strumieniowania na żywo hostowanej usługi whisper-1. Wybierz Turbo, gdy udokumentowany kompromis transkrypcji pasuje do rzeczywistego materiału i pożądanego czasu realizacji.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "06c33f1d17417600e52a7fae4cf4b94f8a35c262a52639582fbe350aa58aa281", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "pl", "methods": [ { "html": "openai/whisper-large-v3-turboWhisper large-v3-turbo to szybsza edycja transkrypcji z otwartymi wagami firmy OpenAI, wywodząca się z large-v3, z czterema warstwami dekodera i 809 milionami parametrów. Służy do wielojęzycznej zamiany mowy na tekst; oficjalna dokumentacja producenta wyklucza tłumaczenie mowy na angielski z zadania, do którego szkolono Turbo.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Whisper large-v3-turbo, nazywany także Turbo, to zoptymalizowany model transkrypcji OpenAI wywodzący się z Whisper large-v3. Jego dekoder zmniejszono z 32 warstw do czterech, a enkoder pozostaje przy 32 warstwach. Wydany model ma około 809 milionów parametrów. Celem producenta jest szybsze rozpoznawanie mowy z niewielkim kompromisem w zakresie dokładności, a nie inny tryb generowania dźwięku. Wejściem jest nagrana mowa, a wynikiem rozpoznany tekst.
Ogłoszenie wydania odróżnia przygotowanie Turbo od osobno destylowanego modelu Whisper: Turbo dostrajano przez dwie dodatkowe epoki na wielojęzycznych danych transkrypcji, z wyłączeniem danych tłumaczeniowych. Ta różnica jest istotna operacyjnie. Repozytorium OpenAI podaje, że Turbo nie jest szkolony do tłumaczenia nieangielskiej mowy na angielski i może zwracać oryginalny język nawet przy żądaniu tłumaczenia. Używaj tej edycji do transkrypcji w tym samym języku; wymaganie tłumaczenia należy do innego odpowiedniego modelu lub oddzielnego etapu po transkrypcji.
Wykrywanie języka źródłowego i jawny wybór języka pozostają przydatnymi opcjami transkrypcji. Gdy język nagrania jest znany, wskaż go w opisie zadania; w przeciwnym razie udokumentowany przepływ może go wykryć. Zachowaj nazwy, ilości i wypowiedziane słowa przed prośbą o redakcyjne uporządkowanie. Zapis spotkania, transkrypcję wywiadu lub tekst wykładu można następnie przeszukiwać, komentować lub podsumować w późniejszej operacji. Zadania rozpoznawania Turbo nie należy mylić z syntezą głosu, naśladowaniem mówiącego ani semantycznym osądem na temat osób w nagraniu.
Moduł ładowania dźwięku OpenAI dekoduje pliki wejściowe do próbek monofonicznych przy 16 kHz, a model używa okna akustycznego 30 sekund ze 128 przedziałami częstotliwości w skali Mel. Dłuższe nagrania wymagają inferencji długich materiałów. Przetwarzanie sekwencyjne przechodzi przez okna po kolei; podejście fragmentowe transkrybuje nakładające się części i łączy ich granice. Karta modelu przedstawia drugie podejście jako przydatne przy pojedynczym długim pliku, gdy głównym priorytetem jest czas uzyskania wyniku, a przetwarzanie sekwencyjne jako alternatywę nastawioną na dokładność. Ani okno, ani nazwa modelu nie określają stałego maksymalnego rozmiaru pliku dla hostowanego przesyłania.
Dokładna konfiguracja Turbo podaje 448 pozycji dekodera dla jednej sekwencji dekodowania. Udokumentowany przepływ inferencji może dołączać czasy segmentów lub słów do transkrypcji; informacje czasowe wspierają nawigację i późniejsze formatowanie napisów. Nie dodają automatycznie formatu pliku napisów ani niezawodnych etykiet rozmówców. Określ, czy potrzebna jest zwykła transkrypcja, czy segmenty z czasami, i zachowaj oryginalne nagranie do sprawdzania spornych fragmentów. Przetwarzanie długich materiałów i wszelkie końcowe formatowanie są oddzielne od tożsamości tej wersji wag.
Turbo zmniejsza pracę dekodowania, ale rzeczywisty potrzebny czas zależy od sprzętu, długości nagrania, języka, tempa mowy i wyborów inferencji. Producent zaznacza większy spadek jakości w niektórych językach, w tym tajskim i kantońskim, zamiast jednakowego zachowania wszędzie. Porównaj reprezentatywny fragment w docelowym języku przed uznaniem kompromisu nastawionego na szybkość za odpowiedni dla wszystkich materiałów. Przy przetwarzaniu archiwum uwzględnij w próbce oceny trudne słownictwo, pauzy i zaszumione lub nakładające się fragmenty, a nie tylko czyste zdanie początkowe.
Opublikowana karta zawiera istotne ograniczenia rozpoznawania Whisper: przewidywany tekst może obejmować słowa, których nie wypowiedziano, i może występować powtarzanie tekstu. Wyniki różnią się między językami, akcentami i dialektami, zwłaszcza przy ograniczonej reprezentacji w szkoleniu. Karta nie określa diaryzacji modelu bazowego lub klasyfikacji rozmówców jako solidnych standardowych możliwości. Praktyczna ocena skupia się na zgodności ze źródłem: ważnych nazwach i liczbach, pominiętej mowie, nieoczekiwanym tekście podczas ciszy i powtórzeniach. Czytelna transkrypcja pozostaje wynikiem do porównania z nagraniem, a nie gwarancją dokładnego rozpoznania.
Użyteczny gotowy rezultat to transkrypcja w języku źródłowym z ewentualnymi żądanymi czasami i jasnym powiązaniem z nagraniem. Oddziel wersję rozpoznaną od redakcyjnej wersji do publikacji, aby zmiany dały się prześledzić. Zachowaj nazwę large-v3-turbo przy porównywaniu edycji: nie jest to pełny model large-v3 i nie powinien po cichu dziedziczyć jego zadania tłumaczenia na angielski. Ta tożsamość otwartych wag nie obejmuje także limitów przesyłania, formatów odpowiedzi ani obietnic strumieniowania na żywo hostowanej usługi whisper-1. Wybierz Turbo, gdy udokumentowany kompromis transkrypcji pasuje do rzeczywistego materiału i pożądanego czasu realizacji.
POST /v1/audio/transcriptionsaudiotext| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity openai/whisper-large-v3-turbo | 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 $0.00000666 za sekundę dźwięku wejściowego |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
set -eu\n: "${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/whisper-large-v3-turbo', '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/whisper-large-v3-turbo
Użyj ścieżek metod podanych powyżej.