Qwen3-ASR-0.6B to kompaktowa edycja rodziny modeli rozpoznawania mowy Qwen3-ASR. Przyjmuje audio i tworzy transkrypcję z oznaczeniem języka. Producent pozycjonuje 0.6B jako równowagę między jakością rozpoznawania a efektywnością, natomiast 1.7B to osobno nazwana większa edycja. Obie korzystają z rozumienia audio modelu Qwen3-Omni i dzielą udokumentowany zakres rozpoznawania oraz ujednolicone podejście offline/strumieniowe. Edycja kompaktowa może zapewnić etap transkrypcji w procesie obsługi notatek głosowych, przygotowywania napisów lub tworzenia przeszukiwalnych nagrań.
Qwen dokumentuje rozpoznawanie i identyfikację języka dla 30 języków i 22 chińskich dialektów, z obsługą angielskich akcentów z różnych regionów. Tabela języków wymienia chiński, angielski, kantoński, arabski, niemiecki, francuski, hiszpański, portugalski, indonezyjski, włoski, koreański, rosyjski, tajski, wietnamski, japoński, turecki, hindi, malajski, niderlandzki, szwedzki, duński, fiński, polski, czeski, filipiński, perski, grecki, węgierski, macedoński i rumuński. Rozpoznawane rodzaje audio obejmują mowę, głos śpiewany i piosenki z muzyką w tle. Mniejsza edycja zachowuje ten zakres rodziny; jej rozmiar nie oznacza innej listy obsługiwanych języków.
Oficjalny zestaw narzędzi może otrzymywać audio przez odwołanie do pliku, jako zakodowane audio lub przebieg sygnału z jego częstotliwością próbkowania. Obsługuje przetwarzanie offline wielu nagrań, automatyczne wykrywanie języka oraz wskazanie obsługiwanego języka. Udokumentowany wynik zawiera język i rozpoznany tekst. Wybierz język wypowiedzi, jeśli go znasz, lub pozwól modelowi go zidentyfikować, gdy zbiór zawiera nieznane języki. Przechowuj identyfikator każdego nagrania przy jego wyniku, aby można było powiązać transkrypcję z właściwym źródłem.
Dla zestawu notatek głosowych zachowaj osobny wynik dla każdej notatki i porównaj nazwy, liczby oraz niejasne sformułowania z nagraniem, zanim zamienisz tekst w zadania lub streszczenie. W przypadku mówionego poradnika użyj transkrypcji do znajdowania fragmentów i sprawdzania brzmienia każdej instrukcji. Przy śpiewie podczas sprawdzania tekstu słuchaj linii wokalnej, zamiast akceptować słowo tylko dlatego, że ma sens w piosence. Są to etapy przygotowania i sprawdzania wyniku tekstowego; streszczanie, tłumaczenie lub interpretowanie transkrypcji może następować jako osobne operacje.
Qwen3-ASR używa tego samego modelu do rozpoznawania offline i strumieniowego. W przykładzie strumieniowym producenta napływające fragmenty audio aktualizują zachowywany stan rozpoznawania, a etap finalizacji zwraca ukończony tekst i język. Umożliwia to przyrostowe wyświetlanie przydatne przy transkrypcji na bieżąco. Traktuj tymczasowy widok jako aktualny stan rozpoznawania, a po zakończeniu nagrania zachowaj wynik końcowy wraz z dostępem do źródłowego audio na potrzeby korekty.
Udokumentowana implementacja strumieniowa nie obsługuje inferencji wsadowej ani zwracania znaczników czasu w tym trybie. Tekst strumieniowy, zbiór transkrypcji offline i przygotowanie napisów z czasami są zatem odrębnymi procesami producenta. Przykładowe wielkości fragmentów i ustawienia tokenów ilustrują implementację; nie są uniwersalnymi obietnicami opóźnienia, współbieżności ani długości audio. Dobierz proces do tego, czy użytecznym wynikiem ma być tekst napływający podczas nagrania, ukończony tekst dla zbioru, czy tekst dopasowany do osi czasu.
Qwen3-ForcedAligner-0.6B to osobny model dopasowania, mimo że dzieli oznaczenie rozmiaru 0.6B z tą edycją ASR. Przyjmuje parę tekst–audio i przewiduje czasy początku i końca na poziomie słów lub znaków. Zestaw narzędzi ASR offline producenta może go wywołać, gdy żądane są znaczniki czasu. Jego udokumentowany zestaw języków to chiński, angielski, kantoński, francuski, niemiecki, włoski, japoński, koreański, portugalski, rosyjski i hiszpański, a podany zakres dopasowania obejmuje do pięciu minut mowy. Ten węższy zestaw języków i pięciominutowy zakres dotyczą dopasowania wymuszonego, a nie ogólnego zakresu transkrypcji modelu ASR.
Do napisów przygotuj sprawdzoną transkrypcję w języku nagrania, dopasuj ją tam, gdzie ma zastosowanie obsługiwany proces, i sprawdź granice segmentów podczas odtwarzania źródła. Użyteczny wynik z napisami zachowuje razem brzmienie tekstu i czasy. Jeśli słowo w transkrypcji jest niepoprawne, popraw je na podstawie audio, zamiast zakładać, że przedział czasowy potwierdza jego poprawność. To rozdzielenie pozwala ustalić, czy problem leży w rozpoznawaniu, dostarczonym tekście, czy w umiejscowieniu granicy napisu.
Rodzina Qwen3-ASR obsługuje długie nagrania. Jej przykłady inferencji zalecają dopuszczenie większej liczby generowanych tokenów dla dłuższego audio, więc upewnij się, że transkrypcja dociera do końca nagrania i nie została ucięta przez limit wyjścia. Opublikowane przykłady nie ustanawiają uniwersalnego liczbowego okna kontekstu ani maksymalnej długości nagrania ASR. Organizując rozbudowane nagranie do przeglądu, zachowaj powiązanie przydatnych sekcji z ich pozycjami w źródle. Sprawdź niewyraźne słowa, zmiany języka, nakładające się wypowiedzi, nietypowe nazwy i śpiewane sylaby na podstawie oryginalnego dźwięku. Praktycznym wynikiem jest rozpoznany tekst z oznaczeniem języka, gotowy do wyszukiwania lub kolejnego etapu pracy z treścią, z czasami dodawanymi w razie potrzeby przez osobny proces dopasowania.
", "aboutText": "Qwen3-ASR-0.6B to kompaktowa edycja rodziny modeli rozpoznawania mowy Qwen3-ASR. Przyjmuje audio i tworzy transkrypcję z oznaczeniem języka. Producent pozycjonuje 0.6B jako równowagę między jakością rozpoznawania a efektywnością, natomiast 1.7B to osobno nazwana większa edycja. Obie korzystają z rozumienia audio modelu Qwen3-Omni i dzielą udokumentowany zakres rozpoznawania oraz ujednolicone podejście offline/strumieniowe. Edycja kompaktowa może zapewnić etap transkrypcji w procesie obsługi notatek głosowych, przygotowywania napisów lub tworzenia przeszukiwalnych nagrań.\n\n### Języki, dialekty i obsługiwane nagrania\n\nQwen dokumentuje rozpoznawanie i identyfikację języka dla 30 języków i 22 chińskich dialektów, z obsługą angielskich akcentów z różnych regionów. Tabela języków wymienia chiński, angielski, kantoński, arabski, niemiecki, francuski, hiszpański, portugalski, indonezyjski, włoski, koreański, rosyjski, tajski, wietnamski, japoński, turecki, hindi, malajski, niderlandzki, szwedzki, duński, fiński, polski, czeski, filipiński, perski, grecki, węgierski, macedoński i rumuński. Rozpoznawane rodzaje audio obejmują mowę, głos śpiewany i piosenki z muzyką w tle. Mniejsza edycja zachowuje ten zakres rodziny; jej rozmiar nie oznacza innej listy obsługiwanych języków.\n\n### Rozpoznawanie offline i przygotowanie wejścia\n\nOficjalny zestaw narzędzi może otrzymywać audio przez odwołanie do pliku, jako zakodowane audio lub przebieg sygnału z jego częstotliwością próbkowania. Obsługuje przetwarzanie offline wielu nagrań, automatyczne wykrywanie języka oraz wskazanie obsługiwanego języka. Udokumentowany wynik zawiera język i rozpoznany tekst. Wybierz język wypowiedzi, jeśli go znasz, lub pozwól modelowi go zidentyfikować, gdy zbiór zawiera nieznane języki. Przechowuj identyfikator każdego nagrania przy jego wyniku, aby można było powiązać transkrypcję z właściwym źródłem.\n\nDla zestawu notatek głosowych zachowaj osobny wynik dla każdej notatki i porównaj nazwy, liczby oraz niejasne sformułowania z nagraniem, zanim zamienisz tekst w zadania lub streszczenie. W przypadku mówionego poradnika użyj transkrypcji do znajdowania fragmentów i sprawdzania brzmienia każdej instrukcji. Przy śpiewie podczas sprawdzania tekstu słuchaj linii wokalnej, zamiast akceptować słowo tylko dlatego, że ma sens w piosence. Są to etapy przygotowania i sprawdzania wyniku tekstowego; streszczanie, tłumaczenie lub interpretowanie transkrypcji może następować jako osobne operacje.\n\n### Tekst strumieniowy i finalizacja nagrania\n\nQwen3-ASR używa tego samego modelu do rozpoznawania offline i strumieniowego. W przykładzie strumieniowym producenta napływające fragmenty audio aktualizują zachowywany stan rozpoznawania, a etap finalizacji zwraca ukończony tekst i język. Umożliwia to przyrostowe wyświetlanie przydatne przy transkrypcji na bieżąco. Traktuj tymczasowy widok jako aktualny stan rozpoznawania, a po zakończeniu nagrania zachowaj wynik końcowy wraz z dostępem do źródłowego audio na potrzeby korekty.\n\nUdokumentowana implementacja strumieniowa nie obsługuje inferencji wsadowej ani zwracania znaczników czasu w tym trybie. Tekst strumieniowy, zbiór transkrypcji offline i przygotowanie napisów z czasami są zatem odrębnymi procesami producenta. Przykładowe wielkości fragmentów i ustawienia tokenów ilustrują implementację; nie są uniwersalnymi obietnicami opóźnienia, współbieżności ani długości audio. Dobierz proces do tego, czy użytecznym wynikiem ma być tekst napływający podczas nagrania, ukończony tekst dla zbioru, czy tekst dopasowany do osi czasu.\n\n### Tekst ze znacznikami czasu korzysta z Qwen3-ForcedAligner\n\nQwen3-ForcedAligner-0.6B to osobny model dopasowania, mimo że dzieli oznaczenie rozmiaru 0.6B z tą edycją ASR. Przyjmuje parę tekst–audio i przewiduje czasy początku i końca na poziomie słów lub znaków. Zestaw narzędzi ASR offline producenta może go wywołać, gdy żądane są znaczniki czasu. Jego udokumentowany zestaw języków to chiński, angielski, kantoński, francuski, niemiecki, włoski, japoński, koreański, portugalski, rosyjski i hiszpański, a podany zakres dopasowania obejmuje do pięciu minut mowy. Ten węższy zestaw języków i pięciominutowy zakres dotyczą dopasowania wymuszonego, a nie ogólnego zakresu transkrypcji modelu ASR.\n\nDo napisów przygotuj sprawdzoną transkrypcję w języku nagrania, dopasuj ją tam, gdzie ma zastosowanie obsługiwany proces, i sprawdź granice segmentów podczas odtwarzania źródła. Użyteczny wynik z napisami zachowuje razem brzmienie tekstu i czasy. Jeśli słowo w transkrypcji jest niepoprawne, popraw je na podstawie audio, zamiast zakładać, że przedział czasowy potwierdza jego poprawność. To rozdzielenie pozwala ustalić, czy problem leży w rozpoznawaniu, dostarczonym tekście, czy w umiejscowieniu granicy napisu.\n\n### Wyniki dla długiego audio i kontrola rozpoznawania\n\nRodzina Qwen3-ASR obsługuje długie nagrania. Jej przykłady inferencji zalecają dopuszczenie większej liczby generowanych tokenów dla dłuższego audio, więc upewnij się, że transkrypcja dociera do końca nagrania i nie została ucięta przez limit wyjścia. Opublikowane przykłady nie ustanawiają uniwersalnego liczbowego okna kontekstu ani maksymalnej długości nagrania ASR. Organizując rozbudowane nagranie do przeglądu, zachowaj powiązanie przydatnych sekcji z ich pozycjami w źródle. Sprawdź niewyraźne słowa, zmiany języka, nakładające się wypowiedzi, nietypowe nazwy i śpiewane sylaby na podstawie oryginalnego dźwięku. Praktycznym wynikiem jest rozpoznany tekst z oznaczeniem języka, gotowy do wyszukiwania lub kolejnego etapu pracy z treścią, z czasami dodawanymi w razie potrzeby przez osobny proces dopasowania.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "faf7f82b347d46bff26a30d824b9e093df2aa47982047583c0cf279014a2bb43", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "pl", "methods": [ { "html": "qwen/qwen3-asr-0.6bQwen3-ASR-0.6B to kompaktowy model rozpoznawania mowy Qwen, zamieniający nagrania mowy lub śpiewu w tekst z identyfikacją języka. Dzieli z rodziną zakres 30 języków i 22 dialektów, z przetwarzaniem offline i strumieniowym oraz osobnym dopasowaniem wymuszonym dla tekstu ze znacznikami czasu.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Qwen3-ASR-0.6B to kompaktowa edycja rodziny modeli rozpoznawania mowy Qwen3-ASR. Przyjmuje audio i tworzy transkrypcję z oznaczeniem języka. Producent pozycjonuje 0.6B jako równowagę między jakością rozpoznawania a efektywnością, natomiast 1.7B to osobno nazwana większa edycja. Obie korzystają z rozumienia audio modelu Qwen3-Omni i dzielą udokumentowany zakres rozpoznawania oraz ujednolicone podejście offline/strumieniowe. Edycja kompaktowa może zapewnić etap transkrypcji w procesie obsługi notatek głosowych, przygotowywania napisów lub tworzenia przeszukiwalnych nagrań.
Qwen dokumentuje rozpoznawanie i identyfikację języka dla 30 języków i 22 chińskich dialektów, z obsługą angielskich akcentów z różnych regionów. Tabela języków wymienia chiński, angielski, kantoński, arabski, niemiecki, francuski, hiszpański, portugalski, indonezyjski, włoski, koreański, rosyjski, tajski, wietnamski, japoński, turecki, hindi, malajski, niderlandzki, szwedzki, duński, fiński, polski, czeski, filipiński, perski, grecki, węgierski, macedoński i rumuński. Rozpoznawane rodzaje audio obejmują mowę, głos śpiewany i piosenki z muzyką w tle. Mniejsza edycja zachowuje ten zakres rodziny; jej rozmiar nie oznacza innej listy obsługiwanych języków.
Oficjalny zestaw narzędzi może otrzymywać audio przez odwołanie do pliku, jako zakodowane audio lub przebieg sygnału z jego częstotliwością próbkowania. Obsługuje przetwarzanie offline wielu nagrań, automatyczne wykrywanie języka oraz wskazanie obsługiwanego języka. Udokumentowany wynik zawiera język i rozpoznany tekst. Wybierz język wypowiedzi, jeśli go znasz, lub pozwól modelowi go zidentyfikować, gdy zbiór zawiera nieznane języki. Przechowuj identyfikator każdego nagrania przy jego wyniku, aby można było powiązać transkrypcję z właściwym źródłem.
Dla zestawu notatek głosowych zachowaj osobny wynik dla każdej notatki i porównaj nazwy, liczby oraz niejasne sformułowania z nagraniem, zanim zamienisz tekst w zadania lub streszczenie. W przypadku mówionego poradnika użyj transkrypcji do znajdowania fragmentów i sprawdzania brzmienia każdej instrukcji. Przy śpiewie podczas sprawdzania tekstu słuchaj linii wokalnej, zamiast akceptować słowo tylko dlatego, że ma sens w piosence. Są to etapy przygotowania i sprawdzania wyniku tekstowego; streszczanie, tłumaczenie lub interpretowanie transkrypcji może następować jako osobne operacje.
Qwen3-ASR używa tego samego modelu do rozpoznawania offline i strumieniowego. W przykładzie strumieniowym producenta napływające fragmenty audio aktualizują zachowywany stan rozpoznawania, a etap finalizacji zwraca ukończony tekst i język. Umożliwia to przyrostowe wyświetlanie przydatne przy transkrypcji na bieżąco. Traktuj tymczasowy widok jako aktualny stan rozpoznawania, a po zakończeniu nagrania zachowaj wynik końcowy wraz z dostępem do źródłowego audio na potrzeby korekty.
Udokumentowana implementacja strumieniowa nie obsługuje inferencji wsadowej ani zwracania znaczników czasu w tym trybie. Tekst strumieniowy, zbiór transkrypcji offline i przygotowanie napisów z czasami są zatem odrębnymi procesami producenta. Przykładowe wielkości fragmentów i ustawienia tokenów ilustrują implementację; nie są uniwersalnymi obietnicami opóźnienia, współbieżności ani długości audio. Dobierz proces do tego, czy użytecznym wynikiem ma być tekst napływający podczas nagrania, ukończony tekst dla zbioru, czy tekst dopasowany do osi czasu.
Qwen3-ForcedAligner-0.6B to osobny model dopasowania, mimo że dzieli oznaczenie rozmiaru 0.6B z tą edycją ASR. Przyjmuje parę tekst–audio i przewiduje czasy początku i końca na poziomie słów lub znaków. Zestaw narzędzi ASR offline producenta może go wywołać, gdy żądane są znaczniki czasu. Jego udokumentowany zestaw języków to chiński, angielski, kantoński, francuski, niemiecki, włoski, japoński, koreański, portugalski, rosyjski i hiszpański, a podany zakres dopasowania obejmuje do pięciu minut mowy. Ten węższy zestaw języków i pięciominutowy zakres dotyczą dopasowania wymuszonego, a nie ogólnego zakresu transkrypcji modelu ASR.
Do napisów przygotuj sprawdzoną transkrypcję w języku nagrania, dopasuj ją tam, gdzie ma zastosowanie obsługiwany proces, i sprawdź granice segmentów podczas odtwarzania źródła. Użyteczny wynik z napisami zachowuje razem brzmienie tekstu i czasy. Jeśli słowo w transkrypcji jest niepoprawne, popraw je na podstawie audio, zamiast zakładać, że przedział czasowy potwierdza jego poprawność. To rozdzielenie pozwala ustalić, czy problem leży w rozpoznawaniu, dostarczonym tekście, czy w umiejscowieniu granicy napisu.
Rodzina Qwen3-ASR obsługuje długie nagrania. Jej przykłady inferencji zalecają dopuszczenie większej liczby generowanych tokenów dla dłuższego audio, więc upewnij się, że transkrypcja dociera do końca nagrania i nie została ucięta przez limit wyjścia. Opublikowane przykłady nie ustanawiają uniwersalnego liczbowego okna kontekstu ani maksymalnej długości nagrania ASR. Organizując rozbudowane nagranie do przeglądu, zachowaj powiązanie przydatnych sekcji z ich pozycjami w źródle. Sprawdź niewyraźne słowa, zmiany języka, nakładające się wypowiedzi, nietypowe nazwy i śpiewane sylaby na podstawie oryginalnego dźwięku. Praktycznym wynikiem jest rozpoznany tekst z oznaczeniem języka, gotowy do wyszukiwania lub kolejnego etapu pracy z treścią, z czasami dodawanymi w razie potrzeby przez osobny proces dopasowania.
POST /v1/audio/transcriptionsaudiotext| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity qwen/qwen3-asr-0.6b | Domyślnie— |
Poleinput_audio | Typobject | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polelanguage | Typstring | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Poletemperature | Typnumber | WymaganieOpcjonalne | Wartości i limity Minimum: 0 Maksimum: 1 | Domyślnie— |
Poleresponse_format | Typstring | WymaganieOpcjonalne | Wartości i limity json, verbose_json | Domyślniejson |
Poletimestamp_granularities | Typarray | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Poleprovider | Typobject | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, input_audio |
Parametrmaterial_types | Kontraktaudio |
Parametrmaterial_conditions | KontraktOdczytaj rzeczywisty plik WAV i zakoduj jego prawdziwe bajty dla zadeklarowanego wejścia JSON input_audio; dla tej konkretnej deklaracji obsługującej wyłącznie JSON nie deklaruje się ścieżki multipart. |
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}
Wyświetlane stawki służą do oszacowania kosztu przed generowaniem. Ostateczna opłata jest obliczana na podstawie kosztu zarejestrowanego dla pierwotnego generowania. Zmierzony czas trwania wyniku i prognozowane ilości nie stanowią ostatecznej ilości podlegającej rozliczeniu.
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 | Przewidywana ilość | Jednostka rozliczeniowa | Opłata |
|---|---|---|---|---|
| KonfiguracjaBazowe stawki za tokeny | Tabela stawekStawka podstawowa | Przewidywana ilość— | Jednostka rozliczeniowa— | Opłata Wejście · Tokeny wejściowe · Szacunek tylko do porównania — / 1K tokenów Wyjście · Tokeny wyjściowe · Szacunek tylko do porównania — / 1K tokenów Wejście · Odczyt cache · Szacunek tylko do porównania — / 1K tokenów Wejście · Zapis do cache · Szacunek tylko do porównania — / 1K tokenów Wejście · Zapis do cache, 1 godz. · Szacunek tylko do porównania — / 1K tokenów |
| Konfiguracjasekunda wejściowego audio | Tabela stawek— | Przewidywana ilość— | Jednostka rozliczeniowaza sekundę dźwięku wejściowego | Opłata Wejście · sekunda wejściowego audio · Szacunek tylko do porównania $0.00000666 za sekundę dźwięku wejściowego |
| KonfiguracjaSzacowany koszt generowania | Tabela stawek— | Przewidywana ilośćszacunek dla jednego generowania | Jednostka rozliczeniowa— | Opłata Wyjście · Szacowany koszt generowania · Szacunek tylko do porównania $0.00000666 szacunek przed generowaniem Ten szacunek nie jest dodatkową opłatą ani stałą stawką za ukończone generowanie. |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_AUDIO_FILE:?Set the path to your actual WAV recording}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\nimport base64\naudio=Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()\nif not (audio[:4]==b'RIFF' and audio[8:12]==b'WAVE'): raise SystemExit('Supply an actual WAV audio file')\nif len(audio)>26214400: raise SystemExit('Use a documented supported large-file flow')\nrequest={'model': 'qwen/qwen3-asr-0.6b', 'input_audio': {'data': '${BASE64_ACTUAL_WAV_BYTES}', 'format': 'wav'}}\nrequest['input_audio']['data']=base64.b64encode(audio).decode('ascii')\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 $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o response.bin\n# Keep the complete original response and headers. Read every returned segment, word and usage field.\n# Preserve actual operation/task/asset IDs; continue reads of the original result without resubmitting.\nGET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o owned-assets.json\n# Preserve every returned asset and follow its exact signed content URL. Do not construct a signed token.\nZachowaj 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 zwrócony X-Client-Request-ID do uzgodnienia danych. Odczytuj wyłącznie rzeczywiście zwrócone wartości task_id/asset_id lub własną bibliotekę multimediów; nigdy nie buduj adresu URL zadania na podstawie identyfikatora operacji i nigdy nie wysyłaj ponownie żądania utworzenia.
| Pole | Typ |
|---|---|
Poletext | Typ |
Poleusage | Typ |
Polesegments[] | Typ |
Polewords[] | Typ |
Polespeaker fields | Typ |
Poletimestamps | Typ |
Ailoot Ultra qwen/qwen3-asr-0.6b
Użyj ścieżek metod podanych powyżej.