Qwen3-ASR-1.7B to większy model rozpoznawania mowy Qwen w rodzinie Qwen3-ASR. Przyjmuje dźwięk i zwraca rozpoznany tekst wraz z etykietą języka. Rodzina opiera się na podstawach rozumienia dźwięku Qwen3-Omni i wykorzystuje jeden model ASR do rozpoznawania offline i strumieniowego. Edycja 1.7B kładzie nacisk na jakość rozpoznawania, a osobno nazwana edycja 0.6B na wydajność. Edycje te pozostają odrębnymi wyborami, choć współdzielą udokumentowany zakres językowy i przepływy rozpoznawania.
Producent wymienia 30 języków i 22 chińskie dialekty oraz angielskie akcenty z wielu regionów. Lista języków obejmuje 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. Obsługiwane rodzaje dźwięku obejmują mowę, śpiew i piosenki z muzyką w tle. Dzięki tym możliwościom transkrypcja jest przydatna do wywiadów, wykładów, nagrań głosowych i przeglądu tekstów piosenek, z zachowaniem oryginalnego dźwięku do sprawdzania trudnych fragmentów.
Zestaw narzędzi producenta przyjmuje odwołanie do pliku audio, zakodowany dźwięk lub przebieg fali wraz z częstotliwością próbkowania, a przepływ offline może przetwarzać zbiór nagrań. Może automatycznie wykrywać język lub używać wskazanego obsługiwanego języka. Wybierz automatyczne wykrywanie dla nieznanego nagrania; podaj rzeczywisty język wypowiedzi, gdy jest znany i istotny dla zadania. Przykładowy wynik udostępnia wykryty lub wybrany język i rozpoznany tekst. Ustawienie języka ukierunkowuje rozpoznawanie nagrania, a nie definiuje prośby o przepisanie jego treści w innym języku.
W przypadku wywiadu zachowaj powiązanie nagrania z datą, tematem i identyfikatorem źródła, a następnie używaj zwróconego tekstu jako przeszukiwalnej transkrypcji. Przy wykładzie zachowuj terminy techniczne i wyrażenia liczbowe podczas przeglądu zamiast niejawnie zastępować niejasne słowa wiarygodnym wyjaśnieniem. Przy piosence sprawdzaj rozpoznany tekst podczas słuchania partii wokalnej, szczególnie tam, gdzie muzyka maskuje sylabę. Transkrypcja może stać się wejściem do osobnego etapu podsumowania, tłumaczenia lub redakcji po sprawdzeniu jej brzmienia względem dźwięku.
Ta sama rodzina ASR obsługuje rozpoznawanie podczas napływania dźwięku. Przykład strumieniowy producenta wprowadza kolejne fragmenty dźwięku do zachowywanego stanu rozpoznawania, wyświetla tekst tymczasowy, a następnie kończy strumień, aby uzyskać końcowy język i transkrypcję. Przygotowując napisy na żywo lub bieżącą transkrypcję, rozróżniaj aktualny tekst przyrostowy od zakończonego wyniku. Udokumentowana implementacja strumieniowa nie łączy strumieniowania z inferencją wsadową ani nie zwraca znaczników czasu; transkrypcja ze znacznikami czasu używa innego przepływu. Są to szczegóły implementacji producenta, a nie obietnica dotycząca transportu danych lub interfejsu napisów na żywo w aplikacji.
Qwen3-ForcedAligner-0.6B wyrównuje nagranie audio z dostarczonym tekstem i przewiduje czasy rozpoczęcia i zakończenia na poziomie słów lub znaków. Jest to model odrębny od obu edycji Qwen3-ASR. Zestaw narzędzi ASR może korzystać z niego przy żądaniu znaczników czasu w przepływie transkrypcji offline albo wyrównywanie można uruchomić dla istniejącej pary tekst–dźwięk. Udokumentowany zakres modelu wyrównującego obejmuje 11 języków: chiński, angielski, kantoński, francuski, niemiecki, włoski, japoński, koreański, portugalski, rosyjski i hiszpański. Podany zakres mowy wynosi do pięciu minut; jest to zakres modelu wyrównującego, a nie pięciominutowy limit transkrypcji ASR.
Przy przygotowaniu napisów najpierw uzyskaj i sprawdź transkrypcję, a następnie wyrównaj ją z nagraniem źródłowym tam, gdzie ten przepływ wyrównywania jest odpowiedni. Użyj zwróconych czasów rozpoczęcia i zakończenia do przygotowania segmentów napisów i sprawdź ich granice podczas słuchania. Wyrównywanie wiąże dostarczone słowa z dźwiękiem; nie należy traktować go jako dowodu, że niepoprawna transkrypcja została skorygowana. Przydatnym rezultatem jest sprawdzona transkrypcja z informacjami czasowymi, która pozostaje powiązana z opisywanym nagraniem.
Rodzina obsługuje transkrypcję długiego dźwięku, a oficjalne przykłady instruują użytkowników, aby pozwalali na więcej generowanego tekstu dla dłuższego wejścia. Ilustracyjne ustawienia tokenów są wyborami konfiguracji, a nie uniwersalnym limitem kontekstu modelu czy czasu trwania dźwięku. Zaplanuj pulę wyjścia wokół nagrania i sprawdź, czy uwzględniono jego zakończenie. Porównuj nazwy, ilości, zmiany języka, zagłuszone słowa i nakładające się wypowiedzi z oryginalnym dźwiękiem. Zakres językowy i odporność na trudny dźwięk nie gwarantują bezbłędnej transkrypcji dla każdego akcentu, nagrania czy aranżacji muzycznej. Kompletny wynik zachowuje rozpoznane brzmienie, jego język i związek z dźwiękiem, aby można go było przeszukiwać, edytować lub wykorzystać w późniejszym przepływie treści.
", "aboutText": "Qwen3-ASR-1.7B to większy model rozpoznawania mowy Qwen w rodzinie Qwen3-ASR. Przyjmuje dźwięk i zwraca rozpoznany tekst wraz z etykietą języka. Rodzina opiera się na podstawach rozumienia dźwięku Qwen3-Omni i wykorzystuje jeden model ASR do rozpoznawania offline i strumieniowego. Edycja 1.7B kładzie nacisk na jakość rozpoznawania, a osobno nazwana edycja 0.6B na wydajność. Edycje te pozostają odrębnymi wyborami, choć współdzielą udokumentowany zakres językowy i przepływy rozpoznawania.\n\n### Identyfikacja języka i obsługiwany dźwięk\n\nProducent wymienia 30 języków i 22 chińskie dialekty oraz angielskie akcenty z wielu regionów. Lista języków obejmuje 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. Obsługiwane rodzaje dźwięku obejmują mowę, śpiew i piosenki z muzyką w tle. Dzięki tym możliwościom transkrypcja jest przydatna do wywiadów, wykładów, nagrań głosowych i przeglądu tekstów piosenek, z zachowaniem oryginalnego dźwięku do sprawdzania trudnych fragmentów.\n\n### Przygotowanie dźwięku i uzyskanie transkrypcji\n\nZestaw narzędzi producenta przyjmuje odwołanie do pliku audio, zakodowany dźwięk lub przebieg fali wraz z częstotliwością próbkowania, a przepływ offline może przetwarzać zbiór nagrań. Może automatycznie wykrywać język lub używać wskazanego obsługiwanego języka. Wybierz automatyczne wykrywanie dla nieznanego nagrania; podaj rzeczywisty język wypowiedzi, gdy jest znany i istotny dla zadania. Przykładowy wynik udostępnia wykryty lub wybrany język i rozpoznany tekst. Ustawienie języka ukierunkowuje rozpoznawanie nagrania, a nie definiuje prośby o przepisanie jego treści w innym języku.\n\nW przypadku wywiadu zachowaj powiązanie nagrania z datą, tematem i identyfikatorem źródła, a następnie używaj zwróconego tekstu jako przeszukiwalnej transkrypcji. Przy wykładzie zachowuj terminy techniczne i wyrażenia liczbowe podczas przeglądu zamiast niejawnie zastępować niejasne słowa wiarygodnym wyjaśnieniem. Przy piosence sprawdzaj rozpoznany tekst podczas słuchania partii wokalnej, szczególnie tam, gdzie muzyka maskuje sylabę. Transkrypcja może stać się wejściem do osobnego etapu podsumowania, tłumaczenia lub redakcji po sprawdzeniu jej brzmienia względem dźwięku.\n\n### Rozpoznawanie strumieniowe i jego zakres\n\nTa sama rodzina ASR obsługuje rozpoznawanie podczas napływania dźwięku. Przykład strumieniowy producenta wprowadza kolejne fragmenty dźwięku do zachowywanego stanu rozpoznawania, wyświetla tekst tymczasowy, a następnie kończy strumień, aby uzyskać końcowy język i transkrypcję. Przygotowując napisy na żywo lub bieżącą transkrypcję, rozróżniaj aktualny tekst przyrostowy od zakończonego wyniku. Udokumentowana implementacja strumieniowa nie łączy strumieniowania z inferencją wsadową ani nie zwraca znaczników czasu; transkrypcja ze znacznikami czasu używa innego przepływu. Są to szczegóły implementacji producenta, a nie obietnica dotycząca transportu danych lub interfejsu napisów na żywo w aplikacji.\n\n### Znaczniki czasu słów lub znaków z osobnym modelem wyrównującym\n\nQwen3-ForcedAligner-0.6B wyrównuje nagranie audio z dostarczonym tekstem i przewiduje czasy rozpoczęcia i zakończenia na poziomie słów lub znaków. Jest to model odrębny od obu edycji Qwen3-ASR. Zestaw narzędzi ASR może korzystać z niego przy żądaniu znaczników czasu w przepływie transkrypcji offline albo wyrównywanie można uruchomić dla istniejącej pary tekst–dźwięk. Udokumentowany zakres modelu wyrównującego obejmuje 11 języków: chiński, angielski, kantoński, francuski, niemiecki, włoski, japoński, koreański, portugalski, rosyjski i hiszpański. Podany zakres mowy wynosi do pięciu minut; jest to zakres modelu wyrównującego, a nie pięciominutowy limit transkrypcji ASR.\n\nPrzy przygotowaniu napisów najpierw uzyskaj i sprawdź transkrypcję, a następnie wyrównaj ją z nagraniem źródłowym tam, gdzie ten przepływ wyrównywania jest odpowiedni. Użyj zwróconych czasów rozpoczęcia i zakończenia do przygotowania segmentów napisów i sprawdź ich granice podczas słuchania. Wyrównywanie wiąże dostarczone słowa z dźwiękiem; nie należy traktować go jako dowodu, że niepoprawna transkrypcja została skorygowana. Przydatnym rezultatem jest sprawdzona transkrypcja z informacjami czasowymi, która pozostaje powiązana z opisywanym nagraniem.\n\n### Długie nagrania i praktyczne ograniczenia\n\nRodzina obsługuje transkrypcję długiego dźwięku, a oficjalne przykłady instruują użytkowników, aby pozwalali na więcej generowanego tekstu dla dłuższego wejścia. Ilustracyjne ustawienia tokenów są wyborami konfiguracji, a nie uniwersalnym limitem kontekstu modelu czy czasu trwania dźwięku. Zaplanuj pulę wyjścia wokół nagrania i sprawdź, czy uwzględniono jego zakończenie. Porównuj nazwy, ilości, zmiany języka, zagłuszone słowa i nakładające się wypowiedzi z oryginalnym dźwiękiem. Zakres językowy i odporność na trudny dźwięk nie gwarantują bezbłędnej transkrypcji dla każdego akcentu, nagrania czy aranżacji muzycznej. Kompletny wynik zachowuje rozpoznane brzmienie, jego język i związek z dźwiękiem, aby można go było przeszukiwać, edytować lub wykorzystać w późniejszym przepływie treści.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "7bf0d5e12e8a689da1deaa1022c1691111fd64c0ba19aca38317ad0927e032f2", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "pl", "methods": [ { "html": "qwen/qwen3-asr-1.7bQwen3-ASR-1.7B przekształca mowę i śpiew w tekst i identyfikuje język. Qwen dokumentuje 30 języków, 22 chińskie dialekty i rozpoznawanie offline lub strumieniowe; znaczniki czasu słów wykorzystują osobny przepływ Qwen3-ForcedAligner.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Qwen3-ASR-1.7B to większy model rozpoznawania mowy Qwen w rodzinie Qwen3-ASR. Przyjmuje dźwięk i zwraca rozpoznany tekst wraz z etykietą języka. Rodzina opiera się na podstawach rozumienia dźwięku Qwen3-Omni i wykorzystuje jeden model ASR do rozpoznawania offline i strumieniowego. Edycja 1.7B kładzie nacisk na jakość rozpoznawania, a osobno nazwana edycja 0.6B na wydajność. Edycje te pozostają odrębnymi wyborami, choć współdzielą udokumentowany zakres językowy i przepływy rozpoznawania.
Producent wymienia 30 języków i 22 chińskie dialekty oraz angielskie akcenty z wielu regionów. Lista języków obejmuje 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. Obsługiwane rodzaje dźwięku obejmują mowę, śpiew i piosenki z muzyką w tle. Dzięki tym możliwościom transkrypcja jest przydatna do wywiadów, wykładów, nagrań głosowych i przeglądu tekstów piosenek, z zachowaniem oryginalnego dźwięku do sprawdzania trudnych fragmentów.
Zestaw narzędzi producenta przyjmuje odwołanie do pliku audio, zakodowany dźwięk lub przebieg fali wraz z częstotliwością próbkowania, a przepływ offline może przetwarzać zbiór nagrań. Może automatycznie wykrywać język lub używać wskazanego obsługiwanego języka. Wybierz automatyczne wykrywanie dla nieznanego nagrania; podaj rzeczywisty język wypowiedzi, gdy jest znany i istotny dla zadania. Przykładowy wynik udostępnia wykryty lub wybrany język i rozpoznany tekst. Ustawienie języka ukierunkowuje rozpoznawanie nagrania, a nie definiuje prośby o przepisanie jego treści w innym języku.
W przypadku wywiadu zachowaj powiązanie nagrania z datą, tematem i identyfikatorem źródła, a następnie używaj zwróconego tekstu jako przeszukiwalnej transkrypcji. Przy wykładzie zachowuj terminy techniczne i wyrażenia liczbowe podczas przeglądu zamiast niejawnie zastępować niejasne słowa wiarygodnym wyjaśnieniem. Przy piosence sprawdzaj rozpoznany tekst podczas słuchania partii wokalnej, szczególnie tam, gdzie muzyka maskuje sylabę. Transkrypcja może stać się wejściem do osobnego etapu podsumowania, tłumaczenia lub redakcji po sprawdzeniu jej brzmienia względem dźwięku.
Ta sama rodzina ASR obsługuje rozpoznawanie podczas napływania dźwięku. Przykład strumieniowy producenta wprowadza kolejne fragmenty dźwięku do zachowywanego stanu rozpoznawania, wyświetla tekst tymczasowy, a następnie kończy strumień, aby uzyskać końcowy język i transkrypcję. Przygotowując napisy na żywo lub bieżącą transkrypcję, rozróżniaj aktualny tekst przyrostowy od zakończonego wyniku. Udokumentowana implementacja strumieniowa nie łączy strumieniowania z inferencją wsadową ani nie zwraca znaczników czasu; transkrypcja ze znacznikami czasu używa innego przepływu. Są to szczegóły implementacji producenta, a nie obietnica dotycząca transportu danych lub interfejsu napisów na żywo w aplikacji.
Qwen3-ForcedAligner-0.6B wyrównuje nagranie audio z dostarczonym tekstem i przewiduje czasy rozpoczęcia i zakończenia na poziomie słów lub znaków. Jest to model odrębny od obu edycji Qwen3-ASR. Zestaw narzędzi ASR może korzystać z niego przy żądaniu znaczników czasu w przepływie transkrypcji offline albo wyrównywanie można uruchomić dla istniejącej pary tekst–dźwięk. Udokumentowany zakres modelu wyrównującego obejmuje 11 języków: chiński, angielski, kantoński, francuski, niemiecki, włoski, japoński, koreański, portugalski, rosyjski i hiszpański. Podany zakres mowy wynosi do pięciu minut; jest to zakres modelu wyrównującego, a nie pięciominutowy limit transkrypcji ASR.
Przy przygotowaniu napisów najpierw uzyskaj i sprawdź transkrypcję, a następnie wyrównaj ją z nagraniem źródłowym tam, gdzie ten przepływ wyrównywania jest odpowiedni. Użyj zwróconych czasów rozpoczęcia i zakończenia do przygotowania segmentów napisów i sprawdź ich granice podczas słuchania. Wyrównywanie wiąże dostarczone słowa z dźwiękiem; nie należy traktować go jako dowodu, że niepoprawna transkrypcja została skorygowana. Przydatnym rezultatem jest sprawdzona transkrypcja z informacjami czasowymi, która pozostaje powiązana z opisywanym nagraniem.
Rodzina obsługuje transkrypcję długiego dźwięku, a oficjalne przykłady instruują użytkowników, aby pozwalali na więcej generowanego tekstu dla dłuższego wejścia. Ilustracyjne ustawienia tokenów są wyborami konfiguracji, a nie uniwersalnym limitem kontekstu modelu czy czasu trwania dźwięku. Zaplanuj pulę wyjścia wokół nagrania i sprawdź, czy uwzględniono jego zakończenie. Porównuj nazwy, ilości, zmiany języka, zagłuszone słowa i nakładające się wypowiedzi z oryginalnym dźwiękiem. Zakres językowy i odporność na trudny dźwięk nie gwarantują bezbłędnej transkrypcji dla każdego akcentu, nagrania czy aranżacji muzycznej. Kompletny wynik zachowuje rozpoznane brzmienie, jego język i związek z dźwiękiem, aby można go było przeszukiwać, edytować lub wykorzystać w późniejszym przepływie treści.
POST /v1/audio/transcriptionsaudiotext| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity qwen/qwen3-asr-1.7b | 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 $0.000015 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 $0.000015 szacunek przed generowaniem Ten szacunek nie jest dodatkową opłatą ani stałą stawką za ukończone generowanie. |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_AUDIO_FILE:?Set the path to your actual WAV recording}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\nimport base64\naudio=Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()\nif not (audio[:4]==b'RIFF' and audio[8:12]==b'WAVE'): raise SystemExit('Supply an actual WAV audio file')\nif len(audio)>26214400: raise SystemExit('Use a documented supported large-file flow')\nrequest={'model': 'qwen/qwen3-asr-1.7b', 'input_audio': {'data': '${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-1.7b
Użyj ścieżek metod podanych powyżej.