Transcribe 1 é o modelo geral de conversão de voz em texto da Fish Audio para gravações curtas. Aceita um ficheiro de áudio e devolve as palavras reconhecidas em texto, juntamente com a duração da gravação, segmentos temporizados opcionais e informações sobre o idioma, quando conhecidas. Este modelo é útil para uma nota de voz curta, uma instrução falada, um excerto de uma gravação ou um clipe de áudio que necessite de uma representação textual legível.
Um exemplo de fluxo de trabalho com notas de voz mantém a gravação juntamente com a sua transcrição integral e um identificador do clipe original. Uma etapa posterior da aplicação pode pesquisar esse texto, organizar a nota ou elaborar um resumo, preservando a fonte falada. Para um comando, a transcrição fornece palavras reconhecidas à aplicação; qualquer ação constitui uma etapa separada de interpretação e execução. Para um excerto de entrevista, registe a posição do clipe no áudio completo para permitir conferir uma citação no local correto.
O produtor aceita WAV, MP3, AAC, incluindo M4A/MP4, FLAC e Ogg com Opus ou Vorbis. Para este modelo, as gravações de navegador em WebM devem ser convertidas para Ogg/Opus, MP3 ou WAV; Pro documenta suporte nativo de contentores adicionais. Forneça um ficheiro de áudio por pedido. O limite documentado por pedido do modelo base é de até 50 MiB, mantendo os ficheiros MP3 e Opus abaixo de 25 MiB. O tamanho do ficheiro e a duração da gravação são aspetos diferentes: um ficheiro comprimido pode caber no limite de envio e, ainda assim, demorar demasiado a processar.
Transcribe 1 foi concebido para gravações curtas. O produtor recomenda Pro para áudio com mais de alguns minutos; um pedido longo ao modelo base pode falhar se ultrapassar o limite de tempo de processamento. Ao preparar uma fonte mais longa para transcrição em clipes curtos, preserve a posição inicial de cada clipe e confirme que a transcrição devolvida cobre o clipe completo antes de combinar os resultados. Some o desvio original aos tempos locais dos segmentos para manter a navegação ligada à gravação completa. As orientações do modelo base não devem ser interpretadas como o limite separado de 60 minutos de Pro.
A resposta do produtor inclui text, duration e segments. A duração é expressa em segundos e a transcrição integral legível deve ser mantida como texto principal do clipe. As marcas temporais são opcionais: ignore_timestamps tem o valor predefinido true na API do produtor, enquanto false pede segmentos ao nível da palavra com texto e tempos de início e fim em segundos. Pedir alinhamento acrescenta tempo de processamento. Um array segments vazio pode refletir temporização omitida, ausência de fala ou alinhamento temporariamente indisponível, pelo que não deve ser automaticamente interpretado como uma transcrição integral vazia.
Os segmentos são geralmente palavras ou, em chinês e japonês, um ou alguns caracteres. O seu texto omite pontuação e pode normalizar um valor de forma diferente da transcrição integral; não é uma cópia carácter a carácter da resposta legível. Um segmento pode ter o mesmo tempo de início e de fim. Utilize os segmentos para encontrar uma posição na gravação ou preparar uma apresentação temporizada e utilize o texto integral quando a formulação e a pontuação forem importantes. Mantenha estas duas representações distintas no resultado produzido.
O idioma é detetado automaticamente, quer seja fornecida ou não uma indicação opcional de idioma. O produtor documenta códigos ISO 639-1 em minúsculas para essas indicações e devolve, quando conhecidos, um código de idioma para a lógica da aplicação e um nome de idioma para apresentação. A resposta indica um idioma, em vez de todos os idiomas de uma gravação com alternância linguística. Mantenha o texto original e os metadados de idioma disponíveis junto do resultado, em vez de tratar o pedido de transcrição como uma operação de tradução.
Para um fluxo de trabalho de legendagem, agrupe segmentos temporizados consecutivos em legendas legíveis, em vez de apresentar uma palavra de cada vez. Um resultado útil é um ficheiro SRT ou WebVTT ligado ao clipe original, com limites que respeitem as pausas e uma quantidade de texto no ecrã que seja fácil de ler. Verifique a existência de temporização em falta e assegure que o fim de cada legenda é posterior ao início. O agrupamento de legendas e a formatação de ficheiros são etapas da aplicação construídas a partir do alinhamento devolvido, e as opções de apresentação devem adequar-se ao leitor e ao público.
Os controlos documentados de Transcribe 1 são o áudio, uma indicação de idioma e a opção de marcas temporais. Os marcadores de intervenientes, turnos estruturados por interveniente, controlos de eventos emocionais e indicações do número de intervenientes de Pro são funcionalidades separadas; não fazem parte do contrato de resposta documentado deste modelo base. Escolha o resultado necessário antes do processamento: texto simples legível para uma nota ou texto juntamente com alinhamento para navegação na reprodução e legendas. Preservar o identificador do clipe, a transcrição e qualquer temporização disponível torna o resultado útil para a etapa seguinte da aplicação.
", "aboutText": "Transcribe 1 é o modelo geral de conversão de voz em texto da Fish Audio para gravações curtas. Aceita um ficheiro de áudio e devolve as palavras reconhecidas em texto, juntamente com a duração da gravação, segmentos temporizados opcionais e informações sobre o idioma, quando conhecidas. Este modelo é útil para uma nota de voz curta, uma instrução falada, um excerto de uma gravação ou um clipe de áudio que necessite de uma representação textual legível.\n\nUm exemplo de fluxo de trabalho com notas de voz mantém a gravação juntamente com a sua transcrição integral e um identificador do clipe original. Uma etapa posterior da aplicação pode pesquisar esse texto, organizar a nota ou elaborar um resumo, preservando a fonte falada. Para um comando, a transcrição fornece palavras reconhecidas à aplicação; qualquer ação constitui uma etapa separada de interpretação e execução. Para um excerto de entrevista, registe a posição do clipe no áudio completo para permitir conferir uma citação no local correto.\n\nO produtor aceita WAV, MP3, AAC, incluindo M4A/MP4, FLAC e Ogg com Opus ou Vorbis. Para este modelo, as gravações de navegador em WebM devem ser convertidas para Ogg/Opus, MP3 ou WAV; Pro documenta suporte nativo de contentores adicionais. Forneça um ficheiro de áudio por pedido. O limite documentado por pedido do modelo base é de até 50 MiB, mantendo os ficheiros MP3 e Opus abaixo de 25 MiB. O tamanho do ficheiro e a duração da gravação são aspetos diferentes: um ficheiro comprimido pode caber no limite de envio e, ainda assim, demorar demasiado a processar.\n\nTranscribe 1 foi concebido para gravações curtas. O produtor recomenda Pro para áudio com mais de alguns minutos; um pedido longo ao modelo base pode falhar se ultrapassar o limite de tempo de processamento. Ao preparar uma fonte mais longa para transcrição em clipes curtos, preserve a posição inicial de cada clipe e confirme que a transcrição devolvida cobre o clipe completo antes de combinar os resultados. Some o desvio original aos tempos locais dos segmentos para manter a navegação ligada à gravação completa. As orientações do modelo base não devem ser interpretadas como o limite separado de 60 minutos de Pro.\n\nA resposta do produtor inclui text, duration e segments. A duração é expressa em segundos e a transcrição integral legível deve ser mantida como texto principal do clipe. As marcas temporais são opcionais: ignore_timestamps tem o valor predefinido true na API do produtor, enquanto false pede segmentos ao nível da palavra com texto e tempos de início e fim em segundos. Pedir alinhamento acrescenta tempo de processamento. Um array segments vazio pode refletir temporização omitida, ausência de fala ou alinhamento temporariamente indisponível, pelo que não deve ser automaticamente interpretado como uma transcrição integral vazia.\n\nOs segmentos são geralmente palavras ou, em chinês e japonês, um ou alguns caracteres. O seu texto omite pontuação e pode normalizar um valor de forma diferente da transcrição integral; não é uma cópia carácter a carácter da resposta legível. Um segmento pode ter o mesmo tempo de início e de fim. Utilize os segmentos para encontrar uma posição na gravação ou preparar uma apresentação temporizada e utilize o texto integral quando a formulação e a pontuação forem importantes. Mantenha estas duas representações distintas no resultado produzido.\n\nO idioma é detetado automaticamente, quer seja fornecida ou não uma indicação opcional de idioma. O produtor documenta códigos ISO 639-1 em minúsculas para essas indicações e devolve, quando conhecidos, um código de idioma para a lógica da aplicação e um nome de idioma para apresentação. A resposta indica um idioma, em vez de todos os idiomas de uma gravação com alternância linguística. Mantenha o texto original e os metadados de idioma disponíveis junto do resultado, em vez de tratar o pedido de transcrição como uma operação de tradução.\n\nPara um fluxo de trabalho de legendagem, agrupe segmentos temporizados consecutivos em legendas legíveis, em vez de apresentar uma palavra de cada vez. Um resultado útil é um ficheiro SRT ou WebVTT ligado ao clipe original, com limites que respeitem as pausas e uma quantidade de texto no ecrã que seja fácil de ler. Verifique a existência de temporização em falta e assegure que o fim de cada legenda é posterior ao início. O agrupamento de legendas e a formatação de ficheiros são etapas da aplicação construídas a partir do alinhamento devolvido, e as opções de apresentação devem adequar-se ao leitor e ao público.\n\nOs controlos documentados de Transcribe 1 são o áudio, uma indicação de idioma e a opção de marcas temporais. Os marcadores de intervenientes, turnos estruturados por interveniente, controlos de eventos emocionais e indicações do número de intervenientes de Pro são funcionalidades separadas; não fazem parte do contrato de resposta documentado deste modelo base. Escolha o resultado necessário antes do processamento: texto simples legível para uma nota ou texto juntamente com alinhamento para navegação na reprodução e legendas. Preservar o identificador do clipe, a transcrição e qualquer temporização disponível torna o resultado útil para a etapa seguinte da aplicação.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "e8e064609b8d4304e43a5a7c1a4fba27590021a7d7e79a14dffaf5768290d728", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "pt-pt", "methods": [ { "html": "fish-audio/transcribe-1Transcribe 1 converte gravações de áudio curtas em texto, com deteção automática do idioma e marcas temporais opcionais ao nível da palavra. Utilize a transcrição para notas de voz, excertos pesquisáveis ou preparação de legendas, mantendo os segmentos temporizados separados do texto integral legível.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Transcribe 1 é o modelo geral de conversão de voz em texto da Fish Audio para gravações curtas. Aceita um ficheiro de áudio e devolve as palavras reconhecidas em texto, juntamente com a duração da gravação, segmentos temporizados opcionais e informações sobre o idioma, quando conhecidas. Este modelo é útil para uma nota de voz curta, uma instrução falada, um excerto de uma gravação ou um clipe de áudio que necessite de uma representação textual legível.
Um exemplo de fluxo de trabalho com notas de voz mantém a gravação juntamente com a sua transcrição integral e um identificador do clipe original. Uma etapa posterior da aplicação pode pesquisar esse texto, organizar a nota ou elaborar um resumo, preservando a fonte falada. Para um comando, a transcrição fornece palavras reconhecidas à aplicação; qualquer ação constitui uma etapa separada de interpretação e execução. Para um excerto de entrevista, registe a posição do clipe no áudio completo para permitir conferir uma citação no local correto.
O produtor aceita WAV, MP3, AAC, incluindo M4A/MP4, FLAC e Ogg com Opus ou Vorbis. Para este modelo, as gravações de navegador em WebM devem ser convertidas para Ogg/Opus, MP3 ou WAV; Pro documenta suporte nativo de contentores adicionais. Forneça um ficheiro de áudio por pedido. O limite documentado por pedido do modelo base é de até 50 MiB, mantendo os ficheiros MP3 e Opus abaixo de 25 MiB. O tamanho do ficheiro e a duração da gravação são aspetos diferentes: um ficheiro comprimido pode caber no limite de envio e, ainda assim, demorar demasiado a processar.
Transcribe 1 foi concebido para gravações curtas. O produtor recomenda Pro para áudio com mais de alguns minutos; um pedido longo ao modelo base pode falhar se ultrapassar o limite de tempo de processamento. Ao preparar uma fonte mais longa para transcrição em clipes curtos, preserve a posição inicial de cada clipe e confirme que a transcrição devolvida cobre o clipe completo antes de combinar os resultados. Some o desvio original aos tempos locais dos segmentos para manter a navegação ligada à gravação completa. As orientações do modelo base não devem ser interpretadas como o limite separado de 60 minutos de Pro.
A resposta do produtor inclui text, duration e segments. A duração é expressa em segundos e a transcrição integral legível deve ser mantida como texto principal do clipe. As marcas temporais são opcionais: ignore_timestamps tem o valor predefinido true na API do produtor, enquanto false pede segmentos ao nível da palavra com texto e tempos de início e fim em segundos. Pedir alinhamento acrescenta tempo de processamento. Um array segments vazio pode refletir temporização omitida, ausência de fala ou alinhamento temporariamente indisponível, pelo que não deve ser automaticamente interpretado como uma transcrição integral vazia.
Os segmentos são geralmente palavras ou, em chinês e japonês, um ou alguns caracteres. O seu texto omite pontuação e pode normalizar um valor de forma diferente da transcrição integral; não é uma cópia carácter a carácter da resposta legível. Um segmento pode ter o mesmo tempo de início e de fim. Utilize os segmentos para encontrar uma posição na gravação ou preparar uma apresentação temporizada e utilize o texto integral quando a formulação e a pontuação forem importantes. Mantenha estas duas representações distintas no resultado produzido.
O idioma é detetado automaticamente, quer seja fornecida ou não uma indicação opcional de idioma. O produtor documenta códigos ISO 639-1 em minúsculas para essas indicações e devolve, quando conhecidos, um código de idioma para a lógica da aplicação e um nome de idioma para apresentação. A resposta indica um idioma, em vez de todos os idiomas de uma gravação com alternância linguística. Mantenha o texto original e os metadados de idioma disponíveis junto do resultado, em vez de tratar o pedido de transcrição como uma operação de tradução.
Para um fluxo de trabalho de legendagem, agrupe segmentos temporizados consecutivos em legendas legíveis, em vez de apresentar uma palavra de cada vez. Um resultado útil é um ficheiro SRT ou WebVTT ligado ao clipe original, com limites que respeitem as pausas e uma quantidade de texto no ecrã que seja fácil de ler. Verifique a existência de temporização em falta e assegure que o fim de cada legenda é posterior ao início. O agrupamento de legendas e a formatação de ficheiros são etapas da aplicação construídas a partir do alinhamento devolvido, e as opções de apresentação devem adequar-se ao leitor e ao público.
Os controlos documentados de Transcribe 1 são o áudio, uma indicação de idioma e a opção de marcas temporais. Os marcadores de intervenientes, turnos estruturados por interveniente, controlos de eventos emocionais e indicações do número de intervenientes de Pro são funcionalidades separadas; não fazem parte do contrato de resposta documentado deste modelo base. Escolha o resultado necessário antes do processamento: texto simples legível para uma nota ou texto juntamente com alinhamento para navegação na reprodução e legendas. Preservar o identificador do clipe, a transcrição e qualquer temporização disponível torna o resultado útil para a etapa seguinte da aplicação.
POST /v1/audio/transcriptionsaudiotext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites fish-audio/transcribe-1 | Predefinição— |
Campoinput_audio | Tipoobject | RequisitoObrigatório | Valores e limites | Predefinição— |
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratomodel, input_audio |
Parâmetromaterial_types | Contratoaudio |
Parâmetromaterial_conditions | ContratoO exemplo lê o seu ficheiro PCM WAV real e não vazio, codifica todos os bytes do ficheiro em base64 e envia input_audio.format como wav. |
Ciclo de vida: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · task_id exato de um registo multimédia existente pertencente ao utilizador
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado.
Associe cada custo às condições apresentadas. Use uma única tarifa para cada conjunto de configurações alternativas.
| Configuração | Tabela de tarifas | Unidade de faturação | Custo |
|---|---|---|---|
| ConfiguraçãoTarifas base por token | Tabela de tarifasTarifa base | Unidade de faturação— | Custo Entrada · Tokens de entrada — / 1K tokens Saída · Tokens de saída — / 1K tokens Entrada · Leitura da cache — / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
| Configuraçãosegundo de áudio de entrada | Tabela de tarifas— | Unidade de faturaçãopor segundo de áudio de entrada | Custo Entrada · segundo de áudio de entrada $0.0002 por segundo de áudio de entrada |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${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': 'fish-audio/transcribe-1', '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.\nCorpo completo da resposta original, estado e cabeçalhos encaminhados. Este processador não adiciona qualquer estrutura JSON universal, campo de texto ou estrutura envolvente de tarefa.
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Conserve a resposta completa e os cabeçalhos, todos os resultados efetivamente produzidos, os identificadores originais devolvidos e todos os campos de utilização. Recupere a operação original sem voltar a enviar o pedido de criação.
Conserve o X-Client-Request-ID real e a resposta completa. Consulte os recursos originais pertencentes ao utilizador e os respetivos URLs assinados exatos de conteúdo; nunca volte a enviar uma criação incerta.
| Campo | Tipo |
|---|---|
Campotext (when present) | Tipo |
Campousage (when present) | Tipo |
| Resposta | Condição | Passo seguinte |
|---|---|---|
Resposta400 · invalid_request_error | CondiçãoO corpo JSON ou o ID canónico explícito do modelo é inválido. | Passo seguinteConserve a resposta e corrija o campo indicado no pedido. |
Resposta401 · authentication_error | CondiçãoA chave API da Ailoot é inválida. | Passo seguinteUtilize a sua chave API autorizada da Ailoot. |
Resposta403 · permission_error | CondiçãoO grupo da chave não permite este método. | Passo seguinteConserve os detalhes do erro devolvido. |
Resposta404 · not_found_error | CondiçãoO método selecionado não tem uma rota autorizada. | Passo seguinteConserve os detalhes do erro devolvido. |
Resposta422 · price_unavailable | CondiçãoO tarifário aceite não consegue obter a quantidade de entrada ou o limite de que necessita. | Passo seguinteConserve a resposta; utilize a representação da entrada exigida pelo tarifário aceite. |
Resposta503 · | CondiçãoO armazenamento, a rota, o preço do método ou a reserva de que necessita não está disponível. | Passo seguinteConserve a resposta original completa. Uma reserva incerta não autoriza o reenvio. |
Resposta502 · server_error | CondiçãoO resultado, a utilização ou a liquidação original requer verificação. | Passo seguinteConserve o ID real do pedido e a resposta original. Consulte o registo existente pertencente ao utilizador; não volte a enviar o pedido de criação. |
Ailoot Ultra fish-audio/transcribe-1
Use os caminhos dos métodos indicados acima.