Whisper large-v3-turbo, também chamado Turbo, é o modelo de transcrição otimizado da OpenAI derivado de Whisper large-v3. O descodificador é reduzido de 32 camadas para quatro, enquanto o codificador mantém 32 camadas. O modelo disponibilizado tem aproximadamente 809 milhões de parâmetros. O objetivo do fabricante é um reconhecimento de fala mais rápido com um compromisso modesto na precisão, não um modo diferente de geração de áudio. A entrada é fala gravada e o resultado é texto reconhecido.
O anúncio do lançamento distingue a preparação de Turbo da de um modelo Whisper destilado separadamente: Turbo recebeu ajustamento fino durante duas épocas adicionais com dados de transcrição multilingue, excluindo dados de tradução. Esta distinção é importante em termos operacionais. O repositório da OpenAI indica que Turbo não foi treinado para traduzir fala de outras línguas para inglês e pode devolver a língua original mesmo quando se pede uma tarefa de tradução. Utilize esta edição para obter uma transcrição na mesma língua; uma necessidade de tradução deve ser tratada por outro modelo adequado ou num passo separado após a transcrição.
A deteção da língua de origem e a seleção explícita da língua continuam a ser opções úteis para a transcrição. Se já conhecer a língua da gravação, identifique-a nas instruções; caso contrário, o fluxo de trabalho documentado pode detetá-la. Preserve os nomes, as quantidades e as palavras pronunciadas antes de pedir uma revisão editorial. O registo de uma reunião, a transcrição de uma entrevista ou o texto de uma aula podem depois ser pesquisados, anotados ou resumidos numa operação posterior. A tarefa de reconhecimento de Turbo não deve ser confundida com síntese de voz, imitação de um falante ou um juízo semântico sobre as pessoas na gravação.
O carregador de áudio da OpenAI descodifica os ficheiros de entrada em amostras mono a 16 kHz, e o modelo usa uma janela acústica de 30 segundos com 128 bandas de frequência Mel. As gravações mais longas exigem inferência sobre gravações longas. O processamento sequencial percorre as janelas por ordem; uma abordagem por blocos transcreve partes sobrepostas e junta os respetivos limites. A ficha do modelo apresenta esta última como útil para processar um único ficheiro longo quando a prioridade principal é o prazo de entrega, enquanto o processamento sequencial privilegia a precisão. Nem a janela nem o nome do modelo estabelecem um tamanho máximo fixo de ficheiro para carregamentos num serviço alojado.
A configuração exata de Turbo lista 448 posições do descodificador para uma sequência de descodificação. O fluxo de inferência documentado pode incluir referências temporais de segmentos ou palavras juntamente com a transcrição; estas ajudam a navegar e a formatar legendas posteriormente. Não acrescentam automaticamente um formato de ficheiro de legendas nem identificações fiáveis dos falantes. Indique se precisa de uma transcrição simples ou de segmentos com referências temporais e mantenha a gravação original disponível para verificar passagens contestadas. O processamento de gravações longas e qualquer formatação final são distintos da identidade do checkpoint.
Turbo reduz o trabalho de descodificação, mas o tempo efetivamente necessário depende do equipamento, da duração da gravação, da língua, do ritmo da fala e das escolhas de inferência. O produtor assinala uma maior degradação da qualidade para algumas línguas, incluindo tailandês e cantonês, em vez de um comportamento uniforme em todas. Compare um excerto representativo na língua pretendida antes de considerar que o compromisso a favor da velocidade é adequado a todo o material. Numa tarefa de processamento de arquivos, inclua vocabulário difícil, pausas e passagens com ruído ou fala sobreposta na amostra de revisão, não apenas uma frase inicial clara.
A ficha publicada apresenta as limitações substanciais do reconhecimento de Whisper: o texto previsto pode incluir palavras que não foram pronunciadas e podem surgir repetições. Os resultados variam entre línguas, sotaques e dialetos, sobretudo onde a cobertura do treino é limitada. A ficha não estabelece a diarização ou a classificação de falantes como capacidades padrão robustas do modelo de base. Uma revisão prática centra-se na fidelidade à fonte: nomes e números importantes, fala omitida, texto inesperado durante silêncios e repetições. Uma transcrição legível continua a ser um resultado a comparar com a gravação, não uma garantia de reconhecimento exato.
O resultado final útil é uma transcrição na língua de origem com as referências temporais pedidas, se aplicável, e uma ligação clara à gravação. Mantenha a versão reconhecida separada da versão editada para publicação, para que as alterações sejam rastreáveis. Preserve o nome large-v3-turbo ao comparar edições: não é o modelo large-v3 completo e não deve herdar implicitamente a tarefa de tradução para inglês de large-v3. Esta identidade de pesos abertos também não inclui os limites de carregamento, as estruturas das respostas ou as promessas de transmissão em direto do serviço alojado whisper-1. Escolha Turbo quando o compromisso documentado da transcrição se adequar ao material real e ao prazo de entrega pretendido.
", "aboutText": "Whisper large-v3-turbo, também chamado Turbo, é o modelo de transcrição otimizado da OpenAI derivado de Whisper large-v3. O descodificador é reduzido de 32 camadas para quatro, enquanto o codificador mantém 32 camadas. O modelo disponibilizado tem aproximadamente 809 milhões de parâmetros. O objetivo do fabricante é um reconhecimento de fala mais rápido com um compromisso modesto na precisão, não um modo diferente de geração de áudio. A entrada é fala gravada e o resultado é texto reconhecido.\n\nO anúncio do lançamento distingue a preparação de Turbo da de um modelo Whisper destilado separadamente: Turbo recebeu ajustamento fino durante duas épocas adicionais com dados de transcrição multilingue, excluindo dados de tradução. Esta distinção é importante em termos operacionais. O repositório da OpenAI indica que Turbo não foi treinado para traduzir fala de outras línguas para inglês e pode devolver a língua original mesmo quando se pede uma tarefa de tradução. Utilize esta edição para obter uma transcrição na mesma língua; uma necessidade de tradução deve ser tratada por outro modelo adequado ou num passo separado após a transcrição.\n\nA deteção da língua de origem e a seleção explícita da língua continuam a ser opções úteis para a transcrição. Se já conhecer a língua da gravação, identifique-a nas instruções; caso contrário, o fluxo de trabalho documentado pode detetá-la. Preserve os nomes, as quantidades e as palavras pronunciadas antes de pedir uma revisão editorial. O registo de uma reunião, a transcrição de uma entrevista ou o texto de uma aula podem depois ser pesquisados, anotados ou resumidos numa operação posterior. A tarefa de reconhecimento de Turbo não deve ser confundida com síntese de voz, imitação de um falante ou um juízo semântico sobre as pessoas na gravação.\n\nO carregador de áudio da OpenAI descodifica os ficheiros de entrada em amostras mono a 16 kHz, e o modelo usa uma janela acústica de 30 segundos com 128 bandas de frequência Mel. As gravações mais longas exigem inferência sobre gravações longas. O processamento sequencial percorre as janelas por ordem; uma abordagem por blocos transcreve partes sobrepostas e junta os respetivos limites. A ficha do modelo apresenta esta última como útil para processar um único ficheiro longo quando a prioridade principal é o prazo de entrega, enquanto o processamento sequencial privilegia a precisão. Nem a janela nem o nome do modelo estabelecem um tamanho máximo fixo de ficheiro para carregamentos num serviço alojado.\n\nA configuração exata de Turbo lista 448 posições do descodificador para uma sequência de descodificação. O fluxo de inferência documentado pode incluir referências temporais de segmentos ou palavras juntamente com a transcrição; estas ajudam a navegar e a formatar legendas posteriormente. Não acrescentam automaticamente um formato de ficheiro de legendas nem identificações fiáveis dos falantes. Indique se precisa de uma transcrição simples ou de segmentos com referências temporais e mantenha a gravação original disponível para verificar passagens contestadas. O processamento de gravações longas e qualquer formatação final são distintos da identidade do checkpoint.\n\nTurbo reduz o trabalho de descodificação, mas o tempo efetivamente necessário depende do equipamento, da duração da gravação, da língua, do ritmo da fala e das escolhas de inferência. O produtor assinala uma maior degradação da qualidade para algumas línguas, incluindo tailandês e cantonês, em vez de um comportamento uniforme em todas. Compare um excerto representativo na língua pretendida antes de considerar que o compromisso a favor da velocidade é adequado a todo o material. Numa tarefa de processamento de arquivos, inclua vocabulário difícil, pausas e passagens com ruído ou fala sobreposta na amostra de revisão, não apenas uma frase inicial clara.\n\nA ficha publicada apresenta as limitações substanciais do reconhecimento de Whisper: o texto previsto pode incluir palavras que não foram pronunciadas e podem surgir repetições. Os resultados variam entre línguas, sotaques e dialetos, sobretudo onde a cobertura do treino é limitada. A ficha não estabelece a diarização ou a classificação de falantes como capacidades padrão robustas do modelo de base. Uma revisão prática centra-se na fidelidade à fonte: nomes e números importantes, fala omitida, texto inesperado durante silêncios e repetições. Uma transcrição legível continua a ser um resultado a comparar com a gravação, não uma garantia de reconhecimento exato.\n\nO resultado final útil é uma transcrição na língua de origem com as referências temporais pedidas, se aplicável, e uma ligação clara à gravação. Mantenha a versão reconhecida separada da versão editada para publicação, para que as alterações sejam rastreáveis. Preserve o nome large-v3-turbo ao comparar edições: não é o modelo large-v3 completo e não deve herdar implicitamente a tarefa de tradução para inglês de large-v3. Esta identidade de pesos abertos também não inclui os limites de carregamento, as estruturas das respostas ou as promessas de transmissão em direto do serviço alojado whisper-1. Escolha Turbo quando o compromisso documentado da transcrição se adequar ao material real e ao prazo de entrega pretendido.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "9a6d6b402fbc7b0b33f972357c39d916bc094256635f97bbf78d86ba9efa8e8f", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "pt-pt", "methods": [ { "html": "openai/whisper-large-v3-turboWhisper large-v3-turbo é a edição de transcrição de pesos abertos mais rápida da OpenAI, derivada de large-v3, com quatro camadas no descodificador e 809 milhões de parâmetros. Destina-se à conversão multilingue de fala em texto; a documentação oficial do fabricante exclui a tradução de fala para inglês da tarefa para a qual Turbo foi treinado.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Whisper large-v3-turbo, também chamado Turbo, é o modelo de transcrição otimizado da OpenAI derivado de Whisper large-v3. O descodificador é reduzido de 32 camadas para quatro, enquanto o codificador mantém 32 camadas. O modelo disponibilizado tem aproximadamente 809 milhões de parâmetros. O objetivo do fabricante é um reconhecimento de fala mais rápido com um compromisso modesto na precisão, não um modo diferente de geração de áudio. A entrada é fala gravada e o resultado é texto reconhecido.
O anúncio do lançamento distingue a preparação de Turbo da de um modelo Whisper destilado separadamente: Turbo recebeu ajustamento fino durante duas épocas adicionais com dados de transcrição multilingue, excluindo dados de tradução. Esta distinção é importante em termos operacionais. O repositório da OpenAI indica que Turbo não foi treinado para traduzir fala de outras línguas para inglês e pode devolver a língua original mesmo quando se pede uma tarefa de tradução. Utilize esta edição para obter uma transcrição na mesma língua; uma necessidade de tradução deve ser tratada por outro modelo adequado ou num passo separado após a transcrição.
A deteção da língua de origem e a seleção explícita da língua continuam a ser opções úteis para a transcrição. Se já conhecer a língua da gravação, identifique-a nas instruções; caso contrário, o fluxo de trabalho documentado pode detetá-la. Preserve os nomes, as quantidades e as palavras pronunciadas antes de pedir uma revisão editorial. O registo de uma reunião, a transcrição de uma entrevista ou o texto de uma aula podem depois ser pesquisados, anotados ou resumidos numa operação posterior. A tarefa de reconhecimento de Turbo não deve ser confundida com síntese de voz, imitação de um falante ou um juízo semântico sobre as pessoas na gravação.
O carregador de áudio da OpenAI descodifica os ficheiros de entrada em amostras mono a 16 kHz, e o modelo usa uma janela acústica de 30 segundos com 128 bandas de frequência Mel. As gravações mais longas exigem inferência sobre gravações longas. O processamento sequencial percorre as janelas por ordem; uma abordagem por blocos transcreve partes sobrepostas e junta os respetivos limites. A ficha do modelo apresenta esta última como útil para processar um único ficheiro longo quando a prioridade principal é o prazo de entrega, enquanto o processamento sequencial privilegia a precisão. Nem a janela nem o nome do modelo estabelecem um tamanho máximo fixo de ficheiro para carregamentos num serviço alojado.
A configuração exata de Turbo lista 448 posições do descodificador para uma sequência de descodificação. O fluxo de inferência documentado pode incluir referências temporais de segmentos ou palavras juntamente com a transcrição; estas ajudam a navegar e a formatar legendas posteriormente. Não acrescentam automaticamente um formato de ficheiro de legendas nem identificações fiáveis dos falantes. Indique se precisa de uma transcrição simples ou de segmentos com referências temporais e mantenha a gravação original disponível para verificar passagens contestadas. O processamento de gravações longas e qualquer formatação final são distintos da identidade do checkpoint.
Turbo reduz o trabalho de descodificação, mas o tempo efetivamente necessário depende do equipamento, da duração da gravação, da língua, do ritmo da fala e das escolhas de inferência. O produtor assinala uma maior degradação da qualidade para algumas línguas, incluindo tailandês e cantonês, em vez de um comportamento uniforme em todas. Compare um excerto representativo na língua pretendida antes de considerar que o compromisso a favor da velocidade é adequado a todo o material. Numa tarefa de processamento de arquivos, inclua vocabulário difícil, pausas e passagens com ruído ou fala sobreposta na amostra de revisão, não apenas uma frase inicial clara.
A ficha publicada apresenta as limitações substanciais do reconhecimento de Whisper: o texto previsto pode incluir palavras que não foram pronunciadas e podem surgir repetições. Os resultados variam entre línguas, sotaques e dialetos, sobretudo onde a cobertura do treino é limitada. A ficha não estabelece a diarização ou a classificação de falantes como capacidades padrão robustas do modelo de base. Uma revisão prática centra-se na fidelidade à fonte: nomes e números importantes, fala omitida, texto inesperado durante silêncios e repetições. Uma transcrição legível continua a ser um resultado a comparar com a gravação, não uma garantia de reconhecimento exato.
O resultado final útil é uma transcrição na língua de origem com as referências temporais pedidas, se aplicável, e uma ligação clara à gravação. Mantenha a versão reconhecida separada da versão editada para publicação, para que as alterações sejam rastreáveis. Preserve o nome large-v3-turbo ao comparar edições: não é o modelo large-v3 completo e não deve herdar implicitamente a tarefa de tradução para inglês de large-v3. Esta identidade de pesos abertos também não inclui os limites de carregamento, as estruturas das respostas ou as promessas de transmissão em direto do serviço alojado whisper-1. Escolha Turbo quando o compromisso documentado da transcrição se adequar ao material real e ao prazo de entrega pretendido.
POST /v1/audio/transcriptionsaudiotext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites openai/whisper-large-v3-turbo | 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 $0.00000666 por segundo de áudio de entrada |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${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': '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.\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 openai/whisper-large-v3-turbo
Use os caminhos dos métodos indicados acima.