Grok STT 1.0 é o modelo de conversão de fala em texto da SpaceXAI. Recebe áudio e devolve uma transcrição, com marcas temporais ao nível da palavra e diarização opcional de locutores. O perfil publicado também suporta áudio multicanal. O resultado útil é o conteúdo falado associado à temporização e, quando solicitado, aos locutores de uma gravação.
Identifique a gravação a transcrever e a forma como o resultado será utilizado. A transcrição de uma reunião precisa da sequência de intervenções; uma entrevista pode precisar de etiquetas de locutor; uma tarefa de edição precisa das palavras associadas às respetivas posições no áudio. Preserve a gravação de origem e o seu identificador para que quem a revê possa regressar à passagem original quando houver dúvidas sobre uma palavra ou a atribuição de um locutor.
Use a gravação real em vez de um relato reescrito do seu conteúdo. Numa fonte multicanal, mantenha a estrutura dos canais ao preparar o áudio. Essa estrutura e a diarização de locutores descrevem partes diferentes da tarefa: os canais pertencem à gravação, enquanto a diarização identifica as intervenções de cada locutor na transcrição.
As marcas temporais ao nível da palavra ligam as palavras transcritas à gravação. Ajudam a localizar uma citação, rever uma expressão difícil ou preparar uma etapa posterior de legendagem ou edição. Mantenha as marcas temporais junto das palavras ao exportar ou transformar a transcrição e confirme as passagens importantes com o áudio.
A diarização opcional acrescenta a estrutura de locutores. Reveja transições, interrupções e vozes semelhantes antes de confiar nas etiquetas atribuídas num documento final. Use etiquetas de locutor estáveis nas notas posteriores, mantendo qualquer identificação posterior de uma pessoa distinta do agrupamento de locutores feito pelo modelo.
Uma transcrição pode alimentar um resumo, um registo pesquisável ou um fluxo de preparação de legendas. Esses artefactos posteriores devem conservar o trecho relevante da transcrição e a temporização na origem. Para uma citação, examine a passagem exata do áudio; para uma nota de reunião, distinga o que foi dito das conclusões daí retiradas. O modelo produz a transcrição, enquanto a formatação, o resumo e a publicação partem desse resultado real.
", "aboutText": "Grok STT 1.0 é o modelo de conversão de fala em texto da SpaceXAI. Recebe áudio e devolve uma transcrição, com marcas temporais ao nível da palavra e diarização opcional de locutores. O perfil publicado também suporta áudio multicanal. O resultado útil é o conteúdo falado associado à temporização e, quando solicitado, aos locutores de uma gravação.\n\n### Prepare a gravação e a tarefa de transcrição\n\nIdentifique a gravação a transcrever e a forma como o resultado será utilizado. A transcrição de uma reunião precisa da sequência de intervenções; uma entrevista pode precisar de etiquetas de locutor; uma tarefa de edição precisa das palavras associadas às respetivas posições no áudio. Preserve a gravação de origem e o seu identificador para que quem a revê possa regressar à passagem original quando houver dúvidas sobre uma palavra ou a atribuição de um locutor.\n\nUse a gravação real em vez de um relato reescrito do seu conteúdo. Numa fonte multicanal, mantenha a estrutura dos canais ao preparar o áudio. Essa estrutura e a diarização de locutores descrevem partes diferentes da tarefa: os canais pertencem à gravação, enquanto a diarização identifica as intervenções de cada locutor na transcrição.\n\n### Temporização e estrutura de locutores\n\nAs marcas temporais ao nível da palavra ligam as palavras transcritas à gravação. Ajudam a localizar uma citação, rever uma expressão difícil ou preparar uma etapa posterior de legendagem ou edição. Mantenha as marcas temporais junto das palavras ao exportar ou transformar a transcrição e confirme as passagens importantes com o áudio.\n\nA diarização opcional acrescenta a estrutura de locutores. Reveja transições, interrupções e vozes semelhantes antes de confiar nas etiquetas atribuídas num documento final. Use etiquetas de locutor estáveis nas notas posteriores, mantendo qualquer identificação posterior de uma pessoa distinta do agrupamento de locutores feito pelo modelo.\n\n### Use a transcrição como material de origem\n\nUma transcrição pode alimentar um resumo, um registo pesquisável ou um fluxo de preparação de legendas. Esses artefactos posteriores devem conservar o trecho relevante da transcrição e a temporização na origem. Para uma citação, examine a passagem exata do áudio; para uma nota de reunião, distinga o que foi dito das conclusões daí retiradas. O modelo produz a transcrição, enquanto a formatação, o resumo e a publicação partem desse resultado real.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "58c796e66aca5c219f83f3691013aad76c8eb51637538b07409dcd5d2755722e", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "pt-pt", "methods": [ { "html": "x-ai/grok-stt-1.0Grok STT 1.0 transforma áudio numa transcrição com marcas temporais ao nível da palavra. A SpaceXAI documenta diarização opcional de locutores e áudio multicanal, tornando o modelo útil para gravações que precisam tanto do texto falado como da sua temporização ou estrutura de locutores.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Grok STT 1.0 é o modelo de conversão de fala em texto da SpaceXAI. Recebe áudio e devolve uma transcrição, com marcas temporais ao nível da palavra e diarização opcional de locutores. O perfil publicado também suporta áudio multicanal. O resultado útil é o conteúdo falado associado à temporização e, quando solicitado, aos locutores de uma gravação.
Identifique a gravação a transcrever e a forma como o resultado será utilizado. A transcrição de uma reunião precisa da sequência de intervenções; uma entrevista pode precisar de etiquetas de locutor; uma tarefa de edição precisa das palavras associadas às respetivas posições no áudio. Preserve a gravação de origem e o seu identificador para que quem a revê possa regressar à passagem original quando houver dúvidas sobre uma palavra ou a atribuição de um locutor.
Use a gravação real em vez de um relato reescrito do seu conteúdo. Numa fonte multicanal, mantenha a estrutura dos canais ao preparar o áudio. Essa estrutura e a diarização de locutores descrevem partes diferentes da tarefa: os canais pertencem à gravação, enquanto a diarização identifica as intervenções de cada locutor na transcrição.
As marcas temporais ao nível da palavra ligam as palavras transcritas à gravação. Ajudam a localizar uma citação, rever uma expressão difícil ou preparar uma etapa posterior de legendagem ou edição. Mantenha as marcas temporais junto das palavras ao exportar ou transformar a transcrição e confirme as passagens importantes com o áudio.
A diarização opcional acrescenta a estrutura de locutores. Reveja transições, interrupções e vozes semelhantes antes de confiar nas etiquetas atribuídas num documento final. Use etiquetas de locutor estáveis nas notas posteriores, mantendo qualquer identificação posterior de uma pessoa distinta do agrupamento de locutores feito pelo modelo.
Uma transcrição pode alimentar um resumo, um registo pesquisável ou um fluxo de preparação de legendas. Esses artefactos posteriores devem conservar o trecho relevante da transcrição e a temporização na origem. Para uma citação, examine a passagem exata do áudio; para uma nota de reunião, distinga o que foi dito das conclusões daí retiradas. O modelo produz a transcrição, enquanto a formatação, o resumo e a publicação partem desse resultado real.
POST /v1/audio/transcriptionsaudiotext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites x-ai/grok-stt-1.0 | Predefinição— |
Campoinput_audio | Tipoobject | RequisitoObrigatório | Valores e limites | Predefinição— |
Campolanguage | Tipostring | RequisitoOpcional | Valores e limites | Predefinição— |
Campotemperature | Tiponumber | RequisitoOpcional | Valores e limites Mínimo: 0 Máximo: 1 | Predefinição— |
Camporesponse_format | Tipostring | RequisitoOpcional | Valores e limites json, verbose_json | Predefiniçãojson |
Campotimestamp_granularities | Tipoarray | RequisitoOpcional | Valores e limites | Predefinição— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores e limites | Predefinição— |
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratomodel, input_audio |
Parâmetromaterial_types | Contratoaudio |
Parâmetromaterial_conditions | ContratoLeia um ficheiro WAV real e codifique os respetivos bytes reais para a entrada JSON input_audio declarada; não é anunciada qualquer rota multipart para esta declaração exata apenas de JSON. |
Ciclo de vida: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · task_id efetivamente devolvido ou registo na biblioteca de multimédia
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
As tarifas apresentadas permitem estimar o custo antes da geração. O montante final cobrado é calculado a partir do custo registado para a geração original. A duração medida do resultado e as quantidades previstas não correspondem à quantidade final faturável.
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 | Quantidade prevista | Unidade de faturação | Custo |
|---|---|---|---|---|
| ConfiguraçãoTarifas base por token | Tabela de tarifasTarifa base | Quantidade prevista— | Unidade de faturação— | Custo Entrada · Tokens de entrada · Estimativa apenas para comparação — / 1K tokens Saída · Tokens de saída · Estimativa apenas para comparação — / 1K tokens Entrada · Leitura da cache · Estimativa apenas para comparação — / 1K tokens Entrada · Escrita na cache · Estimativa apenas para comparação — / 1K tokens Entrada · Escrita na cache, 1 hora · Estimativa apenas para comparação — / 1K tokens |
| Configuraçãosegundo de áudio de entrada | Tabela de tarifas— | Quantidade prevista— | Unidade de faturaçãopor segundo de áudio de entrada | Custo Entrada · segundo de áudio de entrada · Estimativa apenas para comparação $0.0000555555555556 por segundo de áudio de entrada |
| ConfiguraçãoCusto estimado de geração | Tabela de tarifas— | Quantidade previstaestimativa para uma geração | Unidade de faturação— | Custo Saída · Custo estimado de geração · Estimativa apenas para comparação $0.0000555555555556 estimativa antes da geração Esta estimativa não é um encargo adicional nem uma tarifa fixa para a geração concluída. |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_AUDIO_FILE:?Set the path to your actual WAV recording}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\nimport base64\naudio=Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()\nif not (audio[:4]==b'RIFF' and audio[8:12]==b'WAVE'): raise SystemExit('Supply an actual WAV audio file')\nif len(audio)>26214400: raise SystemExit('Use a documented supported large-file flow')\nrequest={'model': 'x-ai/grok-stt-1.0', 'input_audio': {'data': '${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.\nGuarde 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.
Guarde o X-Client-Request-ID devolvido para reconciliação. Consulte apenas os valores task_id/asset_id efetivamente devolvidos ou a sua biblioteca de multimédia; nunca construa um URL de tarefa a partir do ID da operação e nunca volte a enviar o pedido de criação.
| Campo | Tipo |
|---|---|
Campotext | Tipo |
Campousage | Tipo |
Camposegments[] | Tipo |
Campowords[] | Tipo |
Campospeaker fields | Tipo |
Campotimestamps | Tipo |
Ailoot Ultra x-ai/grok-stt-1.0
Use os caminhos dos métodos indicados acima.