Deepgram: Nova-3
Nova-3 — универсальная модель преобразования речи в текст от Deepgram для записанного и потокового аудио. Поддерживает одноязычное распознавание, определённый многоязычный режим переключения языков и подсказки ключевых терминов; возвращает расшифровки с таймингом слов и оценками уверенности.
О модели
Описание раскрывает возможности модели. Доступные в Ailoot входные данные, результаты и параметры выбранного метода перечислены ниже.
Nova-3 — универсальная модель распознавания речи от Deepgram для преобразования аудио в текст. Производитель рекомендует её для встреч, субтитров мероприятий, записей нескольких говорящих и сложных условий, например шума или удалённых микрофонов, с расшифровкой записанного либо потокового звука. Полезный результат — распознанная речь с таймингом и оценками уверенности, сохраняющая связь с исходным аудио.
Выберите языковой процесс
Документированный язык по умолчанию — английский. Одноязычный запрос выбирает язык речи или поддерживаемый языковой вариант. Текущая таблица общей модели включает региональные варианты английского, испанский, французский, немецкий, русский, португальский, японский, итальянский, нидерландский, арабский, варианты китайской письменности и многие другие языки, включая казахский. Выбирайте из поддерживаемых кодов производителя, а не предполагайте, что допустимо любое название локали.
Многоязычная настройка — отдельный процесс для переключения языков. Текущая таблица Nova-3 перечисляет для него десять языков: английский, испанский, французский, немецкий, хинди, русский, португальский, японский, итальянский и нидерландский. Этот набор не совпадает с более широким одноязычным списком. Для записи с чередованием поддерживаемых языков подготовьте многоязычный режим, а не помещайте весь разговор в несоответствующую одноязычную настройку. Сохраните произнесённое перед подготовкой переведённой или обобщённой версии.
Записанное аудио и подготовка расшифровки
Файловый процесс Deepgram принимает загруженные байты аудио или ссылку на аудиофайл. Сохраните возвращённую расшифровку после завершения запроса; производитель не хранит расшифровки для последующего получения. Распространённые документированные входные форматы и кодировки включают MP3, MP4, MP2, AAC, WAV, FLAC, PCM, M4A, Ogg, Opus и WebM. Храните реальный формат и сведения о каналах вместе с записью. Дайте записи стабильный идентификатор и связывайте результат с правильным источником и сведениями о его каналах. Для встречи проверяйте имена участников и технические термины, слушая исходный звук. Для лекции или мероприятия сохраняйте последовательность аудио, чтобы последующий субтитр или результат поиска мог найти нужный фрагмент.
Руководство производителя по записанному аудио указывает максимальный размер файла 2 ГБ и рекомендует извлекать аудиопоток из большого видеофайла. Оно также документирует десятиминутный тайм-аут обработки запросов Nova. Этот тайм-аут касается продолжительности обработки запроса, а не максимальной десятиминутной длительности записи. Полезный результат включает конец предполагаемой записи; частично сохранённую расшифровку нельзя считать полным текстом.
Читайте слова, время и оценки уверенности
Документированный ответ JSON включает варианты расшифровки и распознанные слова со временем начала и окончания каждого слова в секундах от начала аудио и оценкой уверенности. Для расшифровки нескольких говорящих необязательная диаризация производителя назначает каждому слову метку говорящего. Диаризация записанного аудио также возвращает уверенность в говорящем; потоковая диаризация возвращает метку говорящего. Проверяйте эти метки по голосам в записи. Также сообщается общая уверенность в расшифровке по шкале 0–1. При запрошенном умном форматировании результат может включать пунктуацию и регистр в словах с пунктуацией, а также сведения о читаемых абзацах.
Используйте поля согласно их смыслу. Время слова указывает положение распознанной речи, а уверенность — оценка надёжности моделью, не доказательство правильного распознавания сложного имени или количества. Для подготовки субтитров храните тайминг вместе с проверенной формулировкой и сверяйте границы со звуком. Для читаемой редакторской версии сохраняйте различимость изменений и распознанной расшифровки вместо незаметной замены неуверенно распознанных слов правдоподобным рассказом.
Потоковое распознавание и окончательные сегменты
Потоковый процесс Nova возвращает текст по мере поступления аудио с промежуточными и окончательными результатами. Индикатор is_final отличает текст, который может пересматриваться, от завершённого сегмента. Индикатор speech_final относится к определению конца речевого сегмента. Отделяйте эти сигналы от простого получения непустой расшифровки и сохраняйте окончательные сегменты в порядке аудио при подготовке завершённой записи.
Nova-3 — общее ASR, отличающееся от отдельной разговорной модели Flux с нативным определением реплик. Nova отмечает окончательность расшифровки и границы речевых отрезков; Flux предоставляет собственные события состояния реплик разговора. Выбирайте процесс расшифровки с учётом того, записано ли аудио заранее или поступает вживую, и сохраняйте реальный окончательный выход как результат.
Ключевые термины для важной лексики
Документированное Keyterm Prompting модели Nova-3 поддерживает одноязычную и многоязычную расшифровку и адаптирует распознавание к важным терминам без повторного обучения модели. Передавайте подходящие имена, продуктовые термины, аббревиатуры или многословные фразы, которые действительно могут прозвучать. Руководство ограничивает совокупный вход ключевых терминов 500 токенами и рекомендует сосредоточиться на самой важной лексике, а не без разбора добавлять обычные слова.
Синтаксис производителя использует обычные термины с отдельной записью keyterm для каждого. Многословная фраза остаётся одной фразой. Устаревшие веса или усилители ключевых слов и объединение отдельных терминов запятыми, точками с запятой или переносами строк не эквивалентны этому: интерфейс может принять их как одно буквальное значение без предполагаемого усиления. Используйте правильный регистр имён, затем проверяйте расшифровку, поскольку аудиоконтекст и умное форматирование всё ещё могут менять окончательную письменную форму.
Границы семейства моделей и полезные результаты
Общий профиль Nova-3 отличается от отдельно названных вариантов Medical и Pharma. Подсказки лексики не превращают его в другую версию; нельзя предполагать для общей модели языковой охват или поведение специализированных моделей. Дополнительные функции обработки расшифровки — варианты речевого процесса производителя, а не доказательство того, что распознавание создало резюме, перевод или другой результат, который не запрашивался.
Полезным результатом Nova-3 может быть расшифровка встречи с поиском, текст для субтитров с таймингом слов или запись многоязычного разговора. Сохраняйте идентификатор аудио, выбранный языковой процесс, окончательный текст и полезные поля уверенности или времени. Проверяйте неясные имена, числа, перекрывающиеся голоса и смены языков по исходной записи и оставляйте реальную распознанную речь доступной для следующего этапа обработки контента.
Ailoot Ultra · Распознавание речи POST /v1/audio/transcriptions deepgram/nova-3
deepgram/nova-3Начало
Nova-3 — универсальная модель преобразования речи в текст от Deepgram для записанного и потокового аудио. Поддерживает одноязычное распознавание, определённый многоязычный режим переключения языков и подсказки ключевых терминов; возвращает расшифровки с таймингом слов и оценками уверенности.
- Допустимые входные данные
- Аудио
- Результаты
- transcription
Доступно в Ailoot · входные данные и методы
Ailoot Ultra · Распознавание речи POST /v1/audio/transcriptions
- Входные данные
audio- Результат
transcription- Выходной формат
- json
| Поле | Тип | Требование | Значения и ограничения | По умолчанию |
|---|---|---|---|---|
Полеmodel | Типstring | ТребованиеОбязательно | Значения и ограничения deepgram/nova-3 | По умолчанию— |
Полеinput_audio | Типobject | ТребованиеОбязательно | Значения и ограничения | По умолчанию— |
Полеlanguage | Типstring | ТребованиеНеобязательно | Значения и ограничения | По умолчанию— |
Полеtemperature | Типnumber | ТребованиеНеобязательно | Значения и ограничения Минимум: 0 Максимум: 1 | По умолчанию— |
Полеresponse_format | Типstring | ТребованиеНеобязательно | Значения и ограничения json, verbose_json | По умолчаниюjson |
Полеtimestamp_granularities | Типarray | ТребованиеНеобязательно | Значения и ограничения | По умолчанию— |
Полеprovider | Типobject | ТребованиеНеобязательно | Значения и ограничения | По умолчанию— |
Сочетания входных материалов
speech_to_text · Обязательно: actual matching-format audio file
Параметры и жизненный цикл метода
| Параметр | Контракт |
|---|---|
Параметрcontent_types | Контрактapplication/json, multipart/form-data |
Параметрrequired | Контрактmodel, input_audio |
Параметрmaterial_types | Контрактaudio |
ПараметрJSON_audio | Контрактфактические исходные аудиобайты в base64 и соответствующий формат |
Параметрmultipart_required | Контрактmodel, file |
Параметрmultipart_cap_bytes | Контракт26214400 |
Параметрoptional_controls | Контрактlanguage, temperature, response_format, timestamp_granularities, provider |
Параметрdefault_response_format | Контрактjson |
Параметрoptional_features | КонтрактПодробный результат, diarize/keyterms, URL и более объёмное встроенное аудио требуют соответствующей возможности конкретной модели или поставщика и подходящего тарифа. |
Жизненный цикл: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · Фактически возвращённый task_id или запись в медиатеке
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Используйте точную модель и документированные поля ввода.
Сохраните полный ответ, каждый фактический результат и исходные возвращённые ID.
Тарифы
Тарифная справка не добавляет режимы запроса. Поддерживаемые параметры указаны для выбранного метода.
- Быстрый режим
- Не указано При выборе быстрого режима
- Режим flex
- Не указано При выборе режима flex
- Максимальная интенсивность рассуждений
- Не указано При максимальной интенсивности рассуждений с корректировкой по умолчанию (default)
Ставки Ailoot
Цены по конфигурациям
Сопоставьте каждую плату с указанными условиями. Для каждого набора альтернативных конфигураций используйте одну ставку.
| Конфигурация | Шкала ставок | Расчётная единица | Плата |
|---|---|---|---|
| КонфигурацияБазовые тарифы на токены | Шкала ставокБазовая ставка | Расчётная единица— | Плата Вход · Входные токены — / 1K токенов Выход · Выходные токены — / 1K токенов Вход · Чтение кэша — / 1K токенов Вход · Запись в кэш — / 1K токенов Вход · Запись в кэш, 1 час — / 1K токенов |
| КонфигурацияUltra | Шкала ставок— | Расчётная единицаза секунду входного аудио | Плата Вход · секунда входного аудио $0.0001433333333334 за секунду входного аудио |
Ailoot резервирует расчётную сумму перед запросом. После получения результата списывает итоговую плату по измеренному расходу. Для окончательного списания за потоковый ответ используется итоговая запись расхода. Как работают резервирование и расчёт →
Сведения о справочном тарифе
Справочные шкалы модели не меняют выбор метода, расчёт стоимости или списания. Действующая плата определяется ставками выбранного метода Ailoot.
Deepgram: Nova-3
Цены по конфигурациям
| Конфигурация | Условия расчёта | Плата |
|---|---|---|
| КонфигурацияDeepgram: Nova-3 · Стандартная конфигурация | Условия расчётаКонфигурация по умолчанию | Плата Вход · Секунды входного аудио ≈0,000143 $ за секунду входного аудио |
Примеры запросов
Ailoot Ultra · Распознавание речи
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_AUDIO_FILE:?Set the path to your actual WAV recording}"
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
import base64
audio=Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()
if not (audio[:4]==b'RIFF' and audio[8:12]==b'WAVE'): raise SystemExit('Supply an actual WAV audio file')
if len(audio)>26214400: raise SystemExit('Use a documented supported large-file flow')
request={'model': 'deepgram/nova-3', 'input_audio': {'data': '${BASE64_ACTUAL_WAV_BYTES}', 'format': 'wav'}}
request['input_audio']['data']=base64.b64encode(audio).decode('ascii')
Path('request.json').write_text(json.dumps(request,ensure_ascii=False),encoding='utf-8')
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \
-H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
--data-binary @request.json -D response-headers.txt -o response.bin
# Keep the complete original response and headers. Read every returned segment, word and usage field.
# Preserve actual operation/task/asset IDs; continue reads of the original result without resubmitting.
Получить и сохранить результаты
Ailoot Ultra · Распознавание речи
json
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
Сохраняйте все готовые результаты
Сохраняйте каждый полностью полученный ответ, файл и элемент содержимого.
Полный исходный JSON, весь доступный текст, сегменты, слова, говорящие, временные метки и данные об использовании.
Если нужно проверить исходный ответ
Сохраните исходные operation_id/X-Client-Request-ID и исходный ответ. Читайте фактические записи задач и ресурсов, принадлежащих Ailoot, без повторной отправки; отдельный URL проверки статуса аудио не формируется.
Поля ответа
| Поле | Тип |
|---|---|
Полеtext | Типstring |
Полеusage | Типobject |
Полеsegments[] | Типobject |
Полеwords[] | Типobject |
Псевдонимы
Псевдонимы моделей
Ailoot Ultra deepgram/nova-3
Псевдонимы путей метода
Используйте пути методов, указанные выше.
Связанные ID для вызова
FAQ · Deepgram: Nova-3
- Какие входные данные и результаты доступны?
POST /v1/audio/transcriptions·deepgram/nova-3:audio→transcription- Какие поля использует запрос?
POST /v1/audio/transcriptions·deepgram/nova-3:model,input_audio,language,temperature,response_format,timestamp_granularities,provider- Какие ограничения действуют?
POST /v1/audio/transcriptions·deepgram/nova-3:temperature.minimum:0;temperature.maximum:1