Fish Audio: Transcribe 1

Transcribe 1 преобразует короткие аудиозаписи в текст с автоматическим определением языка и необязательными временными метками слов. Используйте расшифровку для голосовых заметок, поиска по клипам или подготовки субтитров, сохраняя сегменты с временными метками отдельно от полного читаемого текста.

Ailoot Ultra · Распознавание речи POST /v1/audio/transcriptions fish-audio/transcribe-1

О модели

Описание раскрывает возможности модели. Доступные в Ailoot входные данные, результаты и параметры выбранного метода перечислены ниже.

Transcribe 1 — универсальная модель Fish Audio для распознавания речи в коротких записях. Она принимает аудиофайл и возвращает распознанные слова в виде текста, продолжительность записи, необязательные сегменты с временными метками и сведения о языке, когда он известен. Модель полезна для короткой голосовой заметки, устной инструкции, фрагмента записи или аудиоклипа, который нужно представить в читаемом текстовом виде.

В примере работы с голосовой заметкой запись сохраняют вместе с полной расшифровкой и идентификатором исходного клипа. На следующем шаге приложение может искать по этому тексту, упорядочить заметку или подготовить краткое изложение, сохранив речевой источник. Для команды расшифровка передаёт приложению распознанные слова; любое действие требует отдельной интерпретации и выполнения. Для отрывка интервью фиксируйте положение клипа в полной аудиозаписи, чтобы цитату можно было проверить в нужном месте.

Производитель принимает WAV, MP3, AAC, включая M4A/MP4, FLAC и Ogg с Opus или Vorbis. Записи браузера в WebM для этой модели следует преобразовать в Ogg/Opus, MP3 или WAV; у Pro документирована встроенная поддержка дополнительных контейнеров. Передавайте один аудиофайл на запрос. Документированный лимит запроса базовой модели — до 50 MiB, причём файлы MP3 и Opus должны быть меньше 25 MiB. Размер файла и длительность записи — разные характеристики: сжатый файл может укладываться в лимит загрузки, но обрабатываться слишком долго.

Transcribe 1 предназначена для коротких записей. Для аудио длиннее нескольких минут производитель рекомендует Pro; длинный запрос к базовой модели может завершиться ошибкой при превышении лимита времени обработки. Если длинный источник разбивается на короткие клипы для расшифровки, сохраняйте начальное смещение каждого клипа и перед объединением результатов проверяйте, что расшифровка покрывает его целиком. Прибавляйте исходное смещение к локальным временным меткам сегментов, чтобы навигация оставалась связана с полной записью. Рекомендации для базовой модели не следует трактовать как отдельный 60-минутный лимит Pro.

Ответ производителя включает текст, длительность и сегменты. Длительность выражается в секундах, а полный читаемый текст следует сохранять как основную словесную версию клипа. Временные метки необязательны: в API производителя ignore_timestamps по умолчанию равен true, а false запрашивает сегменты на уровне слов с текстом, временем начала и окончания в секундах. Запрос временного выравнивания увеличивает время обработки. Пустой массив segments может означать, что временная разметка пропущена, речи нет или выравнивание временно недоступно; поэтому его нельзя автоматически считать признаком пустой полной расшифровки.

Сегментами обычно служат слова, а для китайского и японского — один или несколько символов. Их текст не содержит пунктуации и может нормализовать значение иначе, чем полный текст; это не посимвольная копия читаемого ответа. Время начала и окончания сегмента может совпадать. Используйте сегменты для поиска позиции в записи или подготовки показа по времени, а полный текст — когда важны формулировки и пунктуация. Сохраняйте эти два представления раздельно в итоговом материале.

Язык определяется автоматически независимо от наличия необязательной языковой подсказки. Для подсказок производитель документирует коды ISO 639-1 в нижнем регистре; в ответе возвращается код языка для логики приложения и, когда известно, название языка для отображения. Ответ сообщает один язык, а не все языки записи с переключением между ними. Сохраняйте исходные формулировки и доступные языковые метаданные вместе с результатом, не рассматривая запрос распознавания как перевод.

Для субтитров объединяйте последовательные сегменты с временными метками в читаемые реплики, а не показывайте по одному слову. Полезный результат — файл SRT или WebVTT, связанный с исходным клипом, с границами реплик по паузам и посильным объёмом текста на экране. Проверяйте отсутствие пропусков временных меток и то, что конец каждой реплики следует за её началом. Объединение в субтитры и форматирование файла — шаги приложения на основе полученного выравнивания; оформление должно подходить проигрывателю и аудитории.

Документированные настройки Transcribe 1 — аудио, языковая подсказка и выбор временных меток. Метки говорящих, структурированные реплики говорящих, настройки эмоциональных событий и подсказки количества говорящих у Pro — отдельные возможности; они не входят в документированный контракт ответа базовой модели. До обработки определите нужный результат: обычный читаемый текст для заметки либо текст с временной разметкой для навигации при воспроизведении и субтитров. Сохранение идентификатора клипа, расшифровки и доступных временных меток делает результат полезным на следующем этапе работы приложения.

Ailoot Ultra · Распознавание речи POST /v1/audio/transcriptions fish-audio/transcribe-1

fish-audio/transcribe-1

Fish Audio /fish-audio/transcribe-1

Начало

Допустимые входные данные: Аудио
Результаты: Текст

Доступно в Ailoot · входные данные и методы

Ailoot Ultra · Распознавание речи POST /v1/audio/transcriptions

Входные данные: audio
Результат: text

Поле	Тип	Требование	Значения и ограничения	По умолчанию
Поле`model`	Тип`string`	ТребованиеОбязательно	Значения и ограничения fish-audio/transcribe-1	По умолчанию—
Поле`input_audio`	Тип`object`	ТребованиеОбязательно	Значения и ограничения	По умолчанию—

Параметры и жизненный цикл метода

Параметр	Контракт
Параметр`content_type`	Контрактapplication/json
Параметр`required`	Контрактmodel, input_audio
Параметр`material_types`	Контрактaudio
Параметр`material_conditions`	КонтрактПример читает ваш реальный непустой файл PCM WAV, кодирует все байты файла в base64 и передаёт wav в input_audio.format.

Жизненный цикл: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · точный task_id из существующей записи медиаресурса, принадлежащего Ailoot

GET /v1/media/assets/{asset_id}/content

GET /v1/media/assets

GET /v1/media/assets/{asset_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
Конфигурациясекунда входного аудио	Шкала ставок—	Расчётная единицаза секунду входного аудио	Плата Вход · секунда входного аудио $0.0002 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 →

Примеры запросов

Ailoot Ultra · Распознавание речи

curl · реальный файл WAV и полный исходный результат

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_AUDIO_FILE:?Set the path to your actual PCM WAV recording}"
export AILOOT_AUDIO_FILE
python3 - <<'PY_REQUEST'
import base64, io, json, os, wave
from pathlib import Path
audio = Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()
if not (audio[:4] == b'RIFF' and audio[8:12] == b'WAVE'):
    raise SystemExit('Supply your actual PCM WAV audio file')
with wave.open(io.BytesIO(audio), 'rb') as recording:
    if recording.getcomptype() != 'NONE' or recording.getnframes() <= 0:
        raise SystemExit('Supply a nonempty PCM WAV recording')
request = {'model': 'fish-audio/transcribe-1', 'input_audio': {'data': base64.b64encode(audio).decode('ascii'), 'format': 'wav'}}
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
# Retain the complete original response, headers and actual X-Client-Request-ID.
# Read existing owned records for recovery; do not resubmit an uncertain operation.

Получить и сохранить результаты

Ailoot Ultra · Распознавание речи

Полное исходное тело ответа, статус и переданные заголовки. Этот обработчик не добавляет универсальную структуру JSON, текстовое поле или оболочку задачи.

GET /v1/media/tasks/{task_id}
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}

Сохраняйте все готовые результаты

Сохраняйте каждый полностью полученный ответ, файл и элемент содержимого.

Сохраняйте полный ответ и заголовки, все фактические результаты, исходные возвращённые идентификаторы и все поля использования. Восстанавливайте исходную операцию без повторной отправки запроса создания.

Если нужно проверить исходный ответ

Сохраните фактический X-Client-Request-ID и полный ответ. Читайте исходные ресурсы, принадлежащие Ailoot, по их точным подписанным URL содержимого; никогда не повторяйте создание с неопределённым исходом.

Поля ответа

Поле	Тип
Поле`text (when present)`	Тип
Поле`usage (when present)`	Тип

Ошибки и дальнейшие шаги

Ответ	Условие	Следующий шаг
Ответ400 · `invalid_request_error`	УсловиеТело JSON или явно указанный канонический ID модели недопустимы.	Следующий шагСохраните ответ и исправьте указанное поле запроса.
Ответ401 · `authentication_error`	УсловиеНедействительный ключ Ailoot API.	Следующий шагИспользуйте ваш авторизованный ключ Ailoot API.
Ответ403 · `permission_error`	УсловиеГруппа ключа не допускает этот метод.	Следующий шагСохраните возвращённые подробности ошибки.
Ответ404 · `not_found_error`	УсловиеУ выбранного метода нет допущенного маршрута.	Следующий шагСохраните возвращённые подробности ошибки.
Ответ422 · `price_unavailable`	УсловиеДля принятого тарифа невозможно определить требуемое количество входных данных или его границу.	Следующий шагСохраните ответ; используйте представление входных данных, требуемое принятым тарифом.
Ответ503 ·	УсловиеТребуемое хранилище, маршрут, цена метода или резервирование недоступны.	Следующий шагСохраните полный исходный ответ. Неопределённость резервирования не разрешает повторную отправку.
Ответ502 · `server_error`	УсловиеИсходный результат, использование или окончательный расчёт требуют проверки.	Следующий шагСохраните фактический ID запроса и исходный ответ. Читайте существующую запись ресурса, принадлежащего Ailoot; не повторяйте создание.

Псевдонимы

Псевдонимы моделей

Ailoot Ultra fish-audio/transcribe-1

Псевдонимы путей метода

Используйте пути методов, указанные выше.

Связанные ID для вызова

fish-audio/transcribe-1

FAQ · Fish Audio: Transcribe 1

Какие входные данные и результаты доступны?: POST /v1/audio/transcriptions · fish-audio/transcribe-1: audio → text
Какие поля использует запрос?: POST /v1/audio/transcriptions · fish-audio/transcribe-1: model, input_audio

Fish Audio: Transcribe 1