gpt-4o-transcribe-diarize

GPT-4o Transcribe Diarize преобразует записанную речь в текст с сегментами, метками говорящих и временными отметками. Модель подходит для встреч, интервью и записей с несколькими участниками, где расшифровка должна показывать, кто и когда говорил; для известных говорящих можно добавить короткие голосовые референсы.

Ailoot Ultra · Распознавание речи POST /v1/audio/transcriptions openai/gpt-4o-transcribe-diarize

О модели

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

GPT-4o Transcribe Diarize — модель автоматического распознавания речи от OpenAI со встроенным разделением по говорящим. Она связывает расшифрованные фрагменты аудио с разными участниками разговора. Полезный результат — расшифровка, организованная по говорящим и времени, а не только сплошной текст. Модель предназначена для записанной речи, требующей меток говорящих, например встречи, интервью или обсуждения с несколькими участниками.

Подготовьте завершённую запись

Предоставьте запись для расшифровки. Документированный файловый процесс принимает MP3, MP4, MPEG, MPGA, M4A, WAV и WebM с ограничением размера файла 25 MB. Сохраните доступ к исходной записи, чтобы проверить смену говорящего, имя или неясную фразу по самому аудио.

Для встречи сохраняйте последовательность разговора, не вырезая короткие паузы, помогающие различать реплики. Для интервью сохраняйте вопрос и ответ вместе, если их связь важна для задачи. Подготовка аудио должна делать речь слышимой, не удаляя информацию, важную для результата с метками говорящих.

Это процесс расшифровки файла. Обработка завершённой записи и распознавание ещё поступающего аудиопотока — разные задачи; метки говорящих этой модели не поддерживаются в сессиях расшифровки Realtime.

Запросите расшифровку с метками говорящих

Формат результата diarized_json возвращает сегменты с метками говорящих, временем начала и окончания. Каждый сегмент также содержит свой расшифрованный текст. Сохраняйте эти поля вместе, чтобы связывать слова с нужной частью записи.

Для полезной расшифровки встречи сохраняйте порядок сегментов и показывайте слова каждого говорящего вместе с временными отметками. Последующая задача может использовать расшифровку для протокола или списка действий, но само разделение по говорящим не определяет, о чём договорились на встрече, и не создаёт проверенное резюме.

Метки говорящих описывают группировку речи, выполненную моделью. Проверяйте переходы, где участники перебивают друг друга, говорят коротко или одновременно. Хорошо структурированный результат помогает ориентироваться и проверять запись, но конкретное отнесение реплики к говорящему всё равно может требовать прослушивания оригинала.

Референсы известных говорящих

Документированный процесс допускает до четырёх именованных референсов говорящих. Каждый референс — короткий аудиофрагмент длительностью 2–10 секунд в формате, поддерживаемом для основной загрузки. Имена и референсы предоставляются вместе, чтобы связывать сегменты с известными говорящими.

Подготовьте референс, на котором отчётливо слышен нужный говорящий, и согласуйте его имя с предполагаемыми метками в расшифровке. Для интервью референс ведущего может помочь организовать результат с метками говорящих, не оставляя всех участников под анонимными метками. Референс используется для отнесения речи к говорящему; это не универсальная операция клонирования голоса и не подтверждение личности человека.

Не смешивайте именование говорящего с редактированием произнесённых слов. Полезный вывод должен сохранять содержание записи и фактический порядок реплик.

Разбиение на части и ограничения модели

Для аудио длиннее 30 секунд производитель требует стратегию разбиения: автоматическое разбиение или настройку обнаружения голосовой активности. Это требование не задаёт максимальную длительность записи. Оно описывает деление более длинного входного материала для обработки.

Карточка модели указывает контекстное окно 16 000 токенов и максимум 2 000 выходных токенов. Это ограничения модели в токенах, отдельные от лимита загрузки файла 25 MB и порога разбиения. Не следует превращать их в выдуманное число минут, применимое к любой записи.

При сборке или проверке длинной расшифровки сохраняйте временные отметки и идентификаторы сегментов. Если запись разделили до отправки, сохраняйте связь каждой части с исходным аудио, чтобы не путать локальную временную отметку с её положением в полном разговоре.

Потоковая передача завершённых сегментов

Процесс расшифровки файла может передавать текст потоком во время обработки записи. При потоковой передаче с метками говорящих завершённые сегменты создают события сегментов. Текстовые приращения содержат идентификатор сегмента, но не частичные назначения говорящих; говорящий назначается после завершения сегмента.

Это различие важно для отображения. Показывайте предварительный текст и завершённую реплику как разные состояния, не назначая сомнительную метку говорящего до завершения сегмента моделью. Сохраняйте завершённый результат, если расшифровка нужна для дальнейшего редактирования или анализа.

Границы модели и вывода

Этот профиль — модель разделения по говорящим, отдельная от обычной расшифровки GPT-4o, расшифровки Mini, синтеза речи и моделей живого разговора. Он не поддерживает текстовые инструкции для расшифровки; проверку терминологии или исправления выполняйте отдельным шагом со сверкой по исходному аудио. Интерфейс производителя предназначен для преобразования записанного аудио в текст. Он не создаёт аудиоответ и не переводит запись через отдельный процесс аудиоперевода.

Используйте модель для расшифровок, которым нужны и содержание, и структура по говорящим. Проверяйте имена, технические термины, числа, границы реплик и отнесение к говорящим по записи. Сохраняйте аудио, выбранный формат результата, референсы и завершённую расшифровку, чтобы исправление касалось конкретной фразы или назначения говорящего.

Ailoot Ultra · Распознавание речи POST /v1/audio/transcriptions openai/gpt-4o-transcribe-diarize

openai/gpt-4o-transcribe-diarize

OpenAI /openai/gpt-4o-transcribe-diarize

Начало

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
Поле`model`	Тип`string`	ТребованиеОбязательно	Значения и ограничения openai/gpt-4o-transcribe-diarize	По умолчанию—
Поле`file`	Тип`file`	ТребованиеОбязательно	Значения и ограничения Максимум байтов: 26 214 400 Типы MIME: audio/mpeg Расширение файла: .mp3 Максимальная длительность, секунды: 30	По умолчанию—
Поле`response_format`	Тип`string`	ТребованиеОбязательно	Значения и ограничения diarized_json	По умолчанию—

Сочетания входных материалов

diarized_transcription

Параметры и жизненный цикл метода

Параметр	Контракт
Параметр`content_type`	Контрактmultipart/form-data
Параметр`required`	Контрактmodel, file, response_format
Параметр`file_formats`	Контрактmp3
Параметр`max_audio_seconds`	Контракт30
Параметр`max_bytes`	Контракт26214400
Параметр`response_format`	Контрактdiarized_json
Параметр`other_options`	Контрактfalse
Параметр`material_types`	Контрактaudio
Параметр`additional_properties`	Контрактfalse
Параметр`form_string_maximum_bytes`	Контракт256

Псевдонимы метода: /audio/transcriptions

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 фактическую запись и соответствующий формат.

Сохраните полную расшифровку, сегменты, ID говорящих и временные метки.

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 единица/ 1K аудиотокенов	Плата Вход · входной аудиотокен $0.012 / 1K аудиотокенов
КонфигурацияUltra	Шкала ставок—	Расчётная единица/ 1K аудиотокенов	Плата Выход · выходной аудиотокен $0.02 / 1K аудиотокенов

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 · точный сохранённый запрос на создание

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_AUDIO_FILE:?Set the path to your actual MP3 recording}"
export AILOOT_AUDIO_FILE
python3 - <<'PY_REQUEST'
import os
from pathlib import Path
p=Path(os.environ["AILOOT_AUDIO_FILE"])
if not p.is_file() or p.suffix.lower()!=".mp3":raise SystemExit("Choose an existing MP3 recording")
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \
  -H "Authorization: Bearer $AILOOT_API_KEY" \
  --form-string model=openai/gpt-4o-transcribe-diarize -F "file=@$AILOOT_AUDIO_FILE" --form-string response_format=diarized_json \
  -D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
print(json.dumps(json.loads(Path("result.json").read_text())))
PY_RESULT

Получить и сохранить результаты

Ailoot Ultra · Распознавание речи

json

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

Чтение другого содержимого

Сохраняйте каждую полученную расшифровку, принадлежащую вамМедиатекаСтатус задачиСведения о материале

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
export AILOOT_API_KEY
python3 - <<'PY_ASSETS'
import json,os,subprocess
from pathlib import Path
from urllib.parse import urljoin,urlsplit
r=json.loads(Path('result.json').read_text())
urls=[]
if isinstance(r.get('asset_url'),str) and r['asset_url']:urls.append(('transcript',r['asset_url']))
for label,path in urls:
    u=urljoin('https://api.ailoot.ai',path);z=urlsplit(u)
    if z.scheme!='https' or z.netloc!='api.ailoot.ai' or z.username or z.password:raise SystemExit('Use the actual returned Ailoot owned content URL')
    target=Path('owned-'+label+'.bin')
    subprocess.run(['curl','--fail-with-body','--silent','--show-error',u,'-H','Authorization: Bearer '+os.environ['AILOOT_API_KEY'],'-D',str(target)+'.headers','-o',str(target)],check=True)
print('All returned owned URLs saved; complete metadata, timing and usage remain in the JSON.')
PY_ASSETS

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \
  -H "Authorization: Bearer $AILOOT_API_KEY" -o media-assets.json

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_MEDIA_TASK_ID:?Set the actual ID returned by the response or media-library metadata}"
export AILOOT_MEDIA_TASK_ID
resource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_MEDIA_TASK_ID"],safe=""))')
curl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/tasks/$resource_id" \
  -H "Authorization: Bearer $AILOOT_API_KEY" -o media-task.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
print(json.dumps(json.loads(Path("media-task.json").read_text())))
PY_RESULT

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_ASSET_ID:?Set the actual ID returned by the response or media-library metadata}"
export AILOOT_ASSET_ID
resource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_ASSET_ID"],safe=""))')
curl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/assets/$resource_id" \
  -H "Authorization: Bearer $AILOOT_API_KEY" -o media-asset.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
print(json.dumps(json.loads(Path("media-asset.json").read_text())))
PY_RESULT

Сохраняйте все готовые результаты

Сохраняйте каждый полностью полученный ответ, файл и элемент содержимого.

Сохраните полный JSON, а не только текст; сохраняйте каждый доступный сегмент, говорящего, временную метку и фактическую идентичность задачи или ресурса.

Если нужно проверить исходный ответ

Сохраняйте исходный operation_id/X-Client-Request-ID для сверки без повторной отправки; отдельного маршрута опроса аудио нет.

Поля ответа

Поле	Тип
Поле`text`	Типstring
Поле`segments[]`	Типobject
Поле`task_id`	Типstring
Поле`asset_url`	Типstring
Поле`usage`	Типobject
Поле`segments[].speaker`	Типstring
Поле`segments[].start`	Типnumber
Поле`segments[].end`	Типnumber

Ошибки и дальнейшие шаги

Ответ	Условие	Следующий шаг
Ответ400 · `invalid_request_error`	УсловиеНеверные обязательные поля, представление материалов или значение параметра	Следующий шагИсправьте указанные поля перед новым запросом на создание.
Ответ`server_error`	УсловиеВозвращённый ответ указывает, что операция или результат требуют проверки	Следующий шагСохраните исходный возвращённый ID операции или задачи, заголовки запроса и ответ; продолжайте поддерживаемые операции чтения исходной операции. Не отправляйте запрос создания повторно.

Псевдонимы

Псевдонимы моделей

Ailoot Ultra openai/gpt-4o-transcribe-diarize

Псевдонимы путей метода

/audio/transcriptions

Связанные ID для вызова

openai/gpt-4o-transcribe-diarize

FAQ · gpt-4o-transcribe-diarize

Какие входные данные и результаты доступны?: POST /v1/audio/transcriptions · openai/gpt-4o-transcribe-diarize: audio → transcription
Какие поля использует запрос?: POST /v1/audio/transcriptions · openai/gpt-4o-transcribe-diarize: model, file, response_format

gpt-4o-transcribe-diarize