OpenAI: GPT-4o Transcribe

GPT-4o Transcribe преобразует аудио в текст с помощью возможностей распознавания речи GPT-4o от OpenAI. Модель поддерживает контекстные инструкции, указание языка входного аудио, расшифровки JSON, потоковый вывод из файла и необязательные логарифмические вероятности токенов для проверки сомнительно распознанных слов.

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

О модели

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

GPT-4o Transcribe — модель преобразования речи в текст от OpenAI на основе GPT-4o. На вход она принимает аудио с необязательными текстовыми указаниями, а на выходе даёт распознанный текст. Это отдельная модель от GPT-4o Mini Transcribe и от GPT-4o Transcribe Diarize, специализированной модели с метками говорящих. Используйте профиль для точной текстовой записи устного материала, сохраняя доступ к исходной записи для проверки и последующего редактирования.

Файловый ввод и подготовка длинного материала

Руководство OpenAI по расшифровке документирует загрузки до 25 MB. Текущая справка по конечной точке допускает FLAC, MP3, MP4, MPEG, MPGA, M4A, OGG, WAV и WebM и рекомендует метаданные, определяющие формат: имя файла с расширением и соответствующий тип содержимого. Для более крупной записи рекомендации производителя предусматривают сжатие или упорядоченные части размером не более 25 MB. Избегайте разрыва посередине предложения и сохраняйте положение каждой части в полной записи.

Для интервью связывайте каждый входной файл с записью и охватываемым фрагментом. Для технической презентации подготовьте в качестве контекста нужные названия продуктов, сокращения и отраслевую терминологию, затем проверьте их написание по фактической речи. Для записанного объяснения с числовыми значениями проверяйте расшифровку вместе с источником, прежде чем превращать её в письменную процедуру. Первый требуемый результат — распознанная речь в текстовом виде; из неё отдельным шагом можно подготовить сокращённый отчёт или переведённый документ.

Инструкции для конкретной записи и выбор языка

Руководство производителя прямо включает GPT-4o Transcribe в число моделей с поддержкой текстовых инструкций. Инструкция может задавать правильное написание, контекст предыдущего сегмента и пожелания к пунктуации, прописным буквам, словам-паразитам или системе письма. Справка указывает, что её язык должен совпадать с языком записи. Краткое описание темы и словаря, относящееся к материалу, даёт полезный контекст, не превращая непроизнесённые термины в обязательный вывод.

Профиль поддерживает указание одного языка через поле language в документированном формате ISO 639-1. Указание фактического языка входного аудио может помочь распознаванию. Более новые поля keywords и languages во множественном числе принадлежат отдельно названной модели GPT Transcribe; не следует считать их доступными в GPT-4o Transcribe. Связывайте настройку языка с расшифровываемой речью и сохраняйте исходную формулировку до последующего перевода или стилистической переработки.

Формат результата, вероятности и специализированный вывод

Текущая справка по конечной точке указывает JSON как поддерживаемый формат ответа GPT-4o Transcribe. Результат содержит распознанный текст; вместе с JSON можно запросить необязательные логарифмические вероятности токенов. Эти данные описывают выбор токенов моделью. Они могут подсказать, какие фрагменты нужно проверить, но только сравнение с аудио устанавливает, верно ли переданы сложное имя, число или фраза.

Результат JSON обычного профиля не предоставляет собственные форматы субтитров, подробные временные отметки слов или назначение говорящих. Для таких результатов OpenAI документирует другие сочетания моделей и форматов; GPT-4o Transcribe Diarize — отдельная версия с метками говорящих. Для подготовки субтитров сохраняйте проверенную расшифровку для подходящего этапа расстановки времени. В разговоре не выдумывайте имена говорящих лишь потому, что абзац расшифровки как будто меняет тему или голос.

Потоковый результат из завершённого файла

Руководство OpenAI по преобразованию речи в текст указывает, что существующие интеграции GPT-4o Transcribe поддерживают потоковую обработку файла. Приложение сначала предоставляет запись, затем получает текст по мере её обработки и сохраняет завершённый результат. Это потоковая передача расшифровки готовой записи, а не приём аудио с микрофона по мере его поступления. Точная карточка модели также перечисляет семейства конечных точек расшифровки и Realtime; поведение сессии должно соответствовать этому профилю, а не заимствоваться у более новой модели непрерывной потоковой обработки.

Ограничения модели и проверка итогового материала

Текущая спецификация GPT-4o Transcribe указывает контекстное окно 16 000 токенов, максимальный вывод 2 000 токенов и границу знаний 1 июня 2024 года. Эти токенные ограничения не задают фиксированную длительность аудио и не заменяют правила подготовки файла для расшифровки. Для длинной записи сохраняйте порядок источника и необходимый предшествующий контекст, затем проверяйте, что завершённый текст доходит до конца каждого нужного сегмента.

Полезная итоговая расшифровка может стать материалом интервью с возможностью поиска, источником технической документации или текстом для последующей подготовки субтитров. Проверяйте сомнительную терминологию, величины, пунктуацию, акценты и одновременную речь по записи. Отделяйте распознанный текст от последующих исправлений или резюме и сохраняйте связь с источником через идентификаторы в окружающем процессе. Модель даёт текстовую запись; тщательная подготовка входных данных и проверка источника определяют её пригодность для следующего использования.

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

openai/gpt-4o-transcribe

OpenAI /openai/gpt-4o-transcribe

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 openai/gpt-4o-transcribe	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
КонфигурацияВходной токен	Шкала ставок—	Расчётная единица/ 1K токенов	Плата Вход $0.005 / 1K токенов
КонфигурацияВыходной токен	Шкала ставок—	Расчётная единица/ 1K токенов	Плата Выход $0.02 / 1K токенов

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': 'openai/gpt-4o-transcribe', '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 openai/gpt-4o-transcribe

Псевдонимы путей метода

Используйте пути методов, указанные выше.

Связанные ID для вызова

openai/gpt-4o-transcribe

FAQ · OpenAI: GPT-4o Transcribe

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

OpenAI: GPT-4o Transcribe