OpenAI: GPT Transcribe

GPT Transcribe превращает записанную речь в текст на исходном языке, используя контекстные подсказки, точные ключевые слова и подсказки о нескольких языках. OpenAI документирует распознавание готового файла, потоковую выдачу результата файла и распознавание после фиксации аудиофрагментов в Realtime.

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

О модели

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

GPT Transcribe — модель OpenAI для преобразования речи в текст из готовых аудиофайлов, потоковой выдачи расшифровок файлов и обработки зафиксированных аудиофрагментов в сессиях Realtime. Она принимает аудио с необязательным текстовым контекстом и возвращает распознанный текст. Разработчик позиционирует её для точной расшифровки записанной речи на исходном языке, включая предметную лексику, многоязычные записи и переключение языков внутри речи. Полезный результат — расшифровка, связанная с записью, и метаданные определённых языков, когда модель может сделать надёжный прогноз.

Подготовка готовой записи

Процесс распознавания файлов OpenAI принимает загрузки размером до 25 MB. Текущая справка конечной точки перечисляет входные форматы FLAC, MP3, MP4, MPEG, MPGA, M4A, OGG, WAV и WebM и рекомендует передавать достаточно метаданных для определения формата, включая подходящее расширение имени файла и тип содержимого. Для более крупной записи руководство рекомендует сжатие или разделение на файлы не более 25 MB. Не разрезайте предложение посередине: потеря окружающей речи может снизить точность. Сохраняйте порядок фрагментов и их позиции в исходной записи.

Для встречи, интервью или записанной презентации передайте фактическое аудио и укажите тему и термины, которые могут прозвучать. Полезный результат — распознанные слова, а не предполагаемое краткое содержание обсуждения. Сохраняйте идентификатор записи вместе с возвращённым текстом, чтобы проверяющий имя, число или спорную фразу человек мог обратиться к нужному источнику. Затем расшифровку можно использовать для отдельного краткого изложения, перевода или редакторской работы.

Контекст, ключевые подсказки и ожидаемые языки

Разработчик разделяет три вида указаний. Текстовая подсказка даёт свободный контекст темы или обстановки записи. Ключевые слова задают точные слова или выражения, ожидаемые в речи. Список languages указывает ожидаемые языки. Для двуязычного обсуждения продукта опишите обстановку в подсказке, перечислите названия продуктов как ключевые слова и укажите ожидаемые языки. Это подсказки распознаванию, а не инструкции вставлять лексику, которую никто не произнёс.

GPT Transcribe использует поле languages во множественном числе вместо старого поля language в единственном; OpenAI указывает, что отправлять оба не следует. Руководство принимает поддерживаемые коды ISO 639-1, некоторые коды ISO 639-3 и региональные китайские коды локалей; неподдерживаемые или неверно сформированные значения отклоняются. Каждая ключевая подсказка должна занимать одну строку и не содержать угловых скобок, возврата каретки или перевода строки. Неверная ключевая подсказка или слишком длинный текстовый контекст могут привести к отклонению всего запроса. Сохраняйте уместность контекста и проверяйте, действительно ли подсказанные имена встречаются в аудио, а не считайте список подсказок расшифровкой.

Вывод JSON и прогнозы определённых языков

Документированный результат файла — JSON с расшифровкой и определёнными языками. Прогнозы языка являются выводом модели, а не копией переданных языковых подсказок. Пустой список языков допустим, если модель не может сделать надёжный прогноз; сам по себе он не подтверждает тишину в записи или сбой распознавания. Отделяйте распознанный текст от языковых метаданных, чтобы последующая обработка использовала каждую часть по её смыслу.

Потоковая выдача расшифровки файла

Готовый файл может выдавать текст расшифровки постепенно по мере обработки. OpenAI документирует события transcript.text.delta для частичного текста и transcript.text.done для полной расшифровки файла; финальное событие также содержит определённые языки. Это потоковая выдача результата уже предоставленной записи. Она полезна для отображения прогресса при длинной загрузке, а финальное событие задаёт текст, который нужно сохранить как завершённый результат.

Зафиксированные аудиофрагменты в сессиях Realtime

У GPT Transcribe также есть специальный процесс Realtime через WebSocket. Аудио добавляется во входной буфер, затем приложение явно фиксирует аудиофрагмент. Распознавание начинается для этого зафиксированного фрагмента и может выдавать части текста до события завершения, включая сведения об определённых языках. В этом процессе, предусмотренном производителем для сессии, модель автоматически использует ранее распознанные фрагменты как контекст. Это отличается от непрерывной выдачи текста живых субтитров по мере поступления аудио с микрофона; для такого непрерывного процесса OpenAI использует название GPT Live Transcribe.

Для нескольких фрагментов сохраняйте идентификатор входного элемента вместе с соответствующей расшифровкой. OpenAI предупреждает, что события завершения разных фрагментов могут приходить не в порядке речи, поэтому связывайте каждый итоговый результат с зафиксированным вводом, а не стройте беседу только по времени завершения. Полезный материал — упорядоченная расшифровка из правильных итоговых элементов; промежуточный текст считается прогрессом, а не отдельной завершённой репликой.

Специальные результаты и существенные ограничения

Этот профиль не задаёт универсальную спецификацию субтитров, временных меток, перевода или меток говорящих. Руководство OpenAI по миграции различает эти специальные возможности: собственные форматы субтитров и временные метки слов требуют совместимых модели и формата, а метки говорящих используют GPT-4o Transcribe Diarize. Результат файла GPT Transcribe — JSON, который не является прямой заменой ответа SRT, VTT или подробного ответа с временными метками. Карточка этой конкретной модели не публикует численный лимит контекста или максимального вывода, поэтому нельзя автоматически переносить контекстное окно чат-модели на распознавание аудио.

Сверяйте с записью сложную лексику, числа, акценты, фоновый шум и смену языков. Проверяйте, что полезные подсказки улучшили распознавание, не добавляя непроизнесённые слова, и что итоговая расшифровка включает конец аудио. Для многоязычного результата сохраняйте произнесённые слова перед подготовкой перевода. Эти проверки делают расшифровку полезным исходным материалом, сохраняя различие между контекстными подсказками, определёнными языками и распознанной речью.

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

openai/gpt-transcribe

OpenAI /openai/gpt-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-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
Конфигурациясекунда входного аудио	Шкала ставок—	Расчётная единицаза секунду входного аудио	Плата Вход · секунда входного аудио $0.00015 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': 'openai/gpt-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-transcribe

Псевдонимы путей метода

Используйте пути методов, указанные выше.

Связанные ID для вызова

openai/gpt-transcribe

FAQ · OpenAI: GPT Transcribe

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

OpenAI: GPT Transcribe