Deepgram: Nova-3
Nova-3 je všeobecný model prevodu reči na text od Deepgram pre nahratý aj streamovaný zvuk. Podporuje rozpoznávanie v jednom jazyku, vymedzený viacjazyčný režim striedania jazykov a nápovedy kľúčových termínov; vracia prepisy s časovaním slov a údajmi o istote.
O modeli
Tento opis pokrýva možnosti modelu. Dostupné vstupy, výstupy a voľby v Ailoot sú uvedené nižšie pre vybranú metódu.
Nova-3 je všeobecný model rozpoznávania reči od Deepgram na prevod zvuku na text. Výrobca ho odporúča pre stretnutia, titulky podujatí, nahrávky viacerých hovoriacich a náročné podmienky, ako je hluk alebo vzdialené mikrofóny, pri prepise nahrávok aj streamovaného zvuku. Jeho užitočným výsledkom je rozpoznaná reč s časovaním a údajmi o istote, ktorá zostáva prepojená so zdrojovým zvukom.
Vyberte jazykový postup
Zdokumentovaným predvoleným jazykom je angličtina. Jednojazyčná požiadavka vyberá hovorený jazyk alebo podporovaný jazykový variant. Aktuálna tabuľka všeobecného modelu zahŕňa regionálne varianty angličtiny, španielčinu, francúzštinu, nemčinu, ruštinu, portugalčinu, japončinu, taliančinu, holandčinu, arabčinu, čínske písma a mnoho ďalších jazykov vrátane kazaštiny. Vyberajte z kódov podporovaných výrobcom namiesto predpokladu, že sa prijme ľubovoľný názov jazykového variantu.
Viacjazyčné nastavenie je samostatný postup na striedanie jazykov. Aktuálna tabuľka Nova-3 preň uvádza desať jazykov: angličtinu, španielčinu, francúzštinu, nemčinu, hindčinu, ruštinu, portugalčinu, japončinu, taliančinu a holandčinu. Táto množina nie je totožná s väčším jednojazyčným zoznamom. Pre nahrávku striedajúcu podporované jazyky pripravte viacjazyčný režim namiesto núteného spracovania celej konverzácie v nesúvisiacom jednojazyčnom nastavení. Pred prípravou preloženej alebo zhrnutej verzie zachovajte to, čo skutočne zaznelo.
Nahratý zvuk a príprava prepisu
Súborový postup Deepgram prijíma nahrané zvukové bajty alebo odkaz na zvukový súbor. Po dokončení požiadavky vrátený prepis uložte; výrobca prepisy neuchováva na neskoršie získanie. Bežné zdokumentované vstupné formáty a kódovania zahŕňajú MP3, MP4, MP2, AAC, WAV, FLAC, PCM, M4A, Ogg, Opus a WebM. Pri nahrávke zachovajte skutočný formát a informácie o kanáloch. Priraďte jej stabilný identifikátor a výsledok udržiavajte prepojený so správnym zdrojom a jeho informáciami o kanáloch. Pri stretnutí skontrolujte mená účastníkov a odborné termíny pri počúvaní pôvodného zvuku. Pri prednáške alebo podujatí zachovajte poradie zvuku, aby neskorší titulok či výsledok vyhľadávania mohol nájsť príslušnú pasáž.
Návod výrobcu pre nahraný zvuk uvádza maximálnu veľkosť súboru 2 GB a odporúča z veľkého videosúboru extrahovať zvukový prúd. Dokumentuje aj desaťminútový časový limit spracovania požiadaviek Nova. Tento limit sa týka času spracovania požiadavky, nie maximálnej desaťminútovej dĺžky nahrávky. Užitočný výsledok zahŕňa aj koniec zamýšľanej nahrávky; čiastočne zachovaný prepis nemožno považovať za úplný text.
Čítajte slová, časy a istotu
Zdokumentovaná odpoveď JSON obsahuje alternatívy prepisu a rozpoznané slová, pričom každé slovo má čas začiatku a konca v sekundách od začiatku zvuku a hodnotu istoty. Pri prepise viacerých hovoriacich voliteľná diarizácia výrobcu priraďuje ku každému slovu označenie hovoriaceho. Diarizácia nahrávok vracia aj istotu priradenia hovoriaceho; streamovaná diarizácia vracia označenie hovoriaceho. Overte tieto označenia voči hlasom v nahrávke. Uvádza sa aj celková istota prepisu na stupnici 0–1. Pri vyžiadanom inteligentnom formátovaní môže výsledok obsahovať interpunkciu a veľké písmená v slovách s interpunkciou spolu s informáciami o čitateľných odsekoch.
Tieto polia používajte podľa ich významu. Čas slova lokalizuje rozpoznanú reč, zatiaľ čo istota je údaj modelu o spoľahlivosti, nie dôkaz, že náročné meno alebo množstvo boli počuté správne. Pri príprave titulkov uchovajte časovanie spolu s overeným znením a hranice skontrolujte podľa zvuku. Pri čitateľnej redakčnej verzii ponechajte zmeny odlíšiteľné od rozpoznaného prepisu namiesto tichého nahrádzania neistých slov vierohodným príbehom.
Streamované rozpoznávanie a konečné segmenty
Streamovaný postup Nova vracia text počas príchodu zvuku s priebežnými a konečnými výsledkami. Indikátor is_final odlišuje text, ktorý sa môže upraviť, od uzavretého segmentu. Indikátor speech_final sa týka určenia konca hovoreného úseku. Tieto signály odlišujte od samotného prijatia neprázdneho prepisu a pri príprave dokončeného záznamu zachovajte konečné segmenty v poradí zvuku.
Nova-3 je všeobecné ASR, nie samostatný konverzačný model Flux s detekciou replík priamo v modeli. Nova označuje konečnosť prepisu a konce rečových úsekov; Flux poskytuje vlastné udalosti stavu konverzačnej repliky. Postup prepisu vyberte podľa toho, či je zvuk už nahratý alebo prichádza naživo, a ako uchovávaný výstup používajte skutočný konečný výsledok.
Kľúčové termíny pre dôležitú slovnú zásobu
Zdokumentované Keyterm Prompting v Nova-3 podporuje jednojazyčný aj viacjazyčný prepis a prispôsobuje rozpoznávanie dôležitým termínom bez opätovného učenia modelu. Dodajte relevantné mená, produktové termíny, skratky alebo viacslovné frázy, ktoré môžu skutočne zaznieť. Návod obmedzuje celkový vstup kľúčových termínov na 500 tokenov a odporúča sústrediť sa na najdôležitejšiu slovnú zásobu namiesto nerozlišujúceho pridávania bežných slov.
Syntax výrobcu používa jednoduché termíny so samostatnou položkou keyterm pre každý termín. Viacslovná fráza zostáva jednou frázou. Staršie váhy alebo zosilňovače kľúčových slov a spájanie samostatných termínov čiarkami, bodkočiarkami alebo novými riadkami nie sú ekvivalentné: rozhranie ich môže prijať ako jednu doslovnú hodnotu bez zamýšľaného zvýhodnenia. Pri menách používajte správne veľké a malé písmená a potom prepis skontrolujte, pretože zvukový kontext a inteligentné formátovanie môžu konečnú písomnú podobu stále zmeniť.
Hranice modelovej rodiny a užitočné výsledky
Všeobecný profil Nova-3 sa líši od samostatne pomenovaných možností Medical a Pharma. Nápoveda slovnej zásoby z neho nerobí inú verziu a pri všeobecnom modeli nemožno predpokladať jazykové pokrytie či správanie špecializovaných modelov. Ďalšie funkcie spracovania prepisu sú voľbami v rečovom postupe výrobcu, nie dôkazom, že rozpoznávanie vytvorilo zhrnutie, preklad alebo iný výstup, ktorý nebol vyžiadaný.
Užitočným výstupom Nova-3 môže byť prehľadávateľný prepis stretnutia, znenie pripravené pre titulky s časovaním slov alebo záznam viacjazyčnej konverzácie. Zachovajte identifikátor zvuku, zvolený jazykový postup, konečný text a prípadné užitočné polia istoty alebo časovania. Nejasné mená, čísla, prekrývajúce sa hlasy a zmeny jazyka kontrolujte podľa pôvodnej nahrávky a skutočnú rozpoznanú reč ponechajte dostupnú pre ďalší krok spracovania obsahu.
Ailoot Ultra · Rozpoznávanie reči POST /v1/audio/transcriptions deepgram/nova-3
deepgram/nova-3Úvod
Nova-3 je všeobecný model prevodu reči na text od Deepgram pre nahratý aj streamovaný zvuk. Podporuje rozpoznávanie v jednom jazyku, vymedzený viacjazyčný režim striedania jazykov a nápovedy kľúčových termínov; vracia prepisy s časovaním slov a údajmi o istote.
- Povolené vstupy
- Audio
- Výsledky
- transcription
Dostupné v Ailoot · vstupy a metódy
Ailoot Ultra · Rozpoznávanie reči POST /v1/audio/transcriptions
- Vstup
audio- Výstup
transcription- Výstupný formát
- json
| Pole | Typ | Požiadavka | Hodnoty a limity | Predvolené |
|---|---|---|---|---|
Polemodel | Typstring | PožiadavkaPovinné | Hodnoty a limity deepgram/nova-3 | Predvolené— |
Poleinput_audio | Typobject | PožiadavkaPovinné | Hodnoty a limity | Predvolené— |
Polelanguage | Typstring | PožiadavkaVoliteľné | Hodnoty a limity | Predvolené— |
Poletemperature | Typnumber | PožiadavkaVoliteľné | Hodnoty a limity Minimum: 0 Maximum: 1 | Predvolené— |
Poleresponse_format | Typstring | PožiadavkaVoliteľné | Hodnoty a limity json, verbose_json | Predvolenéjson |
Poletimestamp_granularities | Typarray | PožiadavkaVoliteľné | Hodnoty a limity | Predvolené— |
Poleprovider | Typobject | PožiadavkaVoliteľné | Hodnoty a limity | Predvolené— |
Kombinácie vstupných podkladov
speech_to_text · Povinné: actual matching-format audio file
Parametre a životný cyklus metódy
| Parameter | Špecifikácia |
|---|---|
Parametercontent_types | Špecifikáciaapplication/json, multipart/form-data |
Parameterrequired | Špecifikáciamodel, input_audio |
Parametermaterial_types | Špecifikáciaaudio |
ParameterJSON_audio | Špecifikáciaskutočné nespracované bajty zvuku v base64 so zodpovedajúcim formátom |
Parametermultipart_required | Špecifikáciamodel, file |
Parametermultipart_cap_bytes | Špecifikácia26214400 |
Parameteroptional_controls | Špecifikácialanguage, temperature, response_format, timestamp_granularities, provider |
Parameterdefault_response_format | Špecifikáciajson |
Parameteroptional_features | ŠpecifikáciaPodrobný výstup, diarize/keyterms a URL alebo väčší zvuk vložený priamo do požiadavky vyžadujú konkrétnu podporu modelu a poskytovateľa aj zodpovedajúcu tarifu. |
Životný cyklus: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · skutočne vrátené task_id alebo záznam v knižnici médií
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Použite presný model a zdokumentované vstupné polia.
Zachovajte celú odpoveď, každý skutočný výstup a pôvodné vrátené ID.
Cenník
Tarifné údaje nepridávajú možnosti požiadavky. Podporované parametre sú uvedené pri vybranej metóde.
- Rýchly režim
- Neuvedené Keď je zvolený rýchly režim
- Režim Flex
- Neuvedené Keď je zvolený režim flex
- Maximálna úroveň uvažovania
- Neuvedené Keď sa pri maximálnej úrovni uvažovania používa predvolená úprava (default)
Sadzby Ailoot
Ceny podľa konfigurácie
Každý poplatok priraďte k zobrazeným podmienkam. Pre každú skupinu alternatívnych konfigurácií použite jednu sadzbu.
| Konfigurácia | Sadzobník | Účtovacia jednotka | Poplatok |
|---|---|---|---|
| KonfiguráciaZákladné sadzby za tokeny | SadzobníkZákladná sadzba | Účtovacia jednotka— | Poplatok Vstup · Vstupné tokeny — / 1K tokenov Výstup · Výstupné tokeny — / 1K tokenov Vstup · Čítanie cache — / 1K tokenov Vstup · Zápis do cache — / 1K tokenov Vstup · Zápis do cache, 1 hod — / 1K tokenov |
| KonfiguráciaUltra | Sadzobník— | Účtovacia jednotkaza sekundu vstupného audia | Poplatok Vstup · sekunda vstupného zvuku $0.0001433333333334 za sekundu vstupného audia |
Ailoot pred požiadavkou rezervuje odhadovanú sumu. Po získaní výsledku vyúčtuje konečný poplatok podľa nameraného využitia. Pri streamovaní sa vyúčtovanie riadi konečným záznamom využitia. Ako funguje rezervácia a vyúčtovanie →
Podrobnosti referenčnej tarify
Referenčné sadzobníky modelu nemenia výber metódy, cenové odhady ani poplatky. Aktívne poplatky používajú sadzby vybranej metódy Ailoot.
Deepgram: Nova-3
Ceny podľa konfigurácie
| Konfigurácia | Podmienky účtovania | Poplatok |
|---|---|---|
| KonfiguráciaDeepgram: Nova-3 · Predvolená konfigurácia | Podmienky účtovaniaPredvolená konfigurácia | Poplatok Vstup · Sekundy vstupného zvuku ≈0,000143 USD za sekundu vstupného audia |
Príklady požiadaviek
Ailoot Ultra · Rozpoznávanie reči
set -eu
: "${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.
Prijať a uložiť výsledky
Ailoot Ultra · Rozpoznávanie reči
json
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
Uchovať všetky dokončené výsledky
Uložte každú úplnú vrátenú odpoveď, súbor a časť obsahu.
Celý pôvodný JSON, všetok dostupný text, segmenty, slová, hovoriaci, časové značky a spotreba.
Ak treba overiť pôvodnú odpoveď
Zachovajte pôvodné operation_id/X-Client-Request-ID a pôvodnú odpoveď. Načítajte skutočné záznamy úloh a súborov vo vašom vlastníctve bez opätovného odoslania; nevytvára sa žiadna osobitná URL na zisťovanie stavu zvuku.
Polia odpovede
| Pole | Typ |
|---|---|
Poletext | Typstring |
Poleusage | Typobject |
Polesegments[] | Typobject |
Polewords[] | Typobject |
Aliasy
Aliasy modelov
Ailoot Ultra deepgram/nova-3
Aliasy ciest metód
Použite cesty metód uvedené vyššie.
Súvisiace ID na volanie
FAQ · Deepgram: Nova-3
- Aké vstupy a výsledky sú dostupné?
POST /v1/audio/transcriptions·deepgram/nova-3:audio→transcription- Aké polia používa požiadavka?
POST /v1/audio/transcriptions·deepgram/nova-3:model,input_audio,language,temperature,response_format,timestamp_granularities,provider- Aké limity platia?
POST /v1/audio/transcriptions·deepgram/nova-3:temperature.minimum:0;temperature.maximum:1