Fish Audio: Transcribe 1

Transcribe 1 prevádza krátke zvukové nahrávky na text s automatickým rozpoznaním jazyka a voliteľnými časovými značkami jednotlivých slov. Prepis využite na hlasové poznámky, prehľadávateľné klipy alebo prípravu titulkov a časované úseky uchovávajte oddelene od čitateľného úplného textu.

Ailoot Ultra · Prepis zvuku POST /v1/audio/transcriptions fish-audio/transcribe-1

O modeli

Tento opis pokrýva možnosti modelu. Dostupné vstupy, výstupy a voľby v Ailoot sú uvedené nižšie pre vybranú metódu.

Transcribe 1 je všeobecný model spoločnosti Fish Audio na prevod reči na text pri krátkych nahrávkach. Prijíma zvukový súbor a vracia rozpoznané slová ako text spolu s trvaním nahrávky, voliteľnými časovanými úsekmi a informáciami o jazyku, ak sú známe. Tento model je užitočný na krátku hlasovú poznámku, hovorený pokyn, výňatok z nahrávky alebo zvukový klip, ktorý potrebuje čitateľnú textovú podobu.

Ilustračný postup s hlasovou poznámkou uchováva nahrávku spolu s úplným prepisom a identifikátorom pôvodného klipu. Neskorší krok aplikácie môže text prehľadávať, usporiadať poznámku alebo vytvoriť zhrnutie pri zachovaní hovoreného zdroja. Pri príkaze prepis poskytuje aplikácii rozpoznané slová; každá akcia je samostatným krokom interpretácie a vykonania. Pri výňatku z rozhovoru zaznamenajte polohu klipu v celej nahrávke, aby sa citácia dala skontrolovať na správnom mieste.

Výrobca prijíma WAV, MP3, AAC vrátane M4A/MP4, FLAC a Ogg obsahujúci Opus alebo Vorbis. Nahrávky prehliadača vo WebM treba pre tento model skonvertovať na Ogg/Opus, MP3 alebo WAV; Pro dokumentuje natívnu podporu ďalších kontajnerov. Na jednu požiadavku dodajte jeden zvukový súbor. Zdokumentovaný limit požiadavky základného modelu je najviac 50 MiB, pričom súbory MP3 a Opus musia byť menšie než 25 MiB. Veľkosť súboru a dĺžka nahrávky sú odlišné hľadiská: komprimovaný súbor sa môže zmestiť do limitu nahrávania, ale jeho spracovanie môže trvať príliš dlho.

Transcribe 1 je určený na krátke nahrávky. Pri zvuku dlhšom než niekoľko minút výrobca odporúča Pro; dlhá požiadavka na základný model môže zlyhať pri prekročení časového limitu spracovania. Pri príprave dlhšieho zdroja na prepis krátkych klipov zachovajte počiatočný časový posun každého klipu a pred spojením výsledkov potvrďte, že vrátený prepis pokrýva celý klip. K miestnym časom úsekov pripočítajte pôvodný posun, aby navigácia zostala prepojená s celou nahrávkou. Pokyny základného modelu nemožno vykladať ako samostatný 60-minútový limit Pro.

Odpoveď výrobcu obsahuje text, trvanie a úseky. Trvanie je vyjadrené v sekundách a čitateľný úplný prepis sa má uchovať ako hlavné znenie klipu. Časové značky sú voliteľné: ignore_timestamps má v API výrobcu predvolenú hodnotu true, zatiaľ čo false vyžaduje úseky na úrovni slov s textom a časmi začiatku a konca v sekundách. Požiadavka na časové zarovnanie predlžuje spracovanie. Prázdne pole segments môže znamenať vynechané časovanie, neprítomnosť reči alebo dočasne nedostupné zarovnanie, preto sa nemá automaticky vykladať ako prázdny úplný prepis.

Úseky zvyčajne predstavujú slová, pri čínštine a japončine jeden znak alebo niekoľko znakov. Ich text neobsahuje interpunkciu a hodnotu môže normalizovať inak než úplný prepis; nejde o kópiu čitateľnej odpovede znak po znaku. Úsek môže mať rovnaký čas začiatku aj konca. Úseky používajte na vyhľadanie miesta v nahrávke alebo prípravu časovaného zobrazenia a úplný text vtedy, keď záleží na znení a interpunkcii. Vo výslednom súbore tieto dve reprezentácie odlišujte.

Jazyk sa rozpoznáva automaticky bez ohľadu na to, či je zadaná voliteľná jazyková pomôcka. Výrobca dokumentuje pre pomôcky kódy ISO 639-1 malými písmenami a pri známom jazyku vracia jeho kód pre aplikačnú logiku aj názov pre zobrazenie. Odpoveď uvádza jeden jazyk, nie všetky jazyky nahrávky, ktorá medzi nimi prepína. Zdrojové znenie a dostupné jazykové metadáta uchovajte spolu s výsledkom a požiadavku na prepis nepovažujte za preklad.

Pri tvorbe titulkov spájajte nadväzujúce časované úseky do čitateľných titulkových blokov namiesto zobrazovania po jednom slove. Užitočným výstupom je súbor SRT alebo WebVTT prepojený s pôvodným klipom, s hranicami blokov podľa páuz a primeraným množstvom textu na obrazovke. Skontrolujte chýbajúce časovanie a zabezpečte, aby koniec každého bloku nasledoval po jeho začiatku. Zoskupovanie titulkov a formátovanie súboru sú aplikačné kroky založené na vrátenom zarovnaní a spôsob zobrazenia má vyhovovať prehrávaču aj publiku.

Zdokumentované ovládacie prvky Transcribe 1 sú zvuk, jazyková pomôcka a voľba časových značiek. Značky hovoriacich, štruktúrované repliky, ovládanie emocionálnych udalostí a pomôcky pre počet hovoriacich v Pro sú samostatné funkcie; nie sú súčasťou zdokumentovaného kontraktu odpovede tohto základného modelu. Požadovaný výsledok vyberte pred spracovaním: obyčajný čitateľný text na poznámku alebo text spolu so zarovnaním pre navigáciu pri prehrávaní a titulky. Zachovanie identifikátora klipu, prepisu a dostupného časovania robí výsledok užitočným pre ďalší krok aplikácie.

Ailoot Ultra · Prepis zvuku POST /v1/audio/transcriptions fish-audio/transcribe-1

fish-audio/transcribe-1

Fish Audio /fish-audio/transcribe-1

Úvod

Povolené vstupy: Audio
Výsledky: Text

Dostupné v Ailoot · vstupy a metódy

Ailoot Ultra · Prepis zvuku POST /v1/audio/transcriptions

Vstup: audio
Výstup: text

Pole	Typ	Požiadavka	Hodnoty a limity	Predvolené
Pole`model`	Typ`string`	PožiadavkaPovinné	Hodnoty a limity fish-audio/transcribe-1	Predvolené—
Pole`input_audio`	Typ`object`	PožiadavkaPovinné	Hodnoty a limity	Predvolené—

Parametre a životný cyklus metódy

Parameter	Špecifikácia
Parameter`content_type`	Špecifikáciaapplication/json
Parameter`required`	Špecifikáciamodel, input_audio
Parameter`material_types`	Špecifikáciaaudio
Parameter`material_conditions`	ŠpecifikáciaPríklad načíta váš skutočný neprázdny súbor PCM WAV, zakóduje všetky jeho bajty do base64 a odošle input_audio.format s hodnotou wav.

Životný cyklus: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · presné task_id z existujúceho mediálneho záznamu vo vašom vlastníctve

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

GET /v1/media/assets

GET /v1/media/assets/{asset_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
Konfiguráciasekunda vstupného zvuku	Sadzobník—	Účtovacia jednotkaza sekundu vstupného audia	Poplatok Vstup · sekunda vstupného zvuku $0.0002 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 →

Príklady požiadaviek

Ailoot Ultra · Prepis zvuku

curl · skutočný súbor WAV a úplný pôvodný výsledok

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.

Prijať a uložiť výsledky

Ailoot Ultra · Prepis zvuku

Celé pôvodné telo odpovede, stav a preposlané hlavičky. Tento obslužný kód nepridáva žiadnu univerzálnu štruktúru JSON, textové pole ani obálku úlohy.

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

Uchovať všetky dokončené výsledky

Uložte každú úplnú vrátenú odpoveď, súbor a časť obsahu.

Uchovajte úplnú odpoveď a hlavičky, všetky skutočné výstupy, pôvodné vrátené identifikátory a všetky polia s údajmi o spotrebe. Obnovte pôvodnú operáciu bez opätovného odoslania požiadavky na vytvorenie.

Ak treba overiť pôvodnú odpoveď

Zachovajte skutočné X-Client-Request-ID a celú odpoveď. Načítajte pôvodné súbory vo vašom vlastníctve a ich presné podpísané URL obsahu; neisté vytvorenie nikdy znova neodosielajte.

Polia odpovede

Pole	Typ
Pole`text (when present)`	Typ
Pole`usage (when present)`	Typ

Chyby a ďalšie kroky

Odpoveď	Podmienka	Ďalší krok
Odpoveď400 · `invalid_request_error`	PodmienkaTelo JSON alebo explicitné kanonické ID modelu sú neplatné.	Ďalší krokZachovajte odpoveď a opravte označené pole požiadavky.
Odpoveď401 · `authentication_error`	PodmienkaKľúč API služby Ailoot je neplatný.	Ďalší krokPoužite svoj autorizovaný kľúč API služby Ailoot.
Odpoveď403 · `permission_error`	PodmienkaSkupina kľúča nepovoľuje túto metódu.	Ďalší krokZachovajte vrátené podrobnosti chyby.
Odpoveď404 · `not_found_error`	PodmienkaVybraná metóda nemá povolenú trasu.	Ďalší krokZachovajte vrátené podrobnosti chyby.
Odpoveď422 · `price_unavailable`	PodmienkaPrijatá tarifa nedokáže získať požadované množstvo vstupu alebo jeho hranicu.	Ďalší krokZachovajte odpoveď; použite reprezentáciu vstupu vyžadovanú prijatou tarifou.
Odpoveď503 ·	PodmienkaPožadované úložisko, trasa, cena metódy alebo rezervácia nie sú dostupné.	Ďalší krokZachovajte celú pôvodnú odpoveď. Neistá rezervácia nie je povolením na opätovné odoslanie.
Odpoveď502 · `server_error`	PodmienkaPôvodný výsledok, spotreba alebo zúčtovanie vyžadujú kontrolu.	Ďalší krokZachovajte skutočné ID požiadavky a pôvodnú odpoveď. Načítajte existujúci záznam vo vašom vlastníctve; vytvorenie znova neodosielajte.

Aliasy

Aliasy modelov

Ailoot Ultra fish-audio/transcribe-1

Aliasy ciest metód

Použite cesty metód uvedené vyššie.

Súvisiace ID na volanie

fish-audio/transcribe-1

FAQ · Fish Audio: Transcribe 1

Aké vstupy a výsledky sú dostupné?: POST /v1/audio/transcriptions · fish-audio/transcribe-1: audio → text
Aké polia používa požiadavka?: POST /v1/audio/transcriptions · fish-audio/transcribe-1: model, input_audio

Fish Audio: Transcribe 1