gpt-4o-transcribe-diarize

GPT-4o Transcribe Diarize prevádza zaznamenanú reč na text so segmentmi označenými podľa hovoriaceho a s časovými údajmi. Je vhodný na stretnutia, rozhovory a nahrávky viacerých ľudí, pri ktorých musí prepis ukazovať, kto kedy hovoril, s voliteľnými krátkymi hlasovými ukážkami známych hovoriacich.

Ailoot Ultra · Rozpoznávanie reči POST /v1/audio/transcriptions openai/gpt-4o-transcribe-diarize

O modeli

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

GPT-4o Transcribe Diarize je model OpenAI na automatické rozpoznávanie reči so zabudovanou diarizáciou hovoriacich. Priraďuje prepísané zvukové segmenty k jednotlivým hovoriacim v konverzácii. Užitočným výsledkom je prepis usporiadaný podľa hovoriaceho a času namiesto jediného súvislého bloku slov. Je určený na zaznamenanú reč vyžadujúcu označenie hovoriacich, napríklad stretnutie, rozhovor alebo diskusiu viacerých ľudí.

Pripravte dokončenú nahrávku

Poskytnite nahrávku, ktorá sa má prepísať. Dokumentovaný súborový postup prijíma MP3, MP4, MPEG, MPGA, M4A, WAV a WebM s limitom veľkosti súboru 25 MB. Zdrojovú nahrávku uchovajte dostupnú, aby sa prehovor, meno alebo nejasná fráza dali overiť podľa skutočného zvuku.

Pri stretnutí zachovajte poradie konverzácie namiesto vystrihovania krátkych prestávok, ktoré pomáhajú odlíšiť prehovory. Pri rozhovore zachovajte otázku a odpoveď spolu, keď úloha potrebuje ich vzťah. Príprava zvuku má zabezpečiť počuteľnosť reči bez odstránenia informácií dôležitých pre výsledok s označenými hovoriacimi.

Ide o postup prepisu súboru. Spracovanie dokončenej nahrávky a rozpoznávanie stále prichádzajúceho zvukového prúdu sú odlišné úlohy; označovanie hovoriacich týmto modelom nie je podporované v reláciách prepisu Realtime.

Vyžiadajte si prepis s označenými hovoriacimi

Výsledný formát diarized_json vracia segmenty s označeniami identity hovoriacich a časom začiatku a konca. Každý segment obsahuje aj prepísaný text. Tieto polia uchovávajte spolu, aby sa slová dali spojiť s príslušnou časťou nahrávky.

Pri užitočnom prepise stretnutia zachovajte poradie segmentov a zobrazte slová každého hovoriaceho s ich časovými údajmi. Neskoršia úloha môže tento prepis použiť na prípravu zápisnice alebo zoznamu úloh, ale samotná diarizácia nerozhoduje, na čom sa účastníci dohodli, ani nevytvára overené zhrnutie.

Označenia hovoriacich opisujú zoskupenie reči modelom. Skontrolujte prechody, pri ktorých sa ľudia prerušujú, hovoria krátko alebo súčasne. Dobre usporiadaný výsledok pomáha pri navigácii a kontrole, ale konkrétne priradenie môže stále vyžadovať vypočutie pôvodného zvuku.

Referenčné ukážky známych hovoriacich

Dokumentovaný postup môže prijať najviac štyri pomenované referenčné ukážky hovoriacich. Každá ukážka je krátky zvukový klip s dĺžkou 2–10 sekúnd vo formáte podporovanom pri hlavnom nahrávaní súboru. Mená a ukážky sa poskytujú spolu, aby sa segmenty dali priradiť známym hovoriacim.

Pripravte ukážku, ktorá jasne obsahuje požadovaného hovoriaceho, a jej meno udržiavajte v súlade so zamýšľanými označeniami prepisu. Pri rozhovore môže ukážka moderátora pomôcť usporiadať výsledok s označenými hovoriacimi bez toho, aby každý účastník dostal anonymné označenie. Ukážka je vstupom na priradenie; nejde o všeobecné klonovanie hlasu ani o dôkaz identity osoby.

Nezamieňajte pomenovanie hovoriaceho s úpravou vyslovených slov. Užitočný výstup musí stále zachovať obsah nahrávky a skutočné poradie prehovorov.

Delenie na časti a limity modelu

Pri zvuku dlhšom než 30 sekúnd výrobca vyžaduje stratégiu delenia na časti: buď automatické delenie, alebo konfiguráciu detekcie hlasovej aktivity. Táto požiadavka nie je maximálnou dĺžkou nahrávky. Opisuje spôsob rozdelenia dlhšieho vstupu na spracovanie.

Karta modelu uvádza kontextové okno 16000 tokenov a maximálne 2000 výstupných tokenov. Ide o tokenové limity modelu, oddelené od limitu nahrávania 25 MB a prahu delenia na časti v súborovom postupe. Nemajú sa prepočítavať na vymyslený počet minút platný pre každú nahrávku.

Pri zostavovaní alebo kontrole dlhšieho prepisu zachovajte časové údaje a identitu segmentov. Ak bola nahrávka pred odoslaním rozdelená, uchovajte vzťah každej časti k pôvodnému zvuku, aby sa miestna časová značka nezamieňala s jej polohou v celej konverzácii.

Streamovanie dokončených segmentov

Súborový postup prepisu môže streamovať text počas spracovania nahrávky. Pri streamovaní s označenými hovoriacimi vytvárajú dokončené segmenty udalosti segmentov. Prírastky textu obsahujú identifikátor segmentu, ale nie priebežné priradenie hovoriaceho; hovoriaci sa priradí pri dokončení segmentu.

Tento rozdiel je dôležitý pri zobrazovaní. Predbežný text a dokončený prehovor zobrazujte ako odlišné stavy namiesto pridávania neistého označenia hovoriaceho pred dokončením segmentu modelom. Dokončený výsledok uchovajte, keď je prepis potrebný na neskoršie úpravy alebo analýzu.

Hranice modelu a výstupu

Tento profil je diarizačný model, odlišný od bežného prepisu GPT-4o, prepisu Mini, syntézy reči a modelov na živú konverzáciu. Nepodporuje prompty na prepis; prípadnú kontrolu terminológie alebo opravu vykonávajte ako samostatný krok overený podľa pôvodného zvuku. Jeho rozhraním u výrobcu je prepis zaznamenaného zvuku na text. Negeneruje zvukovú odpoveď ani neprekladá nahrávku prostredníctvom samostatného postupu zvukového prekladu.

Používajte ho na prepisy, ktoré potrebujú obsah aj štruktúru hovoriacich. Mená, odborné výrazy, čísla, hranice prehovorov a priradenia overte podľa nahrávky. Uchovajte zvuk, zvolený formát výsledku, referenčné ukážky a dokončený prepis, aby sa oprava mohla zamerať na konkrétnu frázu alebo priradenie hovoriaceho.

Ailoot Ultra · Rozpoznávanie reči POST /v1/audio/transcriptions openai/gpt-4o-transcribe-diarize

openai/gpt-4o-transcribe-diarize

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

Úvod

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
Pole`model`	Typ`string`	PožiadavkaPovinné	Hodnoty a limity openai/gpt-4o-transcribe-diarize	Predvolené—
Pole`file`	Typ`file`	PožiadavkaPovinné	Hodnoty a limity Maximálny počet bajtov: 26 214 400 Typy MIME: audio/mpeg Prípona súboru: .mp3 Maximálne trvanie, sekundy: 30	Predvolené—
Pole`response_format`	Typ`string`	PožiadavkaPovinné	Hodnoty a limity diarized_json	Predvolené—

Kombinácie vstupných podkladov

diarized_transcription

Parametre a životný cyklus metódy

Parameter	Špecifikácia
Parameter`content_type`	Špecifikáciamultipart/form-data
Parameter`required`	Špecifikáciamodel, file, response_format
Parameter`file_formats`	Špecifikáciamp3
Parameter`max_audio_seconds`	Špecifikácia30
Parameter`max_bytes`	Špecifikácia26214400
Parameter`response_format`	Špecifikáciadiarized_json
Parameter`other_options`	Špecifikáciafalse
Parameter`material_types`	Špecifikáciaaudio
Parameter`additional_properties`	Špecifikáciafalse
Parameter`form_string_maximum_bytes`	Špecifikácia256

Aliasy metódy: /audio/transcriptions

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 skutočnú nahrávku a zodpovedajúci formát.

Zachovajte celý prepis, segmenty, ID hovoriacich a časovanie.

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 jednotka/ 1K audio tokenov	Poplatok Vstup · vstupný zvukový token $0.012 / 1K audio tokenov
KonfiguráciaUltra	Sadzobník—	Účtovacia jednotka/ 1K audio tokenov	Poplatok Výstup · výstupný zvukový token $0.02 / 1K audio tokenov

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 · Rozpoznávanie reči

curl · presná uložená požiadavka na vytvorenie

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

Prijať a uložiť výsledky

Ailoot Ultra · Rozpoznávanie reči

json

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

Čítanie ďalšieho obsahu

Uložiť každý vrátený prepis, ktorý vám patríKnižnica médiíStav úlohyPodrobnosti podkladu

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

Uchovať všetky dokončené výsledky

Uložte každú úplnú vrátenú odpoveď, súbor a časť obsahu.

Zachovajte celý JSON, nielen text; zachovajte každý dostupný segment, hovoriaceho a časovú značku aj skutočnú identitu úlohy alebo súboru.

Ak treba overiť pôvodnú odpoveď

Uchovajte pôvodné operation_id/X-Client-Request-ID na zosúladenie záznamov bez opätovného odoslania; neexistuje samostatná trasa na priebežné zisťovanie stavu zvuku.

Polia odpovede

Pole	Typ
Pole`text`	Typstring
Pole`segments[]`	Typobject
Pole`task_id`	Typstring
Pole`asset_url`	Typstring
Pole`usage`	Typobject
Pole`segments[].speaker`	Typstring
Pole`segments[].start`	Typnumber
Pole`segments[].end`	Typnumber

Chyby a ďalšie kroky

Odpoveď	Podmienka	Ďalší krok
Odpoveď400 · `invalid_request_error`	PodmienkaNeplatné povinné polia, reprezentácia materiálu alebo hodnota parametra	Ďalší krokPred novou požiadavkou na vytvorenie opravte uvedené polia.
Odpoveď`server_error`	PodmienkaVrátená odpoveď uvádza, že operáciu alebo výsledok je potrebné skontrolovať	Ďalší krokUchovajte pôvodné vrátené ID operácie/úlohy, hlavičky požiadavky a odpoveď; naďalej čítajte údaje o tejto pôvodnej operácii podporovaným spôsobom. Požiadavku na vytvorenie znova neodosielajte.

Aliasy

Aliasy modelov

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

Aliasy ciest metód

/audio/transcriptions

Súvisiace ID na volanie

openai/gpt-4o-transcribe-diarize

FAQ · gpt-4o-transcribe-diarize

Aké vstupy a výsledky sú dostupné?: POST /v1/audio/transcriptions · openai/gpt-4o-transcribe-diarize: audio → transcription
Aké polia používa požiadavka?: POST /v1/audio/transcriptions · openai/gpt-4o-transcribe-diarize: model, file, response_format

gpt-4o-transcribe-diarize