OpenAI: GPT-4o Transcribe

GPT-4o Transcribe prevádza zvuk na text pomocou schopností rozpoznávania reči GPT-4o od OpenAI. Podporuje kontextové prompty, údaj o jazyku vstupu, prepisy JSON, streamovaný výstup zo súboru a voliteľné logaritmické pravdepodobnosti tokenov na kontrolu neistého znenia.

Ailoot Ultra · Prepis zvuku POST /v1/audio/transcriptions openai/gpt-4o-transcribe

O modeli

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

GPT-4o Transcribe je model OpenAI na prevod reči na text založený na GPT-4o. Jeho vstupom je zvuk s voliteľnými textovými pokynmi a výstupom rozpoznaný text. Je oddelený od vydania GPT-4o Mini Transcribe aj od GPT-4o Transcribe Diarize, špecializovaného modelu na označovanie hovoriacich. Tento profil používajte na prípravu verného textového záznamu hovoreného materiálu a zdrojovú nahrávku uchovávajte na kontrolu a neskoršiu redakčnú prácu.

Vstup súborov a príprava dlhého materiálu

Návod OpenAI na prepis dokumentuje nahrávanie súborov do 25 MB. Aktuálna referencia koncového bodu prijíma FLAC, MP3, MP4, MPEG, MPGA, M4A, OGG, WAV a WebM a odporúča metadáta súboru označujúce formát vrátane názvu súboru s príponou a vhodného typu obsahu. Pri väčšej nahrávke zodpovedá pokynom výrobcu pre dlhší vstup kompresia alebo usporiadané časti s veľkosťou najviac 25 MB. Nerozdeľujte uprostred vety a zachovajte polohu každej časti v celej nahrávke.

Pri rozhovore spojte každý vstupný súbor s nahrávkou a úsekom, ktorý pokrýva. Pri technickej prezentácii pripravte príslušné názvy produktov, skratky a odbornú slovnú zásobu ako kontext a potom ich zápis overte podľa skutočne vyslovených slov. Pri nahranom vysvetlení s číselnými hodnotami skontrolujte prepis spolu so zdrojom skôr, než ho zmeníte na písomný postup. Požadovaným prvým materiálom je rozpoznaná reč v textovej podobe; stručná správa alebo preložený dokument sa dajú z tohto textu pripraviť v samostatnom kroku.

Prompty pre konkrétnu nahrávku a výber jazyka

Návod výrobcu výslovne zahŕňa GPT-4o Transcribe medzi modely podporujúce prompty. Prompt môže poskytnúť správny zápis, kontext z predchádzajúceho segmentu a preferencie interpunkcie, veľkých písmen, výplňových slov alebo písma. Podľa referencie sa má zhodovať s jazykom nahrávky. Krátky relevantný opis témy a slovnej zásoby dáva prepisu užitočný kontext bez považovania nevyslovených výrazov za povinný výstup.

Tento profil podporuje nastavenie jazyka language v jednotnom čísle, dokumentované v tvare ISO 639-1. Uvedenie skutočného vstupného jazyka môže pomôcť rozpoznávaniu. Novšie polia keywords a množné languages modelu GPT Transcribe patria tomuto samostatne pomenovanému modelu a nemajú sa predpokladať pre GPT-4o Transcribe. Nastavenie jazyka viažte na prepisovanú reč a pred neskorším prekladom alebo štylistickou úpravou zachovajte pôvodné znenie.

Formát výsledku, pravdepodobnosti a špecializované výstupy

Aktuálna referencia koncového bodu dokumentuje JSON ako podporovaný formát odpovede GPT-4o Transcribe. Výsledok obsahuje rozpoznaný text a s týmto formátom JSON možno voliteľne požiadať o logaritmické pravdepodobnosti tokenov. Údaje o pravdepodobnosti opisujú výber tokenov modelom. Môžu pomôcť určiť pasáže na kontrolu, ale až porovnanie so zvukom overí, či prepis reprodukuje náročné meno, číslo alebo frázu.

Výsledok JSON štandardného profilu neposkytuje natívne formáty titulkov, podrobné časové značky slov ani priradenia hovoriacich. OpenAI dokumentuje iné kombinácie modelov a formátov, keď sú tieto výstupy potrebné; GPT-4o Transcribe Diarize je samostatné vydanie na označovanie hovoriacich. Pri titulkoch uchovajte skontrolovaný prepis pre vhodný krok časovania. Pri konverzácii nevymýšľajte mená hovoriacich iba preto, že odsek prepisu zdanlivo mení tému alebo hlas.

Streamované výsledky z dokončeného súboru

Návod OpenAI na prevod reči na text uvádza, že existujúce integrácie GPT-4o Transcribe podporujú streamovanie súborov. Aplikácia najprv poskytne nahrávku, potom počas jej spracovania prijíma text prepisu a uchová dokončený výsledok. Takto sa streamuje prepis dokončenej nahrávky namiesto prijímania priebežne prichádzajúceho zvuku z mikrofónu. Konkrétna karta modelu uvádza aj rodiny koncových bodov pre prepis a Realtime; správanie relácie špecifické pre model musí zostať priradené tomuto profilu a nesmie sa preberať z novšieho modelu s nepretržitým streamovaním.

Limity modelu a kontrola konečného materiálu

Aktuálna špecifikácia GPT-4o Transcribe uvádza kontextové okno 16000 tokenov, maximálny výstup 2000 tokenov a hranicu znalostí 1. júna 2024. Tieto tokenové limity nie sú pevnou dĺžkou zvuku a nenahrádzajú pravidlá prípravy súborov na prepis. Pri rozsiahlej nahrávke zachovajte poradie zdrojových častí a relevantný predchádzajúci kontext a potom overte, že dokončený text dosahuje koniec každého zamýšľaného segmentu.

Užitočný konečný prepis sa môže stať prehľadávateľným materiálom rozhovoru, zdrojom technickej dokumentácie alebo znením pre neskorší postup titulkovania. Neistú slovnú zásobu, množstvá, interpunkciu, prízvuky a prekrývajúcu sa reč overte podľa nahrávky. Rozpoznaný text odlíšte od neskorších opráv či zhrnutí a väzbu na zdroj zachovajte prostredníctvom identifikátorov v nadväzujúcom pracovnom postupe. Model poskytuje textový záznam; dôkladná príprava vstupu a kontrola zdroja určujú, či je záznam vhodný na ďalšie použitie.

Ailoot Ultra · Prepis zvuku POST /v1/audio/transcriptions openai/gpt-4o-transcribe

openai/gpt-4o-transcribe

OpenAI /openai/gpt-4o-transcribe

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 openai/gpt-4o-transcribe	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
Konfiguráciavstupný token	Sadzobník—	Účtovacia jednotka/ 1K tokenov	Poplatok Vstup $0.005 / 1K tokenov
Konfiguráciavýstupný token	Sadzobník—	Účtovacia jednotka/ 1K tokenov	Poplatok Výstup $0.02 / 1K 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 · 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': '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.

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 openai/gpt-4o-transcribe

Aliasy ciest metód

Použite cesty metód uvedené vyššie.

Súvisiace ID na volanie

openai/gpt-4o-transcribe

FAQ · OpenAI: GPT-4o Transcribe

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

OpenAI: GPT-4o Transcribe