Deepgram: Nova-3
Nova-3 je splošni model podjetja Deepgram za pretvorbo govora v besedilo pri posnetem in pretočnem zvoku. Podpira enojezično prepoznavanje, določen večjezični način preklapljanja med jeziki in usmerjanje s ključnimi izrazi ter vrne prepise s časovnimi podatki besed in podatki o zaupanju.
O modelu
Ta opis zajema zmožnosti modela. Vhodi, izhodi in možnosti, ki so na voljo v Ailoot, so spodaj navedeni za izbrano metodo.
Nova-3 je splošni model podjetja Deepgram za prepoznavanje govora in pretvorbo zvoka v besedilo. Proizvajalec ga priporoča za sestanke, podnapise dogodkov, posnetke z več govorci in zahtevne razmere, kot so hrup ali oddaljeni mikrofoni, pri prepisovanju posnetkov ali zvoka v živo. Njegov uporaben rezultat je prepoznan govor s časovnimi podatki in podatki o zaupanju, ki ostaja povezan z izvornim zvokom.
Izberite jezikovni potek
Dokumentirani privzeti jezik je angleščina. Enojezična zahteva izbere govorjeni jezik ali podprto jezikovno različico. Trenutna tabela splošnega modela vključuje regionalne različice angleščine, španščino, francoščino, nemščino, ruščino, portugalščino, japonščino, italijanščino, nizozemščino, arabščino, kitajske pisave in številne druge jezike, vključno s kazaščino. Izbirajte med kodami, ki jih podpira proizvajalec, namesto da bi predpostavljali, da je sprejeto vsako ime jezikovne različice.
Večjezična nastavitev je ločen potek za preklapljanje med jeziki. Trenutna tabela Nova-3 zanj navaja deset jezikov: angleščino, španščino, francoščino, nemščino, hindijščino, ruščino, portugalščino, japonščino, italijanščino in nizozemščino. Ta nabor ni enak širšemu enojezičnemu seznamu. Za posnetek, ki prehaja med podprtimi jeziki, pripravite večjezični način, namesto da bi celoten pogovor silili v nepovezano enojezično nastavitev. Pred pripravo prevedene ali povzete različice ohranite izgovorjeno vsebino.
Posnet zvok in priprava prepisa
Deepgramov postopek za datoteke sprejema naložene zvočne bajte ali sklic na zvočno datoteko. Vrnjeni prepis shranite ob zaključku zahteve; proizvajalec prepisov ne hrani za poznejši prevzem. Med običajne dokumentirane vhodne formate in kodiranja sodijo MP3, MP4, MP2, AAC, WAV, FLAC, PCM, M4A, Ogg, Opus in WebM. S posnetkom ohranite dejanski format in podatke o kanalih. Posnetku dodelite stabilen identifikator in ohranite povezavo rezultata s pravilnim virom ter njegovimi podatki o kanalih. Pri sestanku preverite imena udeležencev in strokovne izraze ob poslušanju izvirnega zvoka. Pri predavanju ali dogodku ohranite zvočno zaporedje, da lahko poznejši podnapis ali iskalni rezultat poišče ustrezen odlomek.
Proizvajalčev vodnik za posnet zvok navaja največjo velikost datoteke 2 GB in priporoča izločitev zvočnega toka iz velike videodatoteke. Dokumentira tudi desetminutno časovno omejitev obdelave zahtev Nova. Ta omejitev se nanaša na čas obdelave zahteve, ne na največ deset minut trajanja posnetka. Uporaben rezultat vključuje konec predvidenega posnetka; delno ohranjenega prepisa ne smete obravnavati kot celotno besedilo.
Preberite besede, čase in zaupanje
Dokumentirani odgovor JSON vključuje različice prepisa in prepoznane besede z začetnim in končnim časom vsake besede v sekundah od začetka zvoka ter vrednostjo zaupanja. Pri prepisu z več govorci proizvajalčevo neobvezno razločevanje govorcev vsaki besedi dodeli oznako govorca. Razločevanje pri posnetem zvoku vrne tudi zaupanje v določitev govorca; pri pretočnem zvoku vrne oznako govorca. Te oznake preverite glede na glasove na posnetku. Navedeno je tudi splošno zaupanje v prepis na lestvici 0–1. Če je zahtevano pametno oblikovanje, lahko rezultat vsebuje ločila in velike začetnice v obliki besed z ločili ter podatke o berljivih odstavkih.
Ta polja uporabljajte v skladu z njihovim pomenom. Čas besede določa mesto prepoznanega govora, zaupanje pa je modelova ocena zanesljivosti, ne dokaz, da je bilo težavno ime ali količina pravilno slišano. Pri pripravi podnapisov ohranite časovne podatke ob pregledanem besedilu in preverite meje glede na zvok. Pri berljivi uredniški različici ohranite razločnost sprememb od prepoznanega prepisa, namesto da bi negotove besede tiho nadomestili z verjetno zgodbo.
Pretočno prepoznavanje in dokončni segmenti
Novin pretočni potek vrača besedilo sproti ob prihodu zvoka, z vmesnimi in dokončnimi rezultati. Indikator is_final loči besedilo, ki se še lahko spremeni, od dokončanega segmenta. Indikator speech_final se nanaša na določanje končne točke govorjenega segmenta. Te signale ločujte od samega prejema nepraznega prepisa in pri pripravi zaključenega zapisa ohranite dokončne segmente v zvočnem vrstnem redu.
Nova-3 je splošni ASR in se razlikuje od ločenega pogovornega modela Flux z zaznavanjem govornih menjav, vgrajenim v model. Nova označuje dokončnost prepisa in končne točke govora; Flux zagotavlja lastne dogodke stanja pogovornih menjav. Potek prepisovanja izberite glede na to, ali je zvok že posnet ali prihaja v živo, pri čemer kot ohranjeni izdelek uporabite dejanski končni rezultat.
Ključni izrazi za pomembno besedišče
Dokumentirano usmerjanje s ključnimi izrazi Keyterm Prompting pri Nova-3 podpira enojezično in večjezično prepisovanje ter prepoznavanje prilagodi pomembnim izrazom brez ponovnega učenja modela. Posredujte ustrezna imena, izraze za izdelke, kratice ali večbesedne zveze, ki se lahko dejansko pojavijo v govoru. Vodnik skupni vnos ključnih izrazov omeji na 500 žetonov in priporoča osredotočanje na najpomembnejše besedišče namesto neselektivnega dodajanja pogostih besed.
Proizvajalčeva skladnja uporablja navadne izraze z ločenim vnosom keyterm za vsak izraz. Večbesedna zveza ostane ena zveza. Stare uteži ključnih besed ali ojačevalniki ter združevanje ločenih izrazov z vejicami, podpičji ali prelomi vrstic niso enakovredni: vmesnik jih lahko sprejme kot eno dobesedno vrednost, ne da bi zagotovil predvideno okrepitev. Pri imenih uporabite pravilne velike začetnice, nato pa preverite prepis, saj lahko zvočni kontekst in pametno oblikovanje še vedno spremenita končno zapisano obliko.
Meje družine modelov in uporabni rezultati
Splošni profil Nova-3 se razlikuje od ločeno poimenovanih možnosti Medical in Pharma. Usmerjanje z besediščem ga ne spremeni v drugo izdajo, jezikovne pokritosti ali vedenja specializiranih modelov pa ne smete predpostavljati za splošni model. Dodatne funkcije obdelave prepisov so izbire v proizvajalčevem govornem poteku, ne dokaz, da je prepoznavanje ustvarilo povzetek, prevod ali drug izdelek, ki sploh ni bil zahtevan.
Uporaben izdelek Nova-3 je lahko prepis sestanka, po katerem je mogoče iskati, besedilo s časovnimi podatki besed, pripravljeno za podnapise, ali zapis večjezičnega pogovora. Ohranite identifikator zvoka, izbrani jezikovni potek, končno besedilo in uporabna polja zaupanja ali časovnih podatkov. Nejasna imena, številke, prekrivajoče se glasove in menjave jezika preverite glede na izvirni posnetek ter ohranite dejansko prepoznan govor za naslednji korak obdelave vsebine.
Ailoot Ultra · Prepoznavanje govora POST /v1/audio/transcriptions deepgram/nova-3
deepgram/nova-3Začetek
Nova-3 je splošni model podjetja Deepgram za pretvorbo govora v besedilo pri posnetem in pretočnem zvoku. Podpira enojezično prepoznavanje, določen večjezični način preklapljanja med jeziki in usmerjanje s ključnimi izrazi ter vrne prepise s časovnimi podatki besed in podatki o zaupanju.
- Dovoljeni vhodi
- Zvok
- Rezultati
- transcription
Na voljo v Ailoot · vhodi in metode
Ailoot Ultra · Prepoznavanje govora POST /v1/audio/transcriptions
- Vhod
audio- Izhod
transcription- Izhodni format
- json
| Polje | Vrsta | Zahteva | Vrednosti in omejitve | Privzeto |
|---|---|---|---|---|
Poljemodel | Vrstastring | ZahtevaObvezno | Vrednosti in omejitve deepgram/nova-3 | Privzeto— |
Poljeinput_audio | Vrstaobject | ZahtevaObvezno | Vrednosti in omejitve | Privzeto— |
Poljelanguage | Vrstastring | ZahtevaIzbirno | Vrednosti in omejitve | Privzeto— |
Poljetemperature | Vrstanumber | ZahtevaIzbirno | Vrednosti in omejitve Najmanj: 0 Največ: 1 | Privzeto— |
Poljeresponse_format | Vrstastring | ZahtevaIzbirno | Vrednosti in omejitve json, verbose_json | Privzetojson |
Poljetimestamp_granularities | Vrstaarray | ZahtevaIzbirno | Vrednosti in omejitve | Privzeto— |
Poljeprovider | Vrstaobject | ZahtevaIzbirno | Vrednosti in omejitve | Privzeto— |
Kombinacije vhodnih gradiv
speech_to_text · Obvezno: actual matching-format audio file
Parametri in življenjski cikel metode
| Parameter | Specifikacija |
|---|---|
Parametercontent_types | Specifikacijaapplication/json, multipart/form-data |
Parameterrequired | Specifikacijamodel, input_audio |
Parametermaterial_types | Specifikacijaaudio |
ParameterJSON_audio | Specifikacijadejanski surovi zvočni bajti v base64 in ustrezna oblika |
Parametermultipart_required | Specifikacijamodel, file |
Parametermultipart_cap_bytes | Specifikacija26214400 |
Parameteroptional_controls | Specifikacijalanguage, temperature, response_format, timestamp_granularities, provider |
Parameterdefault_response_format | Specifikacijajson |
Parameteroptional_features | SpecifikacijaPodroben izhod, diarize/keyterms in URL/večji vgrajeni zvok zahtevajo natančno podporo modela/ponudnika in ustrezno tarifo. |
Življenjski cikel: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · Dejansko vrnjeni task_id ali zapis v medijski knjižnici
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Uporabite natančen model in dokumentirana vhodna polja.
Ohranite celoten odgovor, vsak dejanski izhod in prvotne vrnjene ID-je.
Cenik
Tarifni podatki ne dodajajo možnosti zahteve. Podprti parametri so navedeni pri izbrani metodi.
- Hitri način
- Ni navedeno Ko je izbran hitri način
- Način flex
- Ni navedeno Ko je izbran način flex
- Najvišja raven razmišljanja
- Ni navedeno Ko najvišja raven razmišljanja uporablja privzeto prilagoditev (default)
Cene Ailoot
Cene po nastavitvah
Vsak strošek povežite s prikazanimi pogoji. Za vsak nabor alternativnih nastavitev uporabite eno ceno.
| Nastavitev | Cenovna lestvica | Obračunska enota | Strošek |
|---|---|---|---|
| NastavitevOsnovne cene žetonov | Cenovna lestvicaOsnovna cena | Obračunska enota— | Strošek Vhod · Vhodni žetoni — / 1K žetonov Izhod · Izhodni žetoni — / 1K žetonov Vhod · Branje predpomnilnika — / 1K žetonov Vhod · Zapis v predpomnilnik — / 1K žetonov Vhod · Zapis v predpomnilnik, 1 ura — / 1K žetonov |
| NastavitevUltra | Cenovna lestvica— | Obračunska enotana sekundo vhodnega zvoka | Strošek Vhod · sekunda vhodnega zvoka $0.0001433333333334 na sekundo vhodnega zvoka |
Ailoot pred zahtevo rezervira ocenjeni znesek. Po rezultatu obračuna končni strošek na podlagi izmerjene porabe. Obračun pretakanja uporablja končni zapis porabe. Kako delujeta rezervacija in obračun →
Podrobnosti referenčne tarife
Referenčne lestvice modela ne spreminjajo izbire metode, ocen cen ali stroškov. Veljavni stroški uporabljajo cene izbrane metode Ailoot.
Deepgram: Nova-3
Cene po nastavitvah
| Nastavitev | Obračunski pogoji | Strošek |
|---|---|---|
| NastavitevDeepgram: Nova-3 · Privzeta konfiguracija | Obračunski pogojiPrivzeta konfiguracija | Strošek Vhod · Sekunde vhodnega zvoka ≈0,000143 $ na sekundo vhodnega zvoka |
Primeri zahtev
Ailoot Ultra · Prepoznavanje govora
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.
Prejmi in shrani rezultate
Ailoot Ultra · Prepoznavanje govora
json
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
Ohrani vse dokončane rezultate
Shranite vsak v celoti vrnjen odgovor, datoteko in del vsebine.
Celoten izvirni JSON, vse razpoložljivo besedilo/segmenti/besede/govorci/časovne oznake in poraba.
Če je treba preveriti izvirni odgovor
Ohranite prvotni operation_id/X-Client-Request-ID in prvotni odgovor. Berite dejanske zapise opravil/sredstev v vaši lasti brez ponovne oddaje; namenski URL za preverjanje zvoka se ne sestavlja.
Polja odgovora
| Polje | Vrsta |
|---|---|
Poljetext | Vrstastring |
Poljeusage | Vrstaobject |
Poljesegments[] | Vrstaobject |
Poljewords[] | Vrstaobject |
Druga imena
Druga imena modelov
Ailoot Ultra deepgram/nova-3
Druga imena poti metod
Uporabite zgoraj navedene poti metod.
Povezani ID-ji za klic
FAQ · Deepgram: Nova-3
- Kateri vhodi in rezultati so na voljo?
POST /v1/audio/transcriptions·deepgram/nova-3:audio→transcription- Katera polja uporablja zahteva?
POST /v1/audio/transcriptions·deepgram/nova-3:model,input_audio,language,temperature,response_format,timestamp_granularities,provider- Katere omejitve veljajo?
POST /v1/audio/transcriptions·deepgram/nova-3:temperature.minimum:0;temperature.maximum:1