{ "aboutHtml": "

Whisper 1 je OpenAI-jev splošni model API za prepoznavanje govora, za katerega je dokumentirano, da temelji na odprtokodnem modelu Whisper V2. Sprejme zvočno datoteko in vrne besedilo. Razvijalec opisuje večjezično prepoznavanje, prepoznavanje jezika in ločeno nalogo prevajanja govora. Prepisovanje ohrani govorjeni jezik; proizvajalčev ločeni prevajalski vmesnik vrne angleško besedilo.

Uporabna aplikacija je priprava intervjuja, glasovnega zapiska ali posnetega pogovora za poznejše iskanje in urejanje. Posredujte dokončan posnetek in njegov vhodni jezik, če je znan. OpenAI dokumentira 98 podprtih jezikov in opozarja, da se natančnost prepoznavanja razlikuje glede na jezik. Namig za posamezni jezik uporablja kodo ISO 639-1; novejša polja za več jezikov in ključne besede pri drugih modelih prepisovanja so ločene nastavitve.

Proizvajalčev potek prepisovanja datotek sprejema datoteke do 25 MB v formatih MP3, MP4, MPEG, MPGA, M4A, WAV ali WebM. Za večji posnetek uporabite stisnjen format ali ga razdelite na dele znotraj omejitve. Ohranite stavčne meje in vrstni red delov, da sestavljeni prepis ostane povezan z izvirnim posnetkom. Videovsebnik za to nalogo prispeva svoj zvok, ne vnosa za opisovanje slike.

Navodilo lahko posreduje imena, kratice ali besedišče, specifično za posnetek, ter kontekst iz predhodnega segmenta. Omejitev navodila Whisper je 224 žetonov, navodilo pa naj se ujema z jezikom zvoka. Razvijalec navaja, da Whisper ne sledi navodilom kot splošni besedilni model. Navodilo uporabite kot ustrezen kontekst prepisovanja, nato pa pomembne zapise preverite glede na posnetek, namesto da bi seznam izrazov obravnavali kot besede, ki jih je govorec nujno izrekel.

Proizvajalec dokumentira formate prepisovanja JSON, navadno besedilo, SRT, VTT in verbose JSON. Časovne oznake besed in segmentov zahtevajo verbose JSON; zahtevati je mogoče eno ali obe ravni podrobnosti. Referenca API opozarja, da časovne oznake segmentov ne dodajo zakasnitve, časovne oznake besed pa potrebujejo dodatno obdelavo. Ti izhodi podpirajo podnaslavljanje in iskanje odlomkov med urejanjem; oznake razločevanja govorcev pripadajo drugemu specializiranemu modelu.

Whisper 1 ne podpira pretočnega prepisovanja datotek. Njegova referenca dokumentira tudi temperaturo vzorčenja med nič in ena; pri nič lahko model samodejno zviša temperaturo, kadar to zahtevajo njegovi pragovi dekodiranja. To opisuje proizvajalčeve nastavitve obdelave, ne obljube, da bo vsak posnetek ustvaril enak ali popolnoma natančen prepis.

Določite končni izdelek: prepis za iskanje, datoteko podnapisov ali besedilo s časovnimi podatki besed oziroma segmentov. Z rezultatom hranite izvirni posnetek, vrstni red delov in ustrezne časovne sklice na vir. Poznejši korak urejanja besedila lahko popravi napačen zapis ali pripravi povzetek, vendar spremembe primerjajte z zvokom, da ohranite govorčev pomen. Prepoznano besedilo postane dokaz za naslednjo nalogo, ne ustvarjen odgovor na izgovorjeno vprašanje.

", "aboutText": "Whisper 1 je OpenAI-jev splošni model API za prepoznavanje govora, za katerega je dokumentirano, da temelji na odprtokodnem modelu Whisper V2. Sprejme zvočno datoteko in vrne besedilo. Razvijalec opisuje večjezično prepoznavanje, prepoznavanje jezika in ločeno nalogo prevajanja govora. Prepisovanje ohrani govorjeni jezik; proizvajalčev ločeni prevajalski vmesnik vrne angleško besedilo.\n\nUporabna aplikacija je priprava intervjuja, glasovnega zapiska ali posnetega pogovora za poznejše iskanje in urejanje. Posredujte dokončan posnetek in njegov vhodni jezik, če je znan. OpenAI dokumentira 98 podprtih jezikov in opozarja, da se natančnost prepoznavanja razlikuje glede na jezik. Namig za posamezni jezik uporablja kodo ISO 639-1; novejša polja za več jezikov in ključne besede pri drugih modelih prepisovanja so ločene nastavitve.\n\nProizvajalčev potek prepisovanja datotek sprejema datoteke do 25 MB v formatih MP3, MP4, MPEG, MPGA, M4A, WAV ali WebM. Za večji posnetek uporabite stisnjen format ali ga razdelite na dele znotraj omejitve. Ohranite stavčne meje in vrstni red delov, da sestavljeni prepis ostane povezan z izvirnim posnetkom. Videovsebnik za to nalogo prispeva svoj zvok, ne vnosa za opisovanje slike.\n\nNavodilo lahko posreduje imena, kratice ali besedišče, specifično za posnetek, ter kontekst iz predhodnega segmenta. Omejitev navodila Whisper je 224 žetonov, navodilo pa naj se ujema z jezikom zvoka. Razvijalec navaja, da Whisper ne sledi navodilom kot splošni besedilni model. Navodilo uporabite kot ustrezen kontekst prepisovanja, nato pa pomembne zapise preverite glede na posnetek, namesto da bi seznam izrazov obravnavali kot besede, ki jih je govorec nujno izrekel.\n\nProizvajalec dokumentira formate prepisovanja JSON, navadno besedilo, SRT, VTT in verbose JSON. Časovne oznake besed in segmentov zahtevajo verbose JSON; zahtevati je mogoče eno ali obe ravni podrobnosti. Referenca API opozarja, da časovne oznake segmentov ne dodajo zakasnitve, časovne oznake besed pa potrebujejo dodatno obdelavo. Ti izhodi podpirajo podnaslavljanje in iskanje odlomkov med urejanjem; oznake razločevanja govorcev pripadajo drugemu specializiranemu modelu.\n\nWhisper 1 ne podpira pretočnega prepisovanja datotek. Njegova referenca dokumentira tudi temperaturo vzorčenja med nič in ena; pri nič lahko model samodejno zviša temperaturo, kadar to zahtevajo njegovi pragovi dekodiranja. To opisuje proizvajalčeve nastavitve obdelave, ne obljube, da bo vsak posnetek ustvaril enak ali popolnoma natančen prepis.\n\nDoločite končni izdelek: prepis za iskanje, datoteko podnapisov ali besedilo s časovnimi podatki besed oziroma segmentov. Z rezultatom hranite izvirni posnetek, vrstni red delov in ustrezne časovne sklice na vir. Poznejši korak urejanja besedila lahko popravi napačen zapis ali pripravi povzetek, vendar spremembe primerjajte z zvokom, da ohranite govorčev pomen. Prepoznano besedilo postane dokaz za naslednjo nalogo, ne ustvarjen odgovor na izgovorjeno vprašanje.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "3c83f77391a6633f1a362f34f77a945931ef33f1b46ff69d105759d8e6a12ea9", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "sl", "methods": [ { "html": "
O

OpenAI: Whisper 1

OpenAI /openai/whisper-1

Začetek

Whisper 1 prepiše dokončano zvočno datoteko v besedilo z večjezičnim prepoznavanjem ter časovnimi oznakami besed ali segmentov. Proizvajalec podpira podnapisne formate in ločen potek prevoda v angleščino; rezultat prepisovanja ohrani jezik posnetka.

Dovoljeni vhodi
Zvok
Rezultati
transcription
O modelu

Ta opis zajema zmožnosti modela. Vhodi, izhodi in možnosti, ki so na voljo v Ailoot, so spodaj navedeni za izbrano metodo.

Whisper 1 je OpenAI-jev splošni model API za prepoznavanje govora, za katerega je dokumentirano, da temelji na odprtokodnem modelu Whisper V2. Sprejme zvočno datoteko in vrne besedilo. Razvijalec opisuje večjezično prepoznavanje, prepoznavanje jezika in ločeno nalogo prevajanja govora. Prepisovanje ohrani govorjeni jezik; proizvajalčev ločeni prevajalski vmesnik vrne angleško besedilo.

Uporabna aplikacija je priprava intervjuja, glasovnega zapiska ali posnetega pogovora za poznejše iskanje in urejanje. Posredujte dokončan posnetek in njegov vhodni jezik, če je znan. OpenAI dokumentira 98 podprtih jezikov in opozarja, da se natančnost prepoznavanja razlikuje glede na jezik. Namig za posamezni jezik uporablja kodo ISO 639-1; novejša polja za več jezikov in ključne besede pri drugih modelih prepisovanja so ločene nastavitve.

Proizvajalčev potek prepisovanja datotek sprejema datoteke do 25 MB v formatih MP3, MP4, MPEG, MPGA, M4A, WAV ali WebM. Za večji posnetek uporabite stisnjen format ali ga razdelite na dele znotraj omejitve. Ohranite stavčne meje in vrstni red delov, da sestavljeni prepis ostane povezan z izvirnim posnetkom. Videovsebnik za to nalogo prispeva svoj zvok, ne vnosa za opisovanje slike.

Navodilo lahko posreduje imena, kratice ali besedišče, specifično za posnetek, ter kontekst iz predhodnega segmenta. Omejitev navodila Whisper je 224 žetonov, navodilo pa naj se ujema z jezikom zvoka. Razvijalec navaja, da Whisper ne sledi navodilom kot splošni besedilni model. Navodilo uporabite kot ustrezen kontekst prepisovanja, nato pa pomembne zapise preverite glede na posnetek, namesto da bi seznam izrazov obravnavali kot besede, ki jih je govorec nujno izrekel.

Proizvajalec dokumentira formate prepisovanja JSON, navadno besedilo, SRT, VTT in verbose JSON. Časovne oznake besed in segmentov zahtevajo verbose JSON; zahtevati je mogoče eno ali obe ravni podrobnosti. Referenca API opozarja, da časovne oznake segmentov ne dodajo zakasnitve, časovne oznake besed pa potrebujejo dodatno obdelavo. Ti izhodi podpirajo podnaslavljanje in iskanje odlomkov med urejanjem; oznake razločevanja govorcev pripadajo drugemu specializiranemu modelu.

Whisper 1 ne podpira pretočnega prepisovanja datotek. Njegova referenca dokumentira tudi temperaturo vzorčenja med nič in ena; pri nič lahko model samodejno zviša temperaturo, kadar to zahtevajo njegovi pragovi dekodiranja. To opisuje proizvajalčeve nastavitve obdelave, ne obljube, da bo vsak posnetek ustvaril enak ali popolnoma natančen prepis.

Določite končni izdelek: prepis za iskanje, datoteko podnapisov ali besedilo s časovnimi podatki besed oziroma segmentov. Z rezultatom hranite izvirni posnetek, vrstni red delov in ustrezne časovne sklice na vir. Poznejši korak urejanja besedila lahko popravi napačen zapis ali pripravi povzetek, vendar spremembe primerjajte z zvokom, da ohranite govorčev pomen. Prepoznano besedilo postane dokaz za naslednjo nalogo, ne ustvarjen odgovor na izgovorjeno vprašanje.

Na voljo v Ailoot · vhodi in metode

Ailoot Ultra · Prepoznavanje govora POST /v1/audio/transcriptions
Vhod
audio
Izhod
transcription
Izhodni format
json
PoljeVrstaZahtevaVrednosti in omejitvePrivzeto
PoljemodelVrstastringZahtevaObveznoVrednosti in omejitve
openai/whisper-1
Privzeto—
PoljefileVrstafileZahtevaObveznoVrednosti in omejitve
Vrsta vsebine: multipart/form-data
Privzeto—
Poljeresponse_formatVrstastringZahtevaIzbirnoVrednosti in omejitve
json
Privzeto—
Poljeinput_audio.dataVrstabase64_stringZahtevaObveznoVrednosti in omejitve
Velja, ko: Vhod JSON za WhisperOR
Privzeto—
Poljeinput_audio.formatVrstastringZahtevaObveznoVrednosti in omejitve
wav, mp3, flac, ogg, m4a, webm
Velja, ko: Vhod JSON za WhisperOR
Privzeto—
Kombinacije vhodnih gradiv

· Obvezno: model, file

Parametri in življenjski cikel metode
ParameterSpecifikacija
ParametercontoursSpecifikacija{"content_types":["application/json","multipart/form-data"],"required_json":["model","input_audio.data","input_audio.format"],"required_multipart":["model","file"],"file_formats":["wav","mp3","flac","ogg","m4a","webm"],"response_format_optional":["json"]}, {"content_types":["multipart/form-data"],"required":["model","file"],"file_formats":["mp3"],"response_format_option":false}
Parametermax_bytesSpecifikacija26214400
Parametermaterial_typesSpecifikacijaaudio

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 dejanski posnetek in ustrezno obliko.

Ohranite celoten prepis, segmente, ID-je govorcev in časovne podatke.

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.

NastavitevCenovna lestvicaObračunska enotaStrošek
NastavitevOsnovne cene žetonovCenovna lestvicaOsnovna cenaObračunska 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
Nastavitevsekunda vhodnega zvokaCenovna lestvica—Obračunska enotana sekundo vhodnega zvokaStrošek
Vhod · sekunda vhodnega zvoka $0.0002 na sekundo vhodnega zvoka

Podrobnosti referenčne tarife

Referenčne lestvice modela ne spreminjajo izbire metode, ocen cen ali stroškov. Veljavni stroški uporabljajo cene izbrane metode Ailoot.

OpenAI: Whisper 1

Cene po nastavitvah

NastavitevObračunski pogojiStrošek
NastavitevOpenAI: Whisper 1 · Privzeta konfiguracijaObračunski pogojiPrivzeta konfiguracijaStrošek
Vhod · Sekunde vhodnega zvoka 0,0002 $ 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 →

Primeri zahtev

Ailoot Ultra · Prepoznavanje govora

set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_AUDIO_FILE:?Set the path to your actual MP3 recording}"\nexport AILOOT_AUDIO_FILE\npython3 - <<'PY_REQUEST'\nimport os\nfrom pathlib import Path\np=Path(os.environ["AILOOT_AUDIO_FILE"])\nif not p.is_file() or p.suffix.lower()!=".mp3":raise SystemExit("Choose an existing MP3 recording")\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \\\n  -H "Authorization: Bearer $AILOOT_API_KEY" \\\n  --form-string model=openai/whisper-1 -F "file=@$AILOOT_AUDIO_FILE" \\\n  -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("result.json").read_text())))\nPY_RESULT\n

Prejmi in shrani rezultate

Ailoot Ultra · Prepoznavanje govora

json

Branje druge vsebine
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \\\n  -H "Authorization: Bearer $AILOOT_API_KEY" -o media-assets.json\n
Ohrani vse dokončane rezultate

Shranite vsak v celoti vrnjen odgovor, datoteko in del vsebine.

Ohranite celoten JSON in ne samo besedila; ohranite vsak razpoložljivi segment/govorca/časovno oznako in dejansko identiteto opravila/sredstva.

Če je treba preveriti izvirni odgovor

Shranite izvirni operation_id/X-Client-Request-ID za uskladitev evidenc brez ponovnega pošiljanja; namenska pot za periodično preverjanje zvoka ne obstaja.

Polja odgovora
PoljeVrsta
PoljetextVrstastring
Poljesegments[]Vrstaobject
Poljetask_idVrstastring
Poljeasset_urlVrstastring
PoljeusageVrstaobject
Napake in naslednji koraki
OdgovorPogojNaslednji korak
Odgovor400 · invalid_request_errorPogojNeveljavna obvezna polja, predstavitev gradiva ali vrednost parametraNaslednji korakPred novo zahtevo za ustvarjanje popravite navedena polja.
Odgovorserver_errorPogojVrnjeni odgovor navaja, da je treba operacijo ali rezultat preveritiNaslednji korakShranite izvirni vrnjeni ID operacije/opravila, glave zahteve in odgovor; nadaljujte s podprtimi branji te izvirne operacije. Zahteve za ustvarjanje ne pošiljajte znova.

Druga imena

Druga imena modelov

Ailoot Ultra openai/whisper-1

Druga imena poti metod

Uporabite zgoraj navedene poti metod.

Povezani ID-ji za klic

openai/whisper-1

", "method_identity": { "effective_request_model_id": "openai/whisper-1", "fmt": "transcriptions", "http": "POST", "path": "/v1/audio/transcriptions", "request_model_id": "openai/whisper-1", "route_label": "Ultra" }, "method_key": "Ultra|transcriptions|/v1/audio/transcriptions|openai%2Fwhisper-1", "ordinal": 0, "rawMethod": { "available": null, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Retain complete JSON, not only text; preserve every available segment/speaker/timestamp and actual task/asset identity.", "errors": [ { "code": null, "condition": "Neveljavna obvezna polja, predstavitev gradiva ali vrednost parametra", "http_status": 400, "recovery": "Pred novo zahtevo za ustvarjanje popravite navedena polja.", "type": "invalid_request_error" }, { "code": null, "condition": "Vrnjeni odgovor navaja, da je treba operacijo ali rezultat preveriti", "http_status": null, "recovery": "Shranite izvirni vrnjeni ID operacije/opravila, glave zahteve in odgovor; nadaljujte s podprtimi branji te izvirne operacije. Zahteve za ustvarjanje ne pošiljajte znova.", "type": "server_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "all_results": "Follow everyactualreturnedoutputandownedasset; no result is discardedbecauseindex0orcontent_urlalreadyexists.", "assets": [ { "http": "GET", "path": "/v1/media/assets" }, { "http": "GET", "path": "/v1/media/assets/{asset_id}" } ], "content": [ { "http": "GET", "path": "/v1/media/assets/{asset_id}/content", "url_source": "exact returned signed URL; never construct token" } ], "mode": "synchronous_result_then_owned_library", "operation_id_is_not_task_id": true, "status": [ { "http": "GET", "id_source": "actual returned task_id or media library record", "path": "/v1/media/tasks/{task_id}" } ], "unknown": "Shranite izvirni operation_id/X-Client-Request-ID za uskladitev evidenc brez ponovnega pošiljanja; namenska pot za periodično preverjanje zvoka ne obstaja." }, "limits": { "decoded_audio_max_bytes": 26214400 }, "material_combinations": [ { "content_types": [ "application/json", "multipart/form-data" ], "file_formats": [ "wav", "mp3", "flac", "ogg", "m4a", "webm" ], "required_json": [ "model", "input_audio.data", "input_audio.format" ], "required_multipart": [ "model", "file" ], "response_format_optional": [ "json" ] }, { "content_types": [ "multipart/form-data" ], "file_formats": [ "mp3" ], "required": [ "model", "file" ], "response_format_option": false } ], "media_library": { "asset": { "fields": [ { "description": null, "name": "asset_id", "type": "string" }, { "description": null, "name": "task_id", "type": "string" }, { "description": null, "name": "output_key", "type": "string" }, { "description": null, "name": "family", "type": "string" }, { "description": null, "name": "model", "type": "string" }, { "description": null, "name": "method", "type": "string" }, { "description": null, "name": "status", "type": "string" }, { "description": null, "name": "content_type", "type": "string" }, { "description": null, "name": "sha256", "type": "string" }, { "description": null, "name": "size_bytes", "type": "integer" }, { "description": null, "name": "content_url", "type": "string" } ], "http": "GET", "id_source": "actual returned asset_id", "path": "/v1/media/assets/{asset_id}" }, "content": { "http": "GET", "path": "/v1/media/assets/{asset_id}/content", "range_header_supported": true, "url_source": "Use exact returned signed content_url including its token; do not construct a token." }, "expired_link": { "code": "link_expired", "http_status": 404, "recovery": "Read the asset again to obtain its refreshed signed content_url, then fetch that URL. Do not regenerate." }, "list": { "all_pages": "Follow every returned next_cursor, then select records by their actual task_id/output_key.", "http": "GET", "output_fields": [ { "description": null, "name": "object", "type": "string" }, { "description": null, "name": "data", "type": "asset[]" }, { "description": null, "name": "next_cursor", "type": "string|null" } ], "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "family", "required": false, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "cursor", "required": false, "type": "string" }, { "availability": "source_interface", "default": 20, "default_known": true, "enum": null, "enum_known": false, "maximum": 100, "minimum": 1, "name": "limit", "required": false, "type": "integer" } ], "path": "/v1/media/assets" }, "revoke": { "http": "DELETE", "meaning": "Revokes/deletes the existing owned file; this is not generation cancellation.", "path": "/v1/media/assets/{asset_id}", "pending_status": "revoking", "success_statuses": [ 202, 204 ] }, "task": { "http": "GET", "id_source": "actual returned task_id or media library record; operation_id is not task_id", "path": "/v1/media/tasks/{task_id}" } }, "operation_modes": [ "speech_to_text" ], "outputs": { "all_results": "Ohranite celoten JSON in ne samo besedila; ohranite vsak razpoložljivi segment/govorca/časovno oznako in dejansko identiteto opravila/sredstva.", "family": "transcription", "fields": [ { "description": null, "name": "text", "type": "string" }, { "description": null, "name": "segments[]", "type": "object" }, { "description": null, "name": "task_id", "type": "string" }, { "description": null, "name": "asset_url", "type": "string" }, { "description": null, "name": "usage", "type": "object" } ], "format": "json" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "openai/whisper-1" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "content_type": "multipart/form-data", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "file", "required": true, "type": "file" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "json" ], "enum_known": true, "name": "response_format", "required": false, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "input_audio.data", "required": true, "type": "base64_string", "when": "Vhod JSON za WhisperOR" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "wav", "mp3", "flac", "ogg", "m4a", "webm" ], "enum_known": true, "name": "input_audio.format", "required": true, "type": "string", "when": "Vhod JSON za WhisperOR" } ], "profile_binding": "Exact existing Ailoot model and method; interface constraints below do not assert provider qualification.", "unsupported": [ "unlistedtranscriptionoptions", "formatlabelthatdiffersfromactualbytes" ] }, "hints": [ "Uporabite dejanski posnetek in ustrezno obliko.", "Ohranite celoten prepis, segmente, ID-je govorcev in časovne podatke." ], "input": { "contours": [ { "content_types": [ "application/json", "multipart/form-data" ], "file_formats": [ "wav", "mp3", "flac", "ogg", "m4a", "webm" ], "required_json": [ "model", "input_audio.data", "input_audio.format" ], "required_multipart": [ "model", "file" ], "response_format_optional": [ "json" ] }, { "content_types": [ "multipart/form-data" ], "file_formats": [ "mp3" ], "required": [ "model", "file" ], "response_format_option": false } ], "material_types": [ "audio" ], "max_bytes": 26214400 }, "lifecycle": { "assets": [ { "http": "GET", "path": "/v1/media/assets" }, { "http": "GET", "path": "/v1/media/assets/{asset_id}" } ], "content": [ { "http": "GET", "path": "/v1/media/assets/{asset_id}/content", "url_source": "exact returned signed URL; never construct token" } ], "mode": "synchronous_result_then_owned_library", "operation_id_is_not_task_id": true, "status": [ { "http": "GET", "id_source": "Dejansko vrnjeni task_id ali zapis v medijski knjižnici", "path": "/v1/media/tasks/{task_id}" } ], "unknown": "Retain original operation_id/X-Client-Request-ID for reconciliation without resubmission; no dedicated audio poll route." }, "manufacturer_capability": null, "method": { "http": "POST", "path": "/v1/audio/transcriptions" }, "method_aliases": [], "operation_modes": [ "speech_to_text" ], "output": { "family": "transcription", "format": "json", "http_success": 200, "owned_result_fields_302": [ "task_id", "asset_url" ], "result": "owned complete JSON transcript" } }, "ctx": null, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "quoted_unit": "per input audio second" }, "label": "input audio second", "units": [ { "amount": "0.0002", "amount_unit": "usd_per_exact_native_unit", "billing_input": true, "estimate_only": false, "key": "audio_input_second", "label": "input audio second", "native_amount_usd_per_unit": "0.0002", "native_quantity": 1, "public_unit_label": "per input audio second", "quantity": 1, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_second" } ] } ], "declared_tariff_references": [ { "client_selectable": false, "key": "9f485f9d704ef2cd14f1", "label": "OpenAI: Whisper 1", "profiles": [ { "basis": "", "dimensions": { "conditions": "Privzeta konfiguracija" }, "label": "OpenAI: Whisper 1 · Privzeta konfiguracija", "units": [ { "amount": "0.0002", "amount_unit": "usd_per_exact_physical_unit", "billing_input": false, "key": "d4e53ea51572a9d8f9fcc8e4", "label": "Input audio seconds", "public_unit_label": "per input audio second", "quantity": "1", "rate_role": "declared_tariff_rate", "side": "in", "unit": "input_audio_second" } ] } ] } ], "examples": [ { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\n: \"${AILOOT_AUDIO_FILE:?Set the path to your actual MP3 recording}\"\nexport AILOOT_AUDIO_FILE\npython3 - <<'PY_REQUEST'\nimport os\nfrom pathlib import Path\np=Path(os.environ[\"AILOOT_AUDIO_FILE\"])\nif not p.is_file() or p.suffix.lower()!=\".mp3\":raise SystemExit(\"Choose an existing MP3 recording\")\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \\\n -H \"Authorization: Bearer $AILOOT_API_KEY\" \\\n --form-string model=openai/whisper-1 -F \"file=@$AILOOT_AUDIO_FILE\" \\\n -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path(\"result.json\").read_text())))\nPY_RESULT\n", "label": "curl", "language": "bash" }, { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \\\n -H \"Authorization: Bearer $AILOOT_API_KEY\" -o media-assets.json\n", "label": "List actual media assets", "language": "bash" }, { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\n: \"${AILOOT_MEDIA_TASK_ID:?Set the actual ID returned by the response or media-library metadata}\"\nexport AILOOT_MEDIA_TASK_ID\nresource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ[\"AILOOT_MEDIA_TASK_ID\"],safe=\"\"))')\ncurl --fail-with-body --silent --show-error \"https://api.ailoot.ai/v1/media/tasks/$resource_id\" \\\n -H \"Authorization: Bearer $AILOOT_API_KEY\" -o media-task.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path(\"media-task.json\").read_text())))\nPY_RESULT\n", "label": "Read actual media task", "language": "bash" }, { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\n: \"${AILOOT_ASSET_ID:?Set the actual ID returned by the response or media-library metadata}\"\nexport AILOOT_ASSET_ID\nresource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ[\"AILOOT_ASSET_ID\"],safe=\"\"))')\ncurl --fail-with-body --silent --show-error \"https://api.ailoot.ai/v1/media/assets/$resource_id\" \\\n -H \"Authorization: Bearer $AILOOT_API_KEY\" -o media-asset.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path(\"media-asset.json\").read_text())))\nPY_RESULT\n", "label": "Read actual asset metadata", "language": "bash" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "transcriptions", "hints": [ "Use actual recording and matching format.", "Preserve full transcript, segments, speaker IDs and timing." ], "http": "POST", "in": null, "input": [ "audio" ], "label": "Распознавание речи", "max_out": null, "max_reasoning_effort_multiplier": null, "method_aliases": [], "out": null, "output": [ "transcription" ], "path": "/v1/audio/transcriptions", "price_conditions": [ { "label": "Fast mode", "value": "Not specified", "when": "When fast mode is selected" }, { "label": "Flex mode", "value": "Not specified", "when": "When flex mode is selected" }, { "label": "Maximum reasoning effort", "value": "Not specified", "when": "When maximum reasoning effort uses the default adjustment" } ], "pricing": { "billing_mode": "per_request", "image_input_price": null, "image_output_price": null, "per_request_price": null, "unit_prices": { "audio_input_second": 0.0002 } }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "quoted_unit": "per input audio second" }, "label": "input audio second", "units": [ { "amount": "0.0002", "amount_unit": "usd_per_exact_native_unit", "billing_input": true, "estimate_only": false, "key": "audio_input_second", "label": "input audio second", "native_amount_usd_per_unit": "0.0002", "native_quantity": 1, "public_unit_label": "per input audio second", "quantity": 1, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_second" } ] } ], "request_model_id": "openai/whisper-1", "route_label": "Ultra", "status_reads": [ "GET /v1/media/tasks/{task_id}", "GET /v1/media/assets/{asset_id}/content" ], "tiers": [], "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" }, { "amount": "0.0002", "amount_unit": "usd_per_exact_native_unit", "billing_input": true, "estimate_only": false, "key": "audio_input_second", "label": "input audio second", "native_amount_usd_per_unit": "0.0002", "native_quantity": 1, "public_unit_label": "per input audio second", "quantity": 1, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_second" } ] } } ], "model_id": "openai/whisper-1", "nativeProvenance": { "input_facts_canonical_sha256": "26bd19f462cd5f016bdce34130a69271d81009f7df30aecd24013c92be3bea37", "input_html_sha256": "8fae9e4a3a31f84736b964216773914c80add8a6fb23a147bca2cbcb0c881bb4", "private_audit_sha256": "273558e0960036666f79d35a62e3f06f52eb78a8008d48bcb5d82e9882329af1", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/sl/openai-whisper-1/", "description": "Whisper 1 prepiše dokončano zvočno datoteko v besedilo z večjezičnim prepoznavanjem ter časovnimi oznakami besed ali segmentov. Proizvajalec podpira podnapisne formate in ločen potek prevoda v angleščino; rezultat prepisovanja ohrani jezik posnetka.", "locale": "sl", "md_url": "https://ailoot.ai/models/sl/openai-whisper-1/index.md", "title": "OpenAI: Whisper 1 — Ailoot", "url": "https://ailoot.ai/models/sl/openai-whisper-1/" }, "rawModel": { "about": "Whisper 1 je OpenAI-jev splošni model API za prepoznavanje govora, za katerega je dokumentirano, da temelji na odprtokodnem modelu Whisper V2. Sprejme zvočno datoteko in vrne besedilo. Razvijalec opisuje večjezično prepoznavanje, prepoznavanje jezika in ločeno nalogo prevajanja govora. Prepisovanje ohrani govorjeni jezik; proizvajalčev ločeni prevajalski vmesnik vrne angleško besedilo.\n\nUporabna aplikacija je priprava intervjuja, glasovnega zapiska ali posnetega pogovora za poznejše iskanje in urejanje. Posredujte dokončan posnetek in njegov vhodni jezik, če je znan. OpenAI dokumentira 98 podprtih jezikov in opozarja, da se natančnost prepoznavanja razlikuje glede na jezik. Namig za posamezni jezik uporablja kodo ISO 639-1; novejša polja za več jezikov in ključne besede pri drugih modelih prepisovanja so ločene nastavitve.\n\nProizvajalčev potek prepisovanja datotek sprejema datoteke do 25 MB v formatih MP3, MP4, MPEG, MPGA, M4A, WAV ali WebM. Za večji posnetek uporabite stisnjen format ali ga razdelite na dele znotraj omejitve. Ohranite stavčne meje in vrstni red delov, da sestavljeni prepis ostane povezan z izvirnim posnetkom. Videovsebnik za to nalogo prispeva svoj zvok, ne vnosa za opisovanje slike.\n\nNavodilo lahko posreduje imena, kratice ali besedišče, specifično za posnetek, ter kontekst iz predhodnega segmenta. Omejitev navodila Whisper je 224 žetonov, navodilo pa naj se ujema z jezikom zvoka. Razvijalec navaja, da Whisper ne sledi navodilom kot splošni besedilni model. Navodilo uporabite kot ustrezen kontekst prepisovanja, nato pa pomembne zapise preverite glede na posnetek, namesto da bi seznam izrazov obravnavali kot besede, ki jih je govorec nujno izrekel.\n\nProizvajalec dokumentira formate prepisovanja JSON, navadno besedilo, SRT, VTT in verbose JSON. Časovne oznake besed in segmentov zahtevajo verbose JSON; zahtevati je mogoče eno ali obe ravni podrobnosti. Referenca API opozarja, da časovne oznake segmentov ne dodajo zakasnitve, časovne oznake besed pa potrebujejo dodatno obdelavo. Ti izhodi podpirajo podnaslavljanje in iskanje odlomkov med urejanjem; oznake razločevanja govorcev pripadajo drugemu specializiranemu modelu.\n\nWhisper 1 ne podpira pretočnega prepisovanja datotek. Njegova referenca dokumentira tudi temperaturo vzorčenja med nič in ena; pri nič lahko model samodejno zviša temperaturo, kadar to zahtevajo njegovi pragovi dekodiranja. To opisuje proizvajalčeve nastavitve obdelave, ne obljube, da bo vsak posnetek ustvaril enak ali popolnoma natančen prepis.\n\nDoločite končni izdelek: prepis za iskanje, datoteko podnapisov ali besedilo s časovnimi podatki besed oziroma segmentov. Z rezultatom hranite izvirni posnetek, vrstni red delov in ustrezne časovne sklice na vir. Poznejši korak urejanja besedila lahko popravi napačen zapis ali pripravi povzetek, vendar spremembe primerjajte z zvokom, da ohranite govorčev pomen. Prepoznano besedilo postane dokaz za naslednjo nalogo, ne ustvarjen odgovor na izgovorjeno vprašanje.", "alias_of": null, "aliases": [], "author": "OpenAI", "available": null, "canonical_model": "openai/whisper-1", "capabilities": { "context_length": 0, "manufacturer_input": [ "audio" ], "manufacturer_output": [ "transcription" ] }, "card_routes": [ { "label": "Ultra", "rates": [ { "amount": "0.0002", "amount_unit": "usd_per_exact_native_unit", "billing_input": true, "estimate_only": false, "key": "audio_input_second", "label": "input audio second", "native_amount_usd_per_unit": "0.0002", "native_quantity": 1, "public_unit_label": "per input audio second", "quantity": 1, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_second" } ], "summary": "Celoten cenik konfiguracije je v podrobnostih." } ], "ctx": null, "entity_type": "model", "formats": [ "transcriptions" ], "id": "openai/whisper-1", "input": [ "audio" ], "kind": "transcription", "max_out": null, "methods": [ { "available": null, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Retain complete JSON, not only text; preserve every available segment/speaker/timestamp and actual task/asset identity.", "errors": [ { "code": null, "condition": "Neveljavna obvezna polja, predstavitev gradiva ali vrednost parametra", "http_status": 400, "recovery": "Pred novo zahtevo za ustvarjanje popravite navedena polja.", "type": "invalid_request_error" }, { "code": null, "condition": "Vrnjeni odgovor navaja, da je treba operacijo ali rezultat preveriti", "http_status": null, "recovery": "Shranite izvirni vrnjeni ID operacije/opravila, glave zahteve in odgovor; nadaljujte s podprtimi branji te izvirne operacije. Zahteve za ustvarjanje ne pošiljajte znova.", "type": "server_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "all_results": "Follow everyactualreturnedoutputandownedasset; no result is discardedbecauseindex0orcontent_urlalreadyexists.", "assets": [ { "http": "GET", "path": "/v1/media/assets" }, { "http": "GET", "path": "/v1/media/assets/{asset_id}" } ], "content": [ { "http": "GET", "path": "/v1/media/assets/{asset_id}/content", "url_source": "exact returned signed URL; never construct token" } ], "mode": "synchronous_result_then_owned_library", "operation_id_is_not_task_id": true, "status": [ { "http": "GET", "id_source": "actual returned task_id or media library record", "path": "/v1/media/tasks/{task_id}" } ], "unknown": "Shranite izvirni operation_id/X-Client-Request-ID za uskladitev evidenc brez ponovnega pošiljanja; namenska pot za periodično preverjanje zvoka ne obstaja." }, "limits": { "decoded_audio_max_bytes": 26214400 }, "material_combinations": [ { "content_types": [ "application/json", "multipart/form-data" ], "file_formats": [ "wav", "mp3", "flac", "ogg", "m4a", "webm" ], "required_json": [ "model", "input_audio.data", "input_audio.format" ], "required_multipart": [ "model", "file" ], "response_format_optional": [ "json" ] }, { "content_types": [ "multipart/form-data" ], "file_formats": [ "mp3" ], "required": [ "model", "file" ], "response_format_option": false } ], "media_library": { "asset": { "fields": [ { "description": null, "name": "asset_id", "type": "string" }, { "description": null, "name": "task_id", "type": "string" }, { "description": null, "name": "output_key", "type": "string" }, { "description": null, "name": "family", "type": "string" }, { "description": null, "name": "model", "type": "string" }, { "description": null, "name": "method", "type": "string" }, { "description": null, "name": "status", "type": "string" }, { "description": null, "name": "content_type", "type": "string" }, { "description": null, "name": "sha256", "type": "string" }, { "description": null, "name": "size_bytes", "type": "integer" }, { "description": null, "name": "content_url", "type": "string" } ], "http": "GET", "id_source": "actual returned asset_id", "path": "/v1/media/assets/{asset_id}" }, "content": { "http": "GET", "path": "/v1/media/assets/{asset_id}/content", "range_header_supported": true, "url_source": "Use exact returned signed content_url including its token; do not construct a token." }, "expired_link": { "code": "link_expired", "http_status": 404, "recovery": "Read the asset again to obtain its refreshed signed content_url, then fetch that URL. Do not regenerate." }, "list": { "all_pages": "Follow every returned next_cursor, then select records by their actual task_id/output_key.", "http": "GET", "output_fields": [ { "description": null, "name": "object", "type": "string" }, { "description": null, "name": "data", "type": "asset[]" }, { "description": null, "name": "next_cursor", "type": "string|null" } ], "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "family", "required": false, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "cursor", "required": false, "type": "string" }, { "availability": "source_interface", "default": 20, "default_known": true, "enum": null, "enum_known": false, "maximum": 100, "minimum": 1, "name": "limit", "required": false, "type": "integer" } ], "path": "/v1/media/assets" }, "revoke": { "http": "DELETE", "meaning": "Revokes/deletes the existing owned file; this is not generation cancellation.", "path": "/v1/media/assets/{asset_id}", "pending_status": "revoking", "success_statuses": [ 202, 204 ] }, "task": { "http": "GET", "id_source": "actual returned task_id or media library record; operation_id is not task_id", "path": "/v1/media/tasks/{task_id}" } }, "operation_modes": [ "speech_to_text" ], "outputs": { "all_results": "Ohranite celoten JSON in ne samo besedila; ohranite vsak razpoložljivi segment/govorca/časovno oznako in dejansko identiteto opravila/sredstva.", "family": "transcription", "fields": [ { "description": null, "name": "text", "type": "string" }, { "description": null, "name": "segments[]", "type": "object" }, { "description": null, "name": "task_id", "type": "string" }, { "description": null, "name": "asset_url", "type": "string" }, { "description": null, "name": "usage", "type": "object" } ], "format": "json" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "openai/whisper-1" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "content_type": "multipart/form-data", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "file", "required": true, "type": "file" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "json" ], "enum_known": true, "name": "response_format", "required": false, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "input_audio.data", "required": true, "type": "base64_string", "when": "Vhod JSON za WhisperOR" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "wav", "mp3", "flac", "ogg", "m4a", "webm" ], "enum_known": true, "name": "input_audio.format", "required": true, "type": "string", "when": "Vhod JSON za WhisperOR" } ], "profile_binding": "Exact existing Ailoot model and method; interface constraints below do not assert provider qualification.", "unsupported": [ "unlistedtranscriptionoptions", "formatlabelthatdiffersfromactualbytes" ] }, "hints": [ "Uporabite dejanski posnetek in ustrezno obliko.", "Ohranite celoten prepis, segmente, ID-je govorcev in časovne podatke." ], "input": { "contours": [ { "content_types": [ "application/json", "multipart/form-data" ], "file_formats": [ "wav", "mp3", "flac", "ogg", "m4a", "webm" ], "required_json": [ "model", "input_audio.data", "input_audio.format" ], "required_multipart": [ "model", "file" ], "response_format_optional": [ "json" ] }, { "content_types": [ "multipart/form-data" ], "file_formats": [ "mp3" ], "required": [ "model", "file" ], "response_format_option": false } ], "material_types": [ "audio" ], "max_bytes": 26214400 }, "lifecycle": { "assets": [ { "http": "GET", "path": "/v1/media/assets" }, { "http": "GET", "path": "/v1/media/assets/{asset_id}" } ], "content": [ { "http": "GET", "path": "/v1/media/assets/{asset_id}/content", "url_source": "exact returned signed URL; never construct token" } ], "mode": "synchronous_result_then_owned_library", "operation_id_is_not_task_id": true, "status": [ { "http": "GET", "id_source": "Dejansko vrnjeni task_id ali zapis v medijski knjižnici", "path": "/v1/media/tasks/{task_id}" } ], "unknown": "Retain original operation_id/X-Client-Request-ID for reconciliation without resubmission; no dedicated audio poll route." }, "manufacturer_capability": null, "method": { "http": "POST", "path": "/v1/audio/transcriptions" }, "method_aliases": [], "operation_modes": [ "speech_to_text" ], "output": { "family": "transcription", "format": "json", "http_success": 200, "owned_result_fields_302": [ "task_id", "asset_url" ], "result": "owned complete JSON transcript" } }, "ctx": null, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "quoted_unit": "per input audio second" }, "label": "input audio second", "units": [ { "amount": "0.0002", "amount_unit": "usd_per_exact_native_unit", "billing_input": true, "estimate_only": false, "key": "audio_input_second", "label": "input audio second", "native_amount_usd_per_unit": "0.0002", "native_quantity": 1, "public_unit_label": "per input audio second", "quantity": 1, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_second" } ] } ], "declared_tariff_references": [ { "client_selectable": false, "key": "9f485f9d704ef2cd14f1", "label": "OpenAI: Whisper 1", "profiles": [ { "basis": "", "dimensions": { "conditions": "Privzeta konfiguracija" }, "label": "OpenAI: Whisper 1 · Privzeta konfiguracija", "units": [ { "amount": "0.0002", "amount_unit": "usd_per_exact_physical_unit", "billing_input": false, "key": "d4e53ea51572a9d8f9fcc8e4", "label": "Input audio seconds", "public_unit_label": "per input audio second", "quantity": "1", "rate_role": "declared_tariff_rate", "side": "in", "unit": "input_audio_second" } ] } ] } ], "examples": [ { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\n: \"${AILOOT_AUDIO_FILE:?Set the path to your actual MP3 recording}\"\nexport AILOOT_AUDIO_FILE\npython3 - <<'PY_REQUEST'\nimport os\nfrom pathlib import Path\np=Path(os.environ[\"AILOOT_AUDIO_FILE\"])\nif not p.is_file() or p.suffix.lower()!=\".mp3\":raise SystemExit(\"Choose an existing MP3 recording\")\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \\\n -H \"Authorization: Bearer $AILOOT_API_KEY\" \\\n --form-string model=openai/whisper-1 -F \"file=@$AILOOT_AUDIO_FILE\" \\\n -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path(\"result.json\").read_text())))\nPY_RESULT\n", "label": "curl", "language": "bash" }, { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \\\n -H \"Authorization: Bearer $AILOOT_API_KEY\" -o media-assets.json\n", "label": "List actual media assets", "language": "bash" }, { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\n: \"${AILOOT_MEDIA_TASK_ID:?Set the actual ID returned by the response or media-library metadata}\"\nexport AILOOT_MEDIA_TASK_ID\nresource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ[\"AILOOT_MEDIA_TASK_ID\"],safe=\"\"))')\ncurl --fail-with-body --silent --show-error \"https://api.ailoot.ai/v1/media/tasks/$resource_id\" \\\n -H \"Authorization: Bearer $AILOOT_API_KEY\" -o media-task.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path(\"media-task.json\").read_text())))\nPY_RESULT\n", "label": "Read actual media task", "language": "bash" }, { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\n: \"${AILOOT_ASSET_ID:?Set the actual ID returned by the response or media-library metadata}\"\nexport AILOOT_ASSET_ID\nresource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ[\"AILOOT_ASSET_ID\"],safe=\"\"))')\ncurl --fail-with-body --silent --show-error \"https://api.ailoot.ai/v1/media/assets/$resource_id\" \\\n -H \"Authorization: Bearer $AILOOT_API_KEY\" -o media-asset.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path(\"media-asset.json\").read_text())))\nPY_RESULT\n", "label": "Read actual asset metadata", "language": "bash" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "transcriptions", "hints": [ "Use actual recording and matching format.", "Preserve full transcript, segments, speaker IDs and timing." ], "http": "POST", "in": null, "input": [ "audio" ], "label": "Распознавание речи", "max_out": null, "max_reasoning_effort_multiplier": null, "method_aliases": [], "out": null, "output": [ "transcription" ], "path": "/v1/audio/transcriptions", "price_conditions": [ { "label": "Fast mode", "value": "Not specified", "when": "When fast mode is selected" }, { "label": "Flex mode", "value": "Not specified", "when": "When flex mode is selected" }, { "label": "Maximum reasoning effort", "value": "Not specified", "when": "When maximum reasoning effort uses the default adjustment" } ], "pricing": { "billing_mode": "per_request", "image_input_price": null, "image_output_price": null, "per_request_price": null, "unit_prices": { "audio_input_second": 0.0002 } }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "quoted_unit": "per input audio second" }, "label": "input audio second", "units": [ { "amount": "0.0002", "amount_unit": "usd_per_exact_native_unit", "billing_input": true, "estimate_only": false, "key": "audio_input_second", "label": "input audio second", "native_amount_usd_per_unit": "0.0002", "native_quantity": 1, "public_unit_label": "per input audio second", "quantity": 1, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_second" } ] } ], "request_model_id": "openai/whisper-1", "route_label": "Ultra", "status_reads": [ "GET /v1/media/tasks/{task_id}", "GET /v1/media/assets/{asset_id}/content" ], "tiers": [], "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" }, { "amount": "0.0002", "amount_unit": "usd_per_exact_native_unit", "billing_input": true, "estimate_only": false, "key": "audio_input_second", "label": "input audio second", "native_amount_usd_per_unit": "0.0002", "native_quantity": 1, "public_unit_label": "per input audio second", "quantity": 1, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_second" } ] } ], "model_aliases": [ { "canonical_model_id": "openai/whisper-1", "request_model_id": "openai/whisper-1", "route_label": "Ultra" } ], "name": "OpenAI: Whisper 1", "price": { "in": null, "in_label": null, "out": null, "out_label": null, "sort_in": null, "sort_out": null, "varies": true }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Ultra", "units": [ { "amount": "0.0002", "amount_unit": "usd_per_declared_unit", "conditions": {}, "key": "prompt", "label": "prompt", "quantity": "1", "rate_role": "typed_active_maker_rate", "side": "in", "unit": "input_audio_second" } ] } ], "public_id": "openai/whisper-1", "short": "Whisper 1 prepiše dokončano zvočno datoteko v besedilo z večjezičnim prepoznavanjem ter časovnimi oznakami besed ali segmentov. Proizvajalec podpira podnapisne formate in ločen potek prevoda v angleščino; rezultat prepisovanja ohrani jezik posnetka." }, "renderer_schema": { "method_order": "Original DTO methods order; every exact route/format/path/caller survives.", "prices": "Original public DTO fields and original native display HTML; no flattened or normalized offers." }, "representation": "exact-public-dto-and-native-renderer-html", "representationNotes": { "current_reference": { "about_json_pointer": "/aboutHtml", "methods": [ { "contract_json_pointer": "/methods/0/rawMethod/contract", "html_json_pointer": "/methods/0/html", "method_ordinal": 0 } ], "role": "current-semantic-reference" }, "raw_input": { "examples_role": "historical-input-not-current-ready-examples", "json_pointers": [ "/rawModel", "/methods/0/rawMethod" ], "role": "historical-owner-input" }, "schema": "ailoot-native-model-representations-v1" }, "schema": "ailoot-static-model-facts-v1", "schema_version": 1, "shortText": "Whisper 1 prepiše dokončano zvočno datoteko v besedilo z večjezičnim prepoznavanjem ter časovnimi oznakami besed ali segmentov. Proizvajalec podpira podnapisne formate in ločen potek prevoda v angleščino; rezultat prepisovanja ohrani jezik posnetka.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "1badbd9248d8faac8c832388d8ad84b878b2033def94251c1af0cb5b1451ceb2", "renderer_sha256": "dcba2271c18b0f9570a8b166e8d1e3166f121e096a58609c3a46da31562a1bf2" }, "sourceRevision": "c9e2dca121fc3fee88c6b5a8e7170bd4a682e049941b3055ff8649919f9e02f0" }