Whisper large-v3-turbo, imenovan tudi Turbo, je optimizirani model za prepis podjetja OpenAI, izpeljan iz Whisper large-v3. Njegov dekodirnik je zmanjšan z 32 plasti na štiri, kodirnik pa ostaja pri 32 plasteh. Objavljeni model ima približno 809 milijonov parametrov. Proizvajalčev namen je hitrejše prepoznavanje govora z zmernim kompromisom pri natančnosti, ne drugačen način ustvarjanja zvoka. Vhod je posneti govor, rezultat pa prepoznano besedilo.
Objava izdaje razlikuje pripravo Turbo od posebej destiliranega modela Whisper: Turbo je bil dve dodatni epohi prilagajan na podatkih večjezičnega prepisa, brez podatkov za prevajanje. Ta razlika je pomembna za uporabo. Repozitorij podjetja OpenAI navaja, da Turbo ni naučen za prevajanje govora v drugih jezikih v angleščino in lahko vrne izvirni jezik tudi ob zahtevani prevajalski nalogi. To izdajo uporabite za prepis v istem jeziku; zahteva za prevod sodi k drugemu ustreznemu modelu ali ločenemu koraku po prepisu.
Prepoznavanje izvornega jezika in izrecna izbira jezika ostajata uporabni nastavitvi prepisa. Če je jezik posnetka že znan, ga navedite v navodilu; sicer ga lahko dokumentirani potek zazna. Pred zahtevo za uredniško čiščenje ohranite imena, količine in izgovorjene besede. Zapis sestanka, prepis intervjuja ali besedilo predavanja je nato mogoče v poznejši operaciji preiskovati, označevati ali povzeti. Naloge prepoznavanja Turbo ne zamenjujte s sintezo glasu, posnemanjem govorca ali pomensko presojo ljudi na posnetku.
OpenAI-jev nalagalnik zvoka vhodne datoteke dekodira v enokanalne vzorce pri 16 kHz, model pa uporablja 30-sekundno akustično okno s 128 frekvenčnimi pasovi Melove lestvice. Daljši posnetki zahtevajo obdelavo dolgega zvočnega zapisa. Zaporedna obdelava prehaja skozi okna po vrsti; pristop z deljenjem na odseke prepiše prekrivajoče se dele in jih združi na mejah. Kartica modela drugi pristop predstavlja kot uporaben pri obdelavi ene dolge datoteke, kadar je čas dokončanja glavna prednostna naloga, zaporedna obdelava pa je alternativa, usmerjena v natančnost. Niti okno niti ime modela ne določata fiksne največje velikosti datoteke za nalaganje v gostovani storitvi.
Natančna konfiguracija Turbo navaja 448 pozicij dekodirnika za eno dekodirno zaporedje. Dokumentirani potek lahko ob prepisu vključi časovne oznake odsekov ali besed; te podpirajo krmarjenje in poznejše oblikovanje podnapisov. To ne doda samodejno formata datoteke s podnapisi ali zanesljivih oznak govorcev. Navedite, ali potrebujete navaden prepis ali časovno označene odseke, izvirni posnetek pa ohranite dostopen za preverjanje spornih odlomkov. Obdelava dolgih posnetkov in končno oblikovanje sta ločena od identitete določene različice modela.
Turbo zmanjša obseg dekodiranja, dejanski potrebni čas pa je odvisen od strojne opreme, dolžine posnetka, jezika, hitrosti govora in nastavitev izvajanja modela. Proizvajalec pri nekaterih jezikih, vključno s tajščino in kantonščino, navaja večje poslabšanje kakovosti, ne enakega vedenja povsod. Primerjajte reprezentativen odlomek v predvidenem jeziku, preden kompromis v korist hitrosti obravnavate kot primeren za vse gradivo. Pri obdelavi arhiva v pregledni vzorec vključite zahtevno besedišče, premore in šumne ali prekrivajoče se odlomke, ne samo čistega uvodnega stavka.
Objavljena kartica navaja bistvene omejitve prepoznavanja Whisper: napovedano besedilo lahko vključuje neizgovorjene besede in lahko se pojavi ponavljajoče se besedilo. Rezultati se razlikujejo med jeziki, naglasi in narečji, zlasti pri omejeni zastopanosti v učnih podatkih. Kartica ne potrjuje diarizacije ali razvrščanja govorcev kot zanesljivih standardnih zmožnosti osnovnega modela. Praktični pregled se osredotoča na zvestobo viru: pomembna imena in številke, izpuščeni govor, nepričakovano besedilo med tišino in ponavljanje. Čitljiv prepis ostaja rezultat za primerjavo s posnetkom, ne jamstvo natančnega prepoznavanja.
Uporaben končni izdelek je prepis v izvornem jeziku z zahtevanimi časovnimi oznakami in jasno povezavo s posnetkom. Prepoznano različico ohranite ločeno od uredniško pripravljene različice za objavo, da bodo spremembe sledljive. Pri primerjavi izdaj ohranite ime large-v3-turbo: ne gre za polni model large-v3 in ne sme brez pojasnila prevzeti naloge prevajanja v angleščino modela large-v3. Ta identiteta modela z objavljenimi utežmi tudi ne prenaša omejitev nalaganja, oblik vrnjenih odgovorov ali obljub pretakanja v živo gostovane storitve whisper-1. Turbo izberite, kadar dokumentirani kompromis pri prepisu ustreza dejanskemu gradivu in želenemu času dokončanja.
", "aboutText": "Whisper large-v3-turbo, imenovan tudi Turbo, je optimizirani model za prepis podjetja OpenAI, izpeljan iz Whisper large-v3. Njegov dekodirnik je zmanjšan z 32 plasti na štiri, kodirnik pa ostaja pri 32 plasteh. Objavljeni model ima približno 809 milijonov parametrov. Proizvajalčev namen je hitrejše prepoznavanje govora z zmernim kompromisom pri natančnosti, ne drugačen način ustvarjanja zvoka. Vhod je posneti govor, rezultat pa prepoznano besedilo.\n\nObjava izdaje razlikuje pripravo Turbo od posebej destiliranega modela Whisper: Turbo je bil dve dodatni epohi prilagajan na podatkih večjezičnega prepisa, brez podatkov za prevajanje. Ta razlika je pomembna za uporabo. Repozitorij podjetja OpenAI navaja, da Turbo ni naučen za prevajanje govora v drugih jezikih v angleščino in lahko vrne izvirni jezik tudi ob zahtevani prevajalski nalogi. To izdajo uporabite za prepis v istem jeziku; zahteva za prevod sodi k drugemu ustreznemu modelu ali ločenemu koraku po prepisu.\n\nPrepoznavanje izvornega jezika in izrecna izbira jezika ostajata uporabni nastavitvi prepisa. Če je jezik posnetka že znan, ga navedite v navodilu; sicer ga lahko dokumentirani potek zazna. Pred zahtevo za uredniško čiščenje ohranite imena, količine in izgovorjene besede. Zapis sestanka, prepis intervjuja ali besedilo predavanja je nato mogoče v poznejši operaciji preiskovati, označevati ali povzeti. Naloge prepoznavanja Turbo ne zamenjujte s sintezo glasu, posnemanjem govorca ali pomensko presojo ljudi na posnetku.\n\nOpenAI-jev nalagalnik zvoka vhodne datoteke dekodira v enokanalne vzorce pri 16 kHz, model pa uporablja 30-sekundno akustično okno s 128 frekvenčnimi pasovi Melove lestvice. Daljši posnetki zahtevajo obdelavo dolgega zvočnega zapisa. Zaporedna obdelava prehaja skozi okna po vrsti; pristop z deljenjem na odseke prepiše prekrivajoče se dele in jih združi na mejah. Kartica modela drugi pristop predstavlja kot uporaben pri obdelavi ene dolge datoteke, kadar je čas dokončanja glavna prednostna naloga, zaporedna obdelava pa je alternativa, usmerjena v natančnost. Niti okno niti ime modela ne določata fiksne največje velikosti datoteke za nalaganje v gostovani storitvi.\n\nNatančna konfiguracija Turbo navaja 448 pozicij dekodirnika za eno dekodirno zaporedje. Dokumentirani potek lahko ob prepisu vključi časovne oznake odsekov ali besed; te podpirajo krmarjenje in poznejše oblikovanje podnapisov. To ne doda samodejno formata datoteke s podnapisi ali zanesljivih oznak govorcev. Navedite, ali potrebujete navaden prepis ali časovno označene odseke, izvirni posnetek pa ohranite dostopen za preverjanje spornih odlomkov. Obdelava dolgih posnetkov in končno oblikovanje sta ločena od identitete določene različice modela.\n\nTurbo zmanjša obseg dekodiranja, dejanski potrebni čas pa je odvisen od strojne opreme, dolžine posnetka, jezika, hitrosti govora in nastavitev izvajanja modela. Proizvajalec pri nekaterih jezikih, vključno s tajščino in kantonščino, navaja večje poslabšanje kakovosti, ne enakega vedenja povsod. Primerjajte reprezentativen odlomek v predvidenem jeziku, preden kompromis v korist hitrosti obravnavate kot primeren za vse gradivo. Pri obdelavi arhiva v pregledni vzorec vključite zahtevno besedišče, premore in šumne ali prekrivajoče se odlomke, ne samo čistega uvodnega stavka.\n\nObjavljena kartica navaja bistvene omejitve prepoznavanja Whisper: napovedano besedilo lahko vključuje neizgovorjene besede in lahko se pojavi ponavljajoče se besedilo. Rezultati se razlikujejo med jeziki, naglasi in narečji, zlasti pri omejeni zastopanosti v učnih podatkih. Kartica ne potrjuje diarizacije ali razvrščanja govorcev kot zanesljivih standardnih zmožnosti osnovnega modela. Praktični pregled se osredotoča na zvestobo viru: pomembna imena in številke, izpuščeni govor, nepričakovano besedilo med tišino in ponavljanje. Čitljiv prepis ostaja rezultat za primerjavo s posnetkom, ne jamstvo natančnega prepoznavanja.\n\nUporaben končni izdelek je prepis v izvornem jeziku z zahtevanimi časovnimi oznakami in jasno povezavo s posnetkom. Prepoznano različico ohranite ločeno od uredniško pripravljene različice za objavo, da bodo spremembe sledljive. Pri primerjavi izdaj ohranite ime large-v3-turbo: ne gre za polni model large-v3 in ne sme brez pojasnila prevzeti naloge prevajanja v angleščino modela large-v3. Ta identiteta modela z objavljenimi utežmi tudi ne prenaša omejitev nalaganja, oblik vrnjenih odgovorov ali obljub pretakanja v živo gostovane storitve whisper-1. Turbo izberite, kadar dokumentirani kompromis pri prepisu ustreza dejanskemu gradivu in želenemu času dokončanja.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "3e3d4ef9e55b569d410ab0c2555d64a03a01ede537863c61b1d2d16544ebd606", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "sl", "methods": [ { "html": "openai/whisper-large-v3-turboWhisper large-v3-turbo je OpenAI-jeva hitrejša izdaja za prepis z objavljenimi utežmi, izpeljana iz large-v3, s štirimi plastmi dekodirnika in 809 milijoni parametrov. Namenjena je večjezičnemu prepisu govora v besedilo; uradna proizvajalčeva dokumentacija iz naučene naloge Turbo izključuje prevajanje govora v angleščino.
Ta opis zajema zmožnosti modela. Vhodi, izhodi in možnosti, ki so na voljo v Ailoot, so spodaj navedeni za izbrano metodo.
Whisper large-v3-turbo, imenovan tudi Turbo, je optimizirani model za prepis podjetja OpenAI, izpeljan iz Whisper large-v3. Njegov dekodirnik je zmanjšan z 32 plasti na štiri, kodirnik pa ostaja pri 32 plasteh. Objavljeni model ima približno 809 milijonov parametrov. Proizvajalčev namen je hitrejše prepoznavanje govora z zmernim kompromisom pri natančnosti, ne drugačen način ustvarjanja zvoka. Vhod je posneti govor, rezultat pa prepoznano besedilo.
Objava izdaje razlikuje pripravo Turbo od posebej destiliranega modela Whisper: Turbo je bil dve dodatni epohi prilagajan na podatkih večjezičnega prepisa, brez podatkov za prevajanje. Ta razlika je pomembna za uporabo. Repozitorij podjetja OpenAI navaja, da Turbo ni naučen za prevajanje govora v drugih jezikih v angleščino in lahko vrne izvirni jezik tudi ob zahtevani prevajalski nalogi. To izdajo uporabite za prepis v istem jeziku; zahteva za prevod sodi k drugemu ustreznemu modelu ali ločenemu koraku po prepisu.
Prepoznavanje izvornega jezika in izrecna izbira jezika ostajata uporabni nastavitvi prepisa. Če je jezik posnetka že znan, ga navedite v navodilu; sicer ga lahko dokumentirani potek zazna. Pred zahtevo za uredniško čiščenje ohranite imena, količine in izgovorjene besede. Zapis sestanka, prepis intervjuja ali besedilo predavanja je nato mogoče v poznejši operaciji preiskovati, označevati ali povzeti. Naloge prepoznavanja Turbo ne zamenjujte s sintezo glasu, posnemanjem govorca ali pomensko presojo ljudi na posnetku.
OpenAI-jev nalagalnik zvoka vhodne datoteke dekodira v enokanalne vzorce pri 16 kHz, model pa uporablja 30-sekundno akustično okno s 128 frekvenčnimi pasovi Melove lestvice. Daljši posnetki zahtevajo obdelavo dolgega zvočnega zapisa. Zaporedna obdelava prehaja skozi okna po vrsti; pristop z deljenjem na odseke prepiše prekrivajoče se dele in jih združi na mejah. Kartica modela drugi pristop predstavlja kot uporaben pri obdelavi ene dolge datoteke, kadar je čas dokončanja glavna prednostna naloga, zaporedna obdelava pa je alternativa, usmerjena v natančnost. Niti okno niti ime modela ne določata fiksne največje velikosti datoteke za nalaganje v gostovani storitvi.
Natančna konfiguracija Turbo navaja 448 pozicij dekodirnika za eno dekodirno zaporedje. Dokumentirani potek lahko ob prepisu vključi časovne oznake odsekov ali besed; te podpirajo krmarjenje in poznejše oblikovanje podnapisov. To ne doda samodejno formata datoteke s podnapisi ali zanesljivih oznak govorcev. Navedite, ali potrebujete navaden prepis ali časovno označene odseke, izvirni posnetek pa ohranite dostopen za preverjanje spornih odlomkov. Obdelava dolgih posnetkov in končno oblikovanje sta ločena od identitete določene različice modela.
Turbo zmanjša obseg dekodiranja, dejanski potrebni čas pa je odvisen od strojne opreme, dolžine posnetka, jezika, hitrosti govora in nastavitev izvajanja modela. Proizvajalec pri nekaterih jezikih, vključno s tajščino in kantonščino, navaja večje poslabšanje kakovosti, ne enakega vedenja povsod. Primerjajte reprezentativen odlomek v predvidenem jeziku, preden kompromis v korist hitrosti obravnavate kot primeren za vse gradivo. Pri obdelavi arhiva v pregledni vzorec vključite zahtevno besedišče, premore in šumne ali prekrivajoče se odlomke, ne samo čistega uvodnega stavka.
Objavljena kartica navaja bistvene omejitve prepoznavanja Whisper: napovedano besedilo lahko vključuje neizgovorjene besede in lahko se pojavi ponavljajoče se besedilo. Rezultati se razlikujejo med jeziki, naglasi in narečji, zlasti pri omejeni zastopanosti v učnih podatkih. Kartica ne potrjuje diarizacije ali razvrščanja govorcev kot zanesljivih standardnih zmožnosti osnovnega modela. Praktični pregled se osredotoča na zvestobo viru: pomembna imena in številke, izpuščeni govor, nepričakovano besedilo med tišino in ponavljanje. Čitljiv prepis ostaja rezultat za primerjavo s posnetkom, ne jamstvo natančnega prepoznavanja.
Uporaben končni izdelek je prepis v izvornem jeziku z zahtevanimi časovnimi oznakami in jasno povezavo s posnetkom. Prepoznano različico ohranite ločeno od uredniško pripravljene različice za objavo, da bodo spremembe sledljive. Pri primerjavi izdaj ohranite ime large-v3-turbo: ne gre za polni model large-v3 in ne sme brez pojasnila prevzeti naloge prevajanja v angleščino modela large-v3. Ta identiteta modela z objavljenimi utežmi tudi ne prenaša omejitev nalaganja, oblik vrnjenih odgovorov ali obljub pretakanja v živo gostovane storitve whisper-1. Turbo izberite, kadar dokumentirani kompromis pri prepisu ustreza dejanskemu gradivu in želenemu času dokončanja.
POST /v1/audio/transcriptionsaudiotext| Polje | Vrsta | Zahteva | Vrednosti in omejitve | Privzeto |
|---|---|---|---|---|
Poljemodel | Vrstastring | ZahtevaObvezno | Vrednosti in omejitve openai/whisper-large-v3-turbo | Privzeto— |
Poljeinput_audio | Vrstaobject | ZahtevaObvezno | Vrednosti in omejitve | Privzeto— |
| Parameter | Specifikacija |
|---|---|
Parametercontent_type | Specifikacijaapplication/json |
Parameterrequired | Specifikacijamodel, input_audio |
Parametermaterial_types | Specifikacijaaudio |
Parametermaterial_conditions | SpecifikacijaPrimer prebere vašo dejansko neprazno datoteko PCM WAV, vse njene bajte kodira kot base64 in pošlje input_audio.format kot wav. |
Življenjski cikel: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · natančni task_id iz obstoječega zapisa medija v vaši lasti
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Tarifni podatki ne dodajajo možnosti zahteve. Podprti parametri so navedeni pri izbrani metodi.
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 |
| Nastavitevsekunda vhodnega zvoka | Cenovna lestvica— | Obračunska enotana sekundo vhodnega zvoka | Strošek Vhod · sekunda vhodnega zvoka $0.00000666 na sekundo vhodnega zvoka |
Ailoot pred zahtevo rezervira ocenjeni znesek. Po rezultatu obračuna končni strošek na podlagi izmerjene porabe. Obračun pretakanja uporablja končni zapis porabe. Kako delujeta rezervacija in obračun →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_AUDIO_FILE:?Set the path to your actual PCM WAV recording}"\nexport AILOOT_AUDIO_FILE\npython3 - <<'PY_REQUEST'\nimport base64, io, json, os, wave\nfrom pathlib import Path\naudio = Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()\nif not (audio[:4] == b'RIFF' and audio[8:12] == b'WAVE'):\n raise SystemExit('Supply your actual PCM WAV audio file')\nwith wave.open(io.BytesIO(audio), 'rb') as recording:\n if recording.getcomptype() != 'NONE' or recording.getnframes() <= 0:\n raise SystemExit('Supply a nonempty PCM WAV recording')\nrequest = {'model': 'openai/whisper-large-v3-turbo', 'input_audio': {'data': base64.b64encode(audio).decode('ascii'), 'format': 'wav'}}\nPath('request.json').write_text(json.dumps(request, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o response.bin\n# Retain the complete original response, headers and actual X-Client-Request-ID.\n# Read existing owned records for recovery; do not resubmit an uncertain operation.\nCelotno izvirno telo odgovora, stanje in posredovane glave. Ta obdelovalnik ne dodaja univerzalne strukture JSON, besedilnega polja ali ovoja opravila.
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}Shranite vsak v celoti vrnjen odgovor, datoteko in del vsebine.
Shranite celoten odgovor in glave, vse dejanske izhode, izvirne vrnjene identifikatorje in vsa polja s podatki o porabi. Pridobite podatke izvirne operacije brez ponovnega pošiljanja zahteve za ustvarjanje.
Ohranite dejanski X-Client-Request-ID in celoten odgovor. Berite prvotna sredstva v vaši lasti in njihove natančne podpisane URL-je vsebine; negotovega ustvarjanja nikoli ne oddajte znova.
| Polje | Vrsta |
|---|---|
Poljetext (when present) | Vrsta |
Poljeusage (when present) | Vrsta |
| Odgovor | Pogoj | Naslednji korak |
|---|---|---|
Odgovor400 · invalid_request_error | PogojTelo JSON ali izrecni kanonični ID modela ni veljaven. | Naslednji korakOhranite odgovor in popravite navedeno polje zahteve. |
Odgovor401 · authentication_error | PogojKljuč Ailoot API ni veljaven. | Naslednji korakUporabite svoj pooblaščeni ključ Ailoot API. |
Odgovor403 · permission_error | PogojSkupina ključa ne dovoljuje te metode. | Naslednji korakOhranite vrnjene podrobnosti napake. |
Odgovor404 · not_found_error | PogojIzbrana metoda nima dovoljene poti. | Naslednji korakOhranite vrnjene podrobnosti napake. |
Odgovor422 · price_unavailable | PogojSprejeta tarifa ne more pridobiti zahtevane vhodne količine ali meje. | Naslednji korakOhranite odgovor; uporabite vhodno predstavitev, ki jo zahteva sprejeta tarifa. |
Odgovor503 · | PogojZahtevana shramba, pot, cena metode ali rezervacija ni na voljo. | Naslednji korakOhranite celoten prvotni odgovor. Negotova rezervacija ne dovoljuje ponovne oddaje. |
Odgovor502 · server_error | PogojPrvotni rezultat, porabo ali obračun je treba preveriti. | Naslednji korakOhranite dejanski ID zahteve in prvotni odgovor. Berite obstoječi zapis v vaši lasti; ustvarjanja ne oddajte znova. |
Ailoot Ultra openai/whisper-large-v3-turbo
Uporabite zgoraj navedene poti metod.