{ "aboutHtml": "

Transcribe 1 Pro är Fish Audios tal-till-text-modell för korta klipp, samtal med flera talare och långa inspelningar. Den tar emot inspelat ljud och returnerar en transkription med valfria tidsangivelser och strukturerade talarturer. Dess särskilda egenskaper är talarbyten markerade i texten och markeringar för känslor eller vokala händelser, som bevarar mer av inspelningens samtalsstruktur än en ren följd av ord.

För en intervju, ett möte eller en podd bevaras hela samtalet i en fil så att återkommande talare kan behålla konsekventa etiketter inom svaret. Ett användbart granskningsunderlag är en transkription kopplad till originalinspelningen, med turerna visade separat och en tidsstämpel tillgänglig för att kontrollera ett citat. En sammanfattning eller åtgärdslista är ett efterföljande applikationssteg: håll den separat från transkriptionen så att den talade källan förblir tillgänglig för jämförelse.

Tillverkaren accepterar inspelningar på upp till 60 minuter och beskriver bearbetning av långa filer med komprimerat ljud som MP3, Opus eller AAC. Format som stöds är WAV, MP3, AAC i M4A eller MP4, FLAC, Ogg med Opus eller Vorbis, WebM/Matroska och MOV. För en videofil används det första ljudspåret. AIFF, CAF, WMA, AMR, AC-3 och rå PCM utan filhuvud stöds inte. En ljudfil anges per begäran; resultatet kommer efter att hela inspelningen har transkriberats, och en lång inspelning kan ta flera minuter. Klipp kortare än cirka 0,08 sekunder avvisas.

Tillverkarens svar innehåller hela texten, inspelningens längd i sekunder och en segments-array. Pro markerar talarbyten direkt i texten med etiketter som <|speaker:0|> och <|speaker:1|>; en etikett gäller den efterföljande texten fram till nästa markör. Dessa är identifierare inom ett svar, inte verifierade namn eller identiteter som kan matchas mellan begäranden. Om transkriptionen saknar talarmarkör behandlar guiden den som ett resultat med en talare. Behåll eventuell text före den första markören tillsammans med den första turen i stället för att kasta bort den.

Tidsstämplar på ordnivå är valfria. I tillverkarens begäran är ignore_timestamps som standard true; värdet false begär segment med text samt start- och sluttider i sekunder. Ett segment är i allmänhet ett ord, eller ett eller några få tecken på kinesiska och japanska. Segmenttexten utelämnar skiljetecken, talarmarkörer och händelsemarkeringar och kan normalisera ett uttalat värde annorlunda än den fullständiga transkriptionen. Ett ordsegment kan ha samma start- och sluttid. En tom segments-array kan betyda att tidsstämplar inte begärdes, att inget tal hittades eller att tidsangivelser tillfälligt var otillgängliga. Använd den fullständiga transkriptionen för läsbar ordalydelse och segmenten för tidsmässig justering i stället för att anta att båda strängarna matchar tecken för tecken.

Inställningen diarize är som standard auto. När tidsstämplar begärs och diarize inte är false returnerar Pro även speaker_turns. Varje tur innehåller sin talaretikett, text och start-/sluttider och bevarar skiljetecken och kvarvarande markeringar utan den infogade talarmarkören. Om ordtider saknas kan turernas tider vara ungefärliga och omfatta hela inspelningen; intilliggande turer följer inte nödvändigtvis direkt på varandra och kan överlappa. Om diarize inaktiveras tas den strukturerade turlistan bort, men talarmarkörerna finns kvar i hela texten. Ett känt antal talare, eller ett minsta och största antal, kan vägleda talarsepareringen för längre inspelningar efter bästa förmåga. Det exakta antalet kan inte kombineras med antalsgränserna, och antalsledtrådar kan inte användas när diarize är inaktiverat.

Markeringar för känslor och vokala händelser visas som text inom hakparenteser, exempelvis [laughter], tillsammans med det igenkända talet. De är slutsatser från ljudet, inte ord som användaren behöver lägga till före transkriberingen. Pros inställning tag_audio_events är som standard true; om den inaktiveras tas markeringarna bort från transkriptionen och turtexten utan att tidsangivelserna ändras. Det finns inget separat känslofält eller någon fast uppräkning av känslovärden. Bevara den annoterade transkriptionen när det spelar roll hur en kommentar låter, och använd en version utan markeringar när den efterföljande produkten bara behöver de talade orden.

Språket identifieras automatiskt. En valfri ISO 639-1-ledtråd med gemener tvingar inte fram översättning och ändrar inte Pros transkription. Om språket inte kan fastställas kan den returnerade språkkoden återspegla ledtråden utan att den verifieras mot ljudet. Tillverkaren rapporterar ett språk i stället för en förteckning över alla språk i en inspelning med blandade språk. Bevara den ursprungliga ordalydelsen och språkmetadata tillsammans när ett sökbart arkiv förbereds, särskilt när olika delar av ett samtal byter språk.

För undertexter grupperas på varandra följande tidsangivna ord till läsbara SRT- eller WebVTT-textblock i stället för att skapa en undertext per ord. Dela upp blocken vid pauser och välj deras längd och visningstid efter spelaren och publiken. Gränser mellan talarturer kan hålla olika talare i separata textblock. Kontrollera om tidsresultatet är tomt och att varje blocks sluttid är senare än dess starttid. Undertextformatering, namn för anonyma talaretiketter och eventuella senare sammanfattningar är applikationsprodukter som byggs från transkriptionsresultatet.

I ett praktiskt inspelningsflöde avgörs före transkriberingen om en vanlig läsbar transkription, annoterade samtalsturer eller tidsangivna undertexter behövs. Behåll ljudidentifieraren tillsammans med resultatet, bevara den returnerade fullständiga texten när skiljetecken och markeringar spelar roll och använd de strukturerade tidsfälten för navigering. Pros funktioner för långa inspelningar och flera talare är skilda från den allmänna Transcribe 1-modellen för korta inspelningar; deras gränser och reglage ska inte behandlas som utbytbara.

", "aboutText": "Transcribe 1 Pro är Fish Audios tal-till-text-modell för korta klipp, samtal med flera talare och långa inspelningar. Den tar emot inspelat ljud och returnerar en transkription med valfria tidsangivelser och strukturerade talarturer. Dess särskilda egenskaper är talarbyten markerade i texten och markeringar för känslor eller vokala händelser, som bevarar mer av inspelningens samtalsstruktur än en ren följd av ord.\n\nFör en intervju, ett möte eller en podd bevaras hela samtalet i en fil så att återkommande talare kan behålla konsekventa etiketter inom svaret. Ett användbart granskningsunderlag är en transkription kopplad till originalinspelningen, med turerna visade separat och en tidsstämpel tillgänglig för att kontrollera ett citat. En sammanfattning eller åtgärdslista är ett efterföljande applikationssteg: håll den separat från transkriptionen så att den talade källan förblir tillgänglig för jämförelse.\n\nTillverkaren accepterar inspelningar på upp till 60 minuter och beskriver bearbetning av långa filer med komprimerat ljud som MP3, Opus eller AAC. Format som stöds är WAV, MP3, AAC i M4A eller MP4, FLAC, Ogg med Opus eller Vorbis, WebM/Matroska och MOV. För en videofil används det första ljudspåret. AIFF, CAF, WMA, AMR, AC-3 och rå PCM utan filhuvud stöds inte. En ljudfil anges per begäran; resultatet kommer efter att hela inspelningen har transkriberats, och en lång inspelning kan ta flera minuter. Klipp kortare än cirka 0,08 sekunder avvisas.\n\nTillverkarens svar innehåller hela texten, inspelningens längd i sekunder och en segments-array. Pro markerar talarbyten direkt i texten med etiketter som <|speaker:0|> och <|speaker:1|>; en etikett gäller den efterföljande texten fram till nästa markör. Dessa är identifierare inom ett svar, inte verifierade namn eller identiteter som kan matchas mellan begäranden. Om transkriptionen saknar talarmarkör behandlar guiden den som ett resultat med en talare. Behåll eventuell text före den första markören tillsammans med den första turen i stället för att kasta bort den.\n\nTidsstämplar på ordnivå är valfria. I tillverkarens begäran är ignore_timestamps som standard true; värdet false begär segment med text samt start- och sluttider i sekunder. Ett segment är i allmänhet ett ord, eller ett eller några få tecken på kinesiska och japanska. Segmenttexten utelämnar skiljetecken, talarmarkörer och händelsemarkeringar och kan normalisera ett uttalat värde annorlunda än den fullständiga transkriptionen. Ett ordsegment kan ha samma start- och sluttid. En tom segments-array kan betyda att tidsstämplar inte begärdes, att inget tal hittades eller att tidsangivelser tillfälligt var otillgängliga. Använd den fullständiga transkriptionen för läsbar ordalydelse och segmenten för tidsmässig justering i stället för att anta att båda strängarna matchar tecken för tecken.\n\nInställningen diarize är som standard auto. När tidsstämplar begärs och diarize inte är false returnerar Pro även speaker_turns. Varje tur innehåller sin talaretikett, text och start-/sluttider och bevarar skiljetecken och kvarvarande markeringar utan den infogade talarmarkören. Om ordtider saknas kan turernas tider vara ungefärliga och omfatta hela inspelningen; intilliggande turer följer inte nödvändigtvis direkt på varandra och kan överlappa. Om diarize inaktiveras tas den strukturerade turlistan bort, men talarmarkörerna finns kvar i hela texten. Ett känt antal talare, eller ett minsta och största antal, kan vägleda talarsepareringen för längre inspelningar efter bästa förmåga. Det exakta antalet kan inte kombineras med antalsgränserna, och antalsledtrådar kan inte användas när diarize är inaktiverat.\n\nMarkeringar för känslor och vokala händelser visas som text inom hakparenteser, exempelvis [laughter], tillsammans med det igenkända talet. De är slutsatser från ljudet, inte ord som användaren behöver lägga till före transkriberingen. Pros inställning tag_audio_events är som standard true; om den inaktiveras tas markeringarna bort från transkriptionen och turtexten utan att tidsangivelserna ändras. Det finns inget separat känslofält eller någon fast uppräkning av känslovärden. Bevara den annoterade transkriptionen när det spelar roll hur en kommentar låter, och använd en version utan markeringar när den efterföljande produkten bara behöver de talade orden.\n\nSpråket identifieras automatiskt. En valfri ISO 639-1-ledtråd med gemener tvingar inte fram översättning och ändrar inte Pros transkription. Om språket inte kan fastställas kan den returnerade språkkoden återspegla ledtråden utan att den verifieras mot ljudet. Tillverkaren rapporterar ett språk i stället för en förteckning över alla språk i en inspelning med blandade språk. Bevara den ursprungliga ordalydelsen och språkmetadata tillsammans när ett sökbart arkiv förbereds, särskilt när olika delar av ett samtal byter språk.\n\nFör undertexter grupperas på varandra följande tidsangivna ord till läsbara SRT- eller WebVTT-textblock i stället för att skapa en undertext per ord. Dela upp blocken vid pauser och välj deras längd och visningstid efter spelaren och publiken. Gränser mellan talarturer kan hålla olika talare i separata textblock. Kontrollera om tidsresultatet är tomt och att varje blocks sluttid är senare än dess starttid. Undertextformatering, namn för anonyma talaretiketter och eventuella senare sammanfattningar är applikationsprodukter som byggs från transkriptionsresultatet.\n\nI ett praktiskt inspelningsflöde avgörs före transkriberingen om en vanlig läsbar transkription, annoterade samtalsturer eller tidsangivna undertexter behövs. Behåll ljudidentifieraren tillsammans med resultatet, bevara den returnerade fullständiga texten när skiljetecken och markeringar spelar roll och använd de strukturerade tidsfälten för navigering. Pros funktioner för långa inspelningar och flera talare är skilda från den allmänna Transcribe 1-modellen för korta inspelningar; deras gränser och reglage ska inte behandlas som utbytbara.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "1a1c850202811fc8ab9ae540d11ca024cfa3bf838f19587c105427627296a153", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "sv", "methods": [ { "html": "
•

Fish Audio: Transcribe 1 Pro

Fish Audio /fish-audio/transcribe-1-pro

Start

Transcribe 1 Pro omvandlar inspelningar på upp till 60 minuter till text med talarmarkörer och valfria tidsangivelser på ordnivå. Den bevarar markeringar för känslor och vokala händelser som härleds ur ljudet, vilket gör intervjuer, möten och poddar lättare att granska, söka i eller förbereda för undertextning.

Godkända indata
Ljud
Resultat
Text
Om modellen

Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.

Transcribe 1 Pro är Fish Audios tal-till-text-modell för korta klipp, samtal med flera talare och långa inspelningar. Den tar emot inspelat ljud och returnerar en transkription med valfria tidsangivelser och strukturerade talarturer. Dess särskilda egenskaper är talarbyten markerade i texten och markeringar för känslor eller vokala händelser, som bevarar mer av inspelningens samtalsstruktur än en ren följd av ord.

För en intervju, ett möte eller en podd bevaras hela samtalet i en fil så att återkommande talare kan behålla konsekventa etiketter inom svaret. Ett användbart granskningsunderlag är en transkription kopplad till originalinspelningen, med turerna visade separat och en tidsstämpel tillgänglig för att kontrollera ett citat. En sammanfattning eller åtgärdslista är ett efterföljande applikationssteg: håll den separat från transkriptionen så att den talade källan förblir tillgänglig för jämförelse.

Tillverkaren accepterar inspelningar på upp till 60 minuter och beskriver bearbetning av långa filer med komprimerat ljud som MP3, Opus eller AAC. Format som stöds är WAV, MP3, AAC i M4A eller MP4, FLAC, Ogg med Opus eller Vorbis, WebM/Matroska och MOV. För en videofil används det första ljudspåret. AIFF, CAF, WMA, AMR, AC-3 och rå PCM utan filhuvud stöds inte. En ljudfil anges per begäran; resultatet kommer efter att hela inspelningen har transkriberats, och en lång inspelning kan ta flera minuter. Klipp kortare än cirka 0,08 sekunder avvisas.

Tillverkarens svar innehåller hela texten, inspelningens längd i sekunder och en segments-array. Pro markerar talarbyten direkt i texten med etiketter som <|speaker:0|> och <|speaker:1|>; en etikett gäller den efterföljande texten fram till nästa markör. Dessa är identifierare inom ett svar, inte verifierade namn eller identiteter som kan matchas mellan begäranden. Om transkriptionen saknar talarmarkör behandlar guiden den som ett resultat med en talare. Behåll eventuell text före den första markören tillsammans med den första turen i stället för att kasta bort den.

Tidsstämplar på ordnivå är valfria. I tillverkarens begäran är ignore_timestamps som standard true; värdet false begär segment med text samt start- och sluttider i sekunder. Ett segment är i allmänhet ett ord, eller ett eller några få tecken på kinesiska och japanska. Segmenttexten utelämnar skiljetecken, talarmarkörer och händelsemarkeringar och kan normalisera ett uttalat värde annorlunda än den fullständiga transkriptionen. Ett ordsegment kan ha samma start- och sluttid. En tom segments-array kan betyda att tidsstämplar inte begärdes, att inget tal hittades eller att tidsangivelser tillfälligt var otillgängliga. Använd den fullständiga transkriptionen för läsbar ordalydelse och segmenten för tidsmässig justering i stället för att anta att båda strängarna matchar tecken för tecken.

Inställningen diarize är som standard auto. När tidsstämplar begärs och diarize inte är false returnerar Pro även speaker_turns. Varje tur innehåller sin talaretikett, text och start-/sluttider och bevarar skiljetecken och kvarvarande markeringar utan den infogade talarmarkören. Om ordtider saknas kan turernas tider vara ungefärliga och omfatta hela inspelningen; intilliggande turer följer inte nödvändigtvis direkt på varandra och kan överlappa. Om diarize inaktiveras tas den strukturerade turlistan bort, men talarmarkörerna finns kvar i hela texten. Ett känt antal talare, eller ett minsta och största antal, kan vägleda talarsepareringen för längre inspelningar efter bästa förmåga. Det exakta antalet kan inte kombineras med antalsgränserna, och antalsledtrådar kan inte användas när diarize är inaktiverat.

Markeringar för känslor och vokala händelser visas som text inom hakparenteser, exempelvis [laughter], tillsammans med det igenkända talet. De är slutsatser från ljudet, inte ord som användaren behöver lägga till före transkriberingen. Pros inställning tag_audio_events är som standard true; om den inaktiveras tas markeringarna bort från transkriptionen och turtexten utan att tidsangivelserna ändras. Det finns inget separat känslofält eller någon fast uppräkning av känslovärden. Bevara den annoterade transkriptionen när det spelar roll hur en kommentar låter, och använd en version utan markeringar när den efterföljande produkten bara behöver de talade orden.

Språket identifieras automatiskt. En valfri ISO 639-1-ledtråd med gemener tvingar inte fram översättning och ändrar inte Pros transkription. Om språket inte kan fastställas kan den returnerade språkkoden återspegla ledtråden utan att den verifieras mot ljudet. Tillverkaren rapporterar ett språk i stället för en förteckning över alla språk i en inspelning med blandade språk. Bevara den ursprungliga ordalydelsen och språkmetadata tillsammans när ett sökbart arkiv förbereds, särskilt när olika delar av ett samtal byter språk.

För undertexter grupperas på varandra följande tidsangivna ord till läsbara SRT- eller WebVTT-textblock i stället för att skapa en undertext per ord. Dela upp blocken vid pauser och välj deras längd och visningstid efter spelaren och publiken. Gränser mellan talarturer kan hålla olika talare i separata textblock. Kontrollera om tidsresultatet är tomt och att varje blocks sluttid är senare än dess starttid. Undertextformatering, namn för anonyma talaretiketter och eventuella senare sammanfattningar är applikationsprodukter som byggs från transkriptionsresultatet.

I ett praktiskt inspelningsflöde avgörs före transkriberingen om en vanlig läsbar transkription, annoterade samtalsturer eller tidsangivna undertexter behövs. Behåll ljudidentifieraren tillsammans med resultatet, bevara den returnerade fullständiga texten när skiljetecken och markeringar spelar roll och använd de strukturerade tidsfälten för navigering. Pros funktioner för långa inspelningar och flera talare är skilda från den allmänna Transcribe 1-modellen för korta inspelningar; deras gränser och reglage ska inte behandlas som utbytbara.

Tillgängligt i Ailoot · indata & metoder

Ailoot Ultra · Taligenkänning POST /v1/audio/transcriptions
Indatatyper
audio
Utdatatyper
text
Utdataformat
json
FältTypKravVärden & gränserStandard
FältmodelTypstringKravObligatorisktVärden & gränser
fish-audio/transcribe-1-pro
Standard—
Fältinput_audioTypobjectKravObligatorisktVärden & gränser
Exakta nycklar: data, format
Standard—
Fältinput_audio.dataTypbase64_stringKravObligatorisktVärden & gränser
Maximalt antal avkodade byte: 26 214 400
Strikt Base64: Ja
Standard—
Fältinput_audio.formatTypstringKravObligatorisktVärden & gränser
Villkor: Måste vara samma som formatet vid faktisk undersökning av filen
Standard—
Fältresponse_formatTypstringKravValfrittVärden & gränser
json
Standard—
Kombinationer av indatamaterial

speech_to_text · Krävs: input_audio.data, input_audio.format

Metodparametrar och livscykel
ParameterAvtal
Parametercontent_typeAvtalapplication/json
ParameterrequiredAvtalmodel, input_audio
Parameteradditional_propertiesAvtalfalse
ParameterparametersAvtal{"name":"model","type":"string","required":true,"enum":["fish-audio/transcribe-1-pro"]}, {"name":"input_audio","type":"object","required":true,"exact_keys":["data","format"],"data":"strikt base64 av faktiska ljudbyte som stöds","format":"det exakta filformat som filanalysen visar; måste stämma överens med filens faktiska byte"}, {"name":"response_format","type":"string","required":false,"enum":["json"]}
Parametermax_audio_bytesAvtal26214400
Parametermultipart_for_this_profileAvtalfalse
Parametermaterial_typesAvtalaudio

Livscykel: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · Det task_id som faktiskt returnerades eller en post i mediebiblioteket

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

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

Behåll hela svaret och de ursprungliga returnerade ID:na.

Skicka aldrig en oklar skapandebegäran igen.

Priser

Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.

Snabbt läge
Ej angivet När snabbt läge är valt
Flex-läge
Ej angivet När läget flex är valt
Högsta resonemangsnivå
Ej angivet När den högsta resonemangsnivån använder standardjusteringen (default)

Ailoot-priser

Priser efter konfiguration

Matcha varje avgift mot de visade villkoren. Använd ett pris för varje uppsättning alternativa konfigurationer.

KonfigurationPrislistaDebiteringsenhetAvgift
KonfigurationGrundpriser för tokenPrislistaGrundprisDebiteringsenhet—Avgift
Indata · Indatatoken — / 1K token
Utdata · Utdatatoken — / 1K token
Indata · Cacheläsning — / 1K token
Indata · Skrivning till cache — / 1K token
Indata · Skrivning till cache, 1 tim — / 1K token
Konfigurationsekund inkommande ljudPrislista—Debiteringsenhetper sekund indataljudAvgift
Indata · sekund inkommande ljud $0.0002 per sekund indataljud

Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →

Detaljer om referenstariffen

Referensprislistor på modellnivå ändrar inte metodval, prisuppgifter eller avgifter. Aktiva avgifter använder priserna för den valda Ailoot-metoden.

Fish Audio: Transcribe 1 Pro

Priser efter konfiguration

KonfigurationDebiteringsvillkorAvgift
KonfigurationFish Audio: Transcribe 1 Pro · StandardkonfigurationDebiteringsvillkorStandardkonfigurationAvgift
Indata · Sekunder inkommande ljud 0,0002 US$ per sekund indataljud

Exempelbegäranden

Ailoot Ultra · Taligenkänning

set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_AUDIO_FILE:?Set your actual audio file}"\n: "${AILOOT_AUDIO_FORMAT:?Set its actual probed file format}"\nexport AILOOT_AUDIO_FILE AILOOT_AUDIO_FORMAT\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "fish-audio/transcribe-1-pro", "response_format": "json"}')\nimport base64\nf=Path(os.environ['AILOOT_AUDIO_FILE'])\nraw=f.read_bytes()\nif not raw or len(raw)>26214400:raise SystemExit('Use actual audio bytes within 25 MiB')\nfmt=os.environ['AILOOT_AUDIO_FORMAT'].strip()\nif not fmt:raise SystemExit('Use the actual probed format; the server checks it against the bytes')\np['input_audio']={'data':base64.b64encode(raw).decode(),'format':fmt}\nPath('request.json').write_text(json.dumps(p,ensure_ascii=False))\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 result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path('result.json').read_text())\nprint(json.dumps(r,ensure_ascii=False,indent=2))\nprint('Keep the complete JSON and response headers; do not resubmit an unknown creation.')\nPY_RESULT\n

Ta emot och spara resultat

Ailoot Ultra · Taligenkänning

json

Behåll alla färdiga resultat

Behåll varje fullständigt returnerat svar, fil och innehållsdel.

Behåll hela JSON-svaret, svarshuvuden, text och varje faktiskt returnerat förbrukningsfält. Använd faktiska uppgifts- och tillgångsidentiteter från svaret eller biblioteket med dina tillgångar; operation_id är inte task_id.

Om det ursprungliga svaret behöver kontrolleras

Behåll de ursprungliga värdena för operation_id/X-Client-Request-ID för avstämning utan att skicka förfrågan igen; det finns ingen särskild rutt för statusavläsning av ljud.

Svarsfält
FältTypBetydelse
FälttextTypstringBetydelseTranskriberad text.
FältusageTypobjectBetydelseLjudförbrukning.
Fältusage.secondsTypnumberBetydelseLjudlängd i sekunder.
FältdurationTypnumberBetydelseLjudlängd i sekunder.
Fälttask_idTypstringBetydelseTranskriberingsuppgiftens ID; returneras med asset_url när en icke-tom transkribering lagras, publiceras och tilldelas en signerad URL till innehållet.
Fältasset_urlTypstringBetydelseSignerad URL till transkriberingens innehåll; returneras med task_id när en icke-tom transkribering lagras, publiceras och tilldelas en signerad URL till innehållet.
Fel och nästa steg
SvarVillkorNästa steg
Svar400 · invalid_request_errorVillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärdeNästa stegKorrigera de angivna fälten före en ny begäran om att skapa.
Svarserver_errorVillkorDet returnerade svaret anger att operationen eller resultatet behöver kontrollerasNästa stegSpara det ursprungliga operations- eller uppgifts-ID som returnerades, förfrågans headers och svaret. Fortsätt att läsa den ursprungliga operationen med de läsmetoder som stöds. Skicka inte skapandeförfrågan igen.

Alias

Modellalias

Ailoot Ultra fish-audio/transcribe-1-pro

Alias för metodsökvägar

Använd metodsökvägarna som visas ovan.

Relaterade anropar-ID:n

fish-audio/transcribe-1-pro

", "method_identity": { "effective_request_model_id": "fish-audio/transcribe-1-pro", "fmt": "transcriptions", "http": "POST", "path": "/v1/audio/transcriptions", "request_model_id": "fish-audio/transcribe-1-pro", "route_label": "Ultra" }, "method_key": "Ultra|transcriptions|/v1/audio/transcriptions|fish-audio%2Ftranscribe-1-pro", "ordinal": 0, "rawMethod": { "available": null, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Keep the complete JSON, response headers, text and every actual returned usage field. Use actual task/asset identities from the response or owned library; operation_id is not task_id.", "errors": [ { "code": null, "condition": "Ogiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde", "http_status": 400, "recovery": "Korrigera de angivna fälten före en ny begäran om att skapa.", "type": "invalid_request_error" }, { "code": null, "condition": "Det returnerade svaret anger att operationen eller resultatet behöver kontrolleras", "http_status": null, "recovery": "Spara det ursprungliga operations- eller uppgifts-ID som returnerades, förfrågans headers och svaret. Fortsätt att läsa den ursprungliga operationen med de läsmetoder som stöds. Skicka inte skapandeförfrågan igen.", "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": "Behåll de ursprungliga värdena för operation_id/X-Client-Request-ID för avstämning utan att skicka förfrågan igen; det finns ingen särskild rutt för statusavläsning av ljud." }, "limits": { "decoded_audio_max_bytes": 26214400 }, "material_combinations": [ { "content_type": "application/json", "mode": "speech_to_text", "required": [ "input_audio.data", "input_audio.format" ] } ], "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": "Behåll hela JSON-svaret, svarshuvuden, text och varje faktiskt returnerat förbrukningsfält. Använd faktiska uppgifts- och tillgångsidentiteter från svaret eller biblioteket med dina tillgångar; operation_id är inte task_id.", "family": "transcription", "fields": [ { "description": "Transkriberad text.", "name": "text", "required": true, "required_known": true, "type": "string" }, { "description": "Ljudförbrukning.", "name": "usage", "required": true, "required_known": true, "type": "object" }, { "description": "Ljudlängd i sekunder.", "name": "usage.seconds", "required": true, "required_known": true, "type": "number" }, { "description": "Ljudlängd i sekunder.", "name": "duration", "required": true, "required_known": true, "type": "number" }, { "description": "Transkriberingsuppgiftens ID; returneras med asset_url när en icke-tom transkribering lagras, publiceras och tilldelas en signerad URL till innehållet.", "name": "task_id", "required": false, "required_known": true, "type": "string" }, { "description": "Signerad URL till transkriberingens innehåll; returneras med task_id när en icke-tom transkribering lagras, publiceras och tilldelas en signerad URL till innehållet.", "name": "asset_url", "required": false, "required_known": true, "type": "string" } ], "format": "json" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "fish-audio/transcribe-1-pro" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "exact_keys": [ "data", "format" ], "name": "input_audio", "required": true, "type": "object" }, { "availability": "source_interface", "decoded_maximum_bytes": 26214400, "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "input_audio.data", "required": true, "strict_base64": true, "type": "base64_string" }, { "availability": "source_interface", "conditions": "Måste vara samma som formatet vid faktisk undersökning av filen", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "input_audio.format", "required": true, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "json" ], "enum_known": true, "name": "response_format", "required": false, "type": "string" } ], "profile_binding": "Exact existing Ailoot model and method; interface constraints below do not assert provider qualification.", "unsupported": [ "multipart input on this exact profile", "fields outside model/input_audio/response_format", "non-json response format" ] }, "hints": [ "Behåll hela svaret och de ursprungliga returnerade ID:na.", "Skicka aldrig en oklar skapandebegäran igen." ], "input": { "additional_properties": false, "content_type": "application/json", "material_types": [ "audio" ], "max_audio_bytes": 26214400, "multipart_for_this_profile": false, "parameters": [ { "enum": [ "fish-audio/transcribe-1-pro" ], "name": "model", "required": true, "type": "string" }, { "data": "strikt base64 av faktiska ljudbyte som stöds", "exact_keys": [ "data", "format" ], "format": "det exakta filformat som filanalysen visar; måste stämma överens med filens faktiska byte", "name": "input_audio", "required": true, "type": "object" }, { "enum": [ "json" ], "name": "response_format", "required": false, "type": "string" } ], "required": [ "model", "input_audio" ] }, "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": "Det task_id som faktiskt returnerades eller en post i mediebiblioteket", "path": "/v1/media/tasks/{task_id}" } ], "unknown": "Retain original operation_id/X-Client-Request-ID for reconciliation without resubmission; no dedicated audio poll route." }, "method": { "http": "POST", "path": "/v1/audio/transcriptions" }, "method_aliases": [], "operation_modes": [ "speech_to_text" ], "output": { "family": "text", "type": "JSON transcript with text and usage; actual owned transcript flow" } }, "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" } ] } ], "examples": [ { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\n: \"${AILOOT_AUDIO_FILE:?Set your actual audio file}\"\n: \"${AILOOT_AUDIO_FORMAT:?Set its actual probed file format}\"\nexport AILOOT_AUDIO_FILE AILOOT_AUDIO_FORMAT\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{\"model\": \"fish-audio/transcribe-1-pro\", \"response_format\": \"json\"}')\nimport base64\nf=Path(os.environ['AILOOT_AUDIO_FILE'])\nraw=f.read_bytes()\nif not raw or len(raw)>26214400:raise SystemExit('Use actual audio bytes within 25 MiB')\nfmt=os.environ['AILOOT_AUDIO_FORMAT'].strip()\nif not fmt:raise SystemExit('Use the actual probed format; the server checks it against the bytes')\np['input_audio']={'data':base64.b64encode(raw).decode(),'format':fmt}\nPath('request.json').write_text(json.dumps(p,ensure_ascii=False))\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 result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path('result.json').read_text())\nprint(json.dumps(r,ensure_ascii=False,indent=2))\nprint('Keep the complete JSON and response headers; do not resubmit an unknown creation.')\nPY_RESULT\n", "label": "curl · actual audio bytes and probed format", "language": "bash" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "transcriptions", "hints": [ "Keep the complete response and the original returned IDs.", "Never resubmit an unknown creation." ], "http": "POST", "in": null, "input": [ "audio" ], "label": "Распознавание речи", "max_out": null, "max_reasoning_effort_multiplier": null, "method_aliases": [], "out": null, "output": [ "text" ], "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": "fish-audio/transcribe-1-pro", "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": "fish-audio/transcribe-1-pro", "nativeProvenance": { "input_facts_canonical_sha256": "195f1d10303be6faad1a63b785b589381223e0735ba450beadd93e6e34f45a96", "input_html_sha256": "4600b360e7141bd01917527149869258b8774db156028b45b95d6d4a4784a076", "private_audit_sha256": "74f0bfb741b78712f5ae5b0c7dfdeac282ad6149bc9dd0726e4b10f0a9ae5b9e", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/sv/fish-audio-transcribe-1-pro/", "description": "Transcribe 1 Pro omvandlar inspelningar på upp till 60 minuter till text med talarmarkörer och valfria tidsangivelser på ordnivå. Den bevarar markeringar för känslor och vokala händelser som härleds ur ljudet, vilket gör intervjuer, möten och poddar lättare att granska, söka i eller förbereda för undertextning.", "locale": "sv", "md_url": "https://ailoot.ai/models/sv/fish-audio-transcribe-1-pro/index.md", "title": "Fish Audio: Transcribe 1 Pro — Ailoot", "url": "https://ailoot.ai/models/sv/fish-audio-transcribe-1-pro/" }, "rawModel": { "about": "Transcribe 1 Pro är Fish Audios tal-till-text-modell för korta klipp, samtal med flera talare och långa inspelningar. Den tar emot inspelat ljud och returnerar en transkription med valfria tidsangivelser och strukturerade talarturer. Dess särskilda egenskaper är talarbyten markerade i texten och markeringar för känslor eller vokala händelser, som bevarar mer av inspelningens samtalsstruktur än en ren följd av ord.\n\nFör en intervju, ett möte eller en podd bevaras hela samtalet i en fil så att återkommande talare kan behålla konsekventa etiketter inom svaret. Ett användbart granskningsunderlag är en transkription kopplad till originalinspelningen, med turerna visade separat och en tidsstämpel tillgänglig för att kontrollera ett citat. En sammanfattning eller åtgärdslista är ett efterföljande applikationssteg: håll den separat från transkriptionen så att den talade källan förblir tillgänglig för jämförelse.\n\nTillverkaren accepterar inspelningar på upp till 60 minuter och beskriver bearbetning av långa filer med komprimerat ljud som MP3, Opus eller AAC. Format som stöds är WAV, MP3, AAC i M4A eller MP4, FLAC, Ogg med Opus eller Vorbis, WebM/Matroska och MOV. För en videofil används det första ljudspåret. AIFF, CAF, WMA, AMR, AC-3 och rå PCM utan filhuvud stöds inte. En ljudfil anges per begäran; resultatet kommer efter att hela inspelningen har transkriberats, och en lång inspelning kan ta flera minuter. Klipp kortare än cirka 0,08 sekunder avvisas.\n\nTillverkarens svar innehåller hela texten, inspelningens längd i sekunder och en segments-array. Pro markerar talarbyten direkt i texten med etiketter som <|speaker:0|> och <|speaker:1|>; en etikett gäller den efterföljande texten fram till nästa markör. Dessa är identifierare inom ett svar, inte verifierade namn eller identiteter som kan matchas mellan begäranden. Om transkriptionen saknar talarmarkör behandlar guiden den som ett resultat med en talare. Behåll eventuell text före den första markören tillsammans med den första turen i stället för att kasta bort den.\n\nTidsstämplar på ordnivå är valfria. I tillverkarens begäran är ignore_timestamps som standard true; värdet false begär segment med text samt start- och sluttider i sekunder. Ett segment är i allmänhet ett ord, eller ett eller några få tecken på kinesiska och japanska. Segmenttexten utelämnar skiljetecken, talarmarkörer och händelsemarkeringar och kan normalisera ett uttalat värde annorlunda än den fullständiga transkriptionen. Ett ordsegment kan ha samma start- och sluttid. En tom segments-array kan betyda att tidsstämplar inte begärdes, att inget tal hittades eller att tidsangivelser tillfälligt var otillgängliga. Använd den fullständiga transkriptionen för läsbar ordalydelse och segmenten för tidsmässig justering i stället för att anta att båda strängarna matchar tecken för tecken.\n\nInställningen diarize är som standard auto. När tidsstämplar begärs och diarize inte är false returnerar Pro även speaker_turns. Varje tur innehåller sin talaretikett, text och start-/sluttider och bevarar skiljetecken och kvarvarande markeringar utan den infogade talarmarkören. Om ordtider saknas kan turernas tider vara ungefärliga och omfatta hela inspelningen; intilliggande turer följer inte nödvändigtvis direkt på varandra och kan överlappa. Om diarize inaktiveras tas den strukturerade turlistan bort, men talarmarkörerna finns kvar i hela texten. Ett känt antal talare, eller ett minsta och största antal, kan vägleda talarsepareringen för längre inspelningar efter bästa förmåga. Det exakta antalet kan inte kombineras med antalsgränserna, och antalsledtrådar kan inte användas när diarize är inaktiverat.\n\nMarkeringar för känslor och vokala händelser visas som text inom hakparenteser, exempelvis [laughter], tillsammans med det igenkända talet. De är slutsatser från ljudet, inte ord som användaren behöver lägga till före transkriberingen. Pros inställning tag_audio_events är som standard true; om den inaktiveras tas markeringarna bort från transkriptionen och turtexten utan att tidsangivelserna ändras. Det finns inget separat känslofält eller någon fast uppräkning av känslovärden. Bevara den annoterade transkriptionen när det spelar roll hur en kommentar låter, och använd en version utan markeringar när den efterföljande produkten bara behöver de talade orden.\n\nSpråket identifieras automatiskt. En valfri ISO 639-1-ledtråd med gemener tvingar inte fram översättning och ändrar inte Pros transkription. Om språket inte kan fastställas kan den returnerade språkkoden återspegla ledtråden utan att den verifieras mot ljudet. Tillverkaren rapporterar ett språk i stället för en förteckning över alla språk i en inspelning med blandade språk. Bevara den ursprungliga ordalydelsen och språkmetadata tillsammans när ett sökbart arkiv förbereds, särskilt när olika delar av ett samtal byter språk.\n\nFör undertexter grupperas på varandra följande tidsangivna ord till läsbara SRT- eller WebVTT-textblock i stället för att skapa en undertext per ord. Dela upp blocken vid pauser och välj deras längd och visningstid efter spelaren och publiken. Gränser mellan talarturer kan hålla olika talare i separata textblock. Kontrollera om tidsresultatet är tomt och att varje blocks sluttid är senare än dess starttid. Undertextformatering, namn för anonyma talaretiketter och eventuella senare sammanfattningar är applikationsprodukter som byggs från transkriptionsresultatet.\n\nI ett praktiskt inspelningsflöde avgörs före transkriberingen om en vanlig läsbar transkription, annoterade samtalsturer eller tidsangivna undertexter behövs. Behåll ljudidentifieraren tillsammans med resultatet, bevara den returnerade fullständiga texten när skiljetecken och markeringar spelar roll och använd de strukturerade tidsfälten för navigering. Pros funktioner för långa inspelningar och flera talare är skilda från den allmänna Transcribe 1-modellen för korta inspelningar; deras gränser och reglage ska inte behandlas som utbytbara.", "alias_of": null, "aliases": [], "author": "Fish Audio", "available": null, "canonical_model": "fish-audio/transcribe-1-pro", "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": "Fullständig prissättning för konfigurationen finns i detaljerna." } ], "ctx": null, "declared_tariff_references": [ { "client_selectable": false, "key": "aeebfac63d7ddd8619fb", "label": "Fish Audio: Transcribe 1 Pro", "profiles": [ { "basis": "", "dimensions": { "conditions": "Standardkonfiguration" }, "label": "Fish Audio: Transcribe 1 Pro · Standardkonfiguration", "units": [ { "amount": "0.0002", "amount_unit": "usd_per_exact_physical_unit", "billing_input": false, "key": "0949942d98ce2e4c35b418d6", "label": "Input audio seconds", "public_unit_label": "per input audio second", "quantity": "1", "rate_role": "declared_tariff_rate", "side": "in", "unit": "input_audio_second" } ] } ] } ], "entity_type": "model", "formats": [ "transcriptions" ], "id": "fish-audio/transcribe-1-pro", "input": [ "audio" ], "kind": "transcription", "max_out": null, "methods": [ { "available": null, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Keep the complete JSON, response headers, text and every actual returned usage field. Use actual task/asset identities from the response or owned library; operation_id is not task_id.", "errors": [ { "code": null, "condition": "Ogiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde", "http_status": 400, "recovery": "Korrigera de angivna fälten före en ny begäran om att skapa.", "type": "invalid_request_error" }, { "code": null, "condition": "Det returnerade svaret anger att operationen eller resultatet behöver kontrolleras", "http_status": null, "recovery": "Spara det ursprungliga operations- eller uppgifts-ID som returnerades, förfrågans headers och svaret. Fortsätt att läsa den ursprungliga operationen med de läsmetoder som stöds. Skicka inte skapandeförfrågan igen.", "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": "Behåll de ursprungliga värdena för operation_id/X-Client-Request-ID för avstämning utan att skicka förfrågan igen; det finns ingen särskild rutt för statusavläsning av ljud." }, "limits": { "decoded_audio_max_bytes": 26214400 }, "material_combinations": [ { "content_type": "application/json", "mode": "speech_to_text", "required": [ "input_audio.data", "input_audio.format" ] } ], "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": "Behåll hela JSON-svaret, svarshuvuden, text och varje faktiskt returnerat förbrukningsfält. Använd faktiska uppgifts- och tillgångsidentiteter från svaret eller biblioteket med dina tillgångar; operation_id är inte task_id.", "family": "transcription", "fields": [ { "description": "Transkriberad text.", "name": "text", "required": true, "required_known": true, "type": "string" }, { "description": "Ljudförbrukning.", "name": "usage", "required": true, "required_known": true, "type": "object" }, { "description": "Ljudlängd i sekunder.", "name": "usage.seconds", "required": true, "required_known": true, "type": "number" }, { "description": "Ljudlängd i sekunder.", "name": "duration", "required": true, "required_known": true, "type": "number" }, { "description": "Transkriberingsuppgiftens ID; returneras med asset_url när en icke-tom transkribering lagras, publiceras och tilldelas en signerad URL till innehållet.", "name": "task_id", "required": false, "required_known": true, "type": "string" }, { "description": "Signerad URL till transkriberingens innehåll; returneras med task_id när en icke-tom transkribering lagras, publiceras och tilldelas en signerad URL till innehållet.", "name": "asset_url", "required": false, "required_known": true, "type": "string" } ], "format": "json" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "fish-audio/transcribe-1-pro" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "exact_keys": [ "data", "format" ], "name": "input_audio", "required": true, "type": "object" }, { "availability": "source_interface", "decoded_maximum_bytes": 26214400, "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "input_audio.data", "required": true, "strict_base64": true, "type": "base64_string" }, { "availability": "source_interface", "conditions": "Måste vara samma som formatet vid faktisk undersökning av filen", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "input_audio.format", "required": true, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "json" ], "enum_known": true, "name": "response_format", "required": false, "type": "string" } ], "profile_binding": "Exact existing Ailoot model and method; interface constraints below do not assert provider qualification.", "unsupported": [ "multipart input on this exact profile", "fields outside model/input_audio/response_format", "non-json response format" ] }, "hints": [ "Behåll hela svaret och de ursprungliga returnerade ID:na.", "Skicka aldrig en oklar skapandebegäran igen." ], "input": { "additional_properties": false, "content_type": "application/json", "material_types": [ "audio" ], "max_audio_bytes": 26214400, "multipart_for_this_profile": false, "parameters": [ { "enum": [ "fish-audio/transcribe-1-pro" ], "name": "model", "required": true, "type": "string" }, { "data": "strikt base64 av faktiska ljudbyte som stöds", "exact_keys": [ "data", "format" ], "format": "det exakta filformat som filanalysen visar; måste stämma överens med filens faktiska byte", "name": "input_audio", "required": true, "type": "object" }, { "enum": [ "json" ], "name": "response_format", "required": false, "type": "string" } ], "required": [ "model", "input_audio" ] }, "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": "Det task_id som faktiskt returnerades eller en post i mediebiblioteket", "path": "/v1/media/tasks/{task_id}" } ], "unknown": "Retain original operation_id/X-Client-Request-ID for reconciliation without resubmission; no dedicated audio poll route." }, "method": { "http": "POST", "path": "/v1/audio/transcriptions" }, "method_aliases": [], "operation_modes": [ "speech_to_text" ], "output": { "family": "text", "type": "JSON transcript with text and usage; actual owned transcript flow" } }, "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" } ] } ], "examples": [ { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\n: \"${AILOOT_AUDIO_FILE:?Set your actual audio file}\"\n: \"${AILOOT_AUDIO_FORMAT:?Set its actual probed file format}\"\nexport AILOOT_AUDIO_FILE AILOOT_AUDIO_FORMAT\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{\"model\": \"fish-audio/transcribe-1-pro\", \"response_format\": \"json\"}')\nimport base64\nf=Path(os.environ['AILOOT_AUDIO_FILE'])\nraw=f.read_bytes()\nif not raw or len(raw)>26214400:raise SystemExit('Use actual audio bytes within 25 MiB')\nfmt=os.environ['AILOOT_AUDIO_FORMAT'].strip()\nif not fmt:raise SystemExit('Use the actual probed format; the server checks it against the bytes')\np['input_audio']={'data':base64.b64encode(raw).decode(),'format':fmt}\nPath('request.json').write_text(json.dumps(p,ensure_ascii=False))\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 result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path('result.json').read_text())\nprint(json.dumps(r,ensure_ascii=False,indent=2))\nprint('Keep the complete JSON and response headers; do not resubmit an unknown creation.')\nPY_RESULT\n", "label": "curl · actual audio bytes and probed format", "language": "bash" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "transcriptions", "hints": [ "Keep the complete response and the original returned IDs.", "Never resubmit an unknown creation." ], "http": "POST", "in": null, "input": [ "audio" ], "label": "Распознавание речи", "max_out": null, "max_reasoning_effort_multiplier": null, "method_aliases": [], "out": null, "output": [ "text" ], "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": "fish-audio/transcribe-1-pro", "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": "fish-audio/transcribe-1-pro", "request_model_id": "fish-audio/transcribe-1-pro", "route_label": "Ultra" } ], "name": "Fish Audio: Transcribe 1 Pro", "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": "fish-audio/transcribe-1-pro", "short": "Transcribe 1 Pro omvandlar inspelningar på upp till 60 minuter till text med talarmarkörer och valfria tidsangivelser på ordnivå. Den bevarar markeringar för känslor och vokala händelser som härleds ur ljudet, vilket gör intervjuer, möten och poddar lättare att granska, söka i eller förbereda för undertextning." }, "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": "Transcribe 1 Pro omvandlar inspelningar på upp till 60 minuter till text med talarmarkörer och valfria tidsangivelser på ordnivå. Den bevarar markeringar för känslor och vokala händelser som härleds ur ljudet, vilket gör intervjuer, möten och poddar lättare att granska, söka i eller förbereda för undertextning.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "2624aab8e9874d228db82bf9e5639e5612be4826b11a4c5d047bba490d21d4df", "renderer_sha256": "8a45bb31b83d2551e6d975cf4683518c7cb445a54b9394a01947f4dd103f1051" }, "sourceRevision": "27583a07ac6ad42046ec066b02dc8d3d4476437c7c646beafeadd0b9bd763884" }