Whisper large-v3-turbo, även kallad Turbo, är OpenAI:s optimerade transkriptionsmodell härledd från Whisper large-v3. Dess avkodare har minskats från 32 lager till fyra, medan kodaren fortfarande har 32 lager. Den publicerade modellen har ungefär 809 miljoner parametrar. Tillverkarens syfte är snabbare taligenkänning med en måttlig kompromiss i noggrannhet, inte ett annat läge för ljudgenerering. Inspelat tal är indata och igenkänd text är resultatet.
Lanseringsmeddelandet skiljer Turbos förberedelser från en separat destillerad Whisper-modell: Turbo finjusterades under ytterligare två epoker på flerspråkiga transkriptionsdata, utan översättningsdata. Skillnaden har praktisk betydelse. OpenAI:s kodarkiv anger att Turbo inte är tränad för att översätta icke-engelskt tal till engelska och kan returnera originalspråket även när en översättningsuppgift begärs. Använd utgåvan för en transkription på samma språk; ett översättningskrav hör till en annan lämplig modell eller ett separat steg efter transkriptionen.
Identifiering av källspråket och uttryckligt val av språk är fortfarande användbara transkriptionsalternativ. Om inspelningens språk redan är känt anger du det i underlaget; annars kan det dokumenterade arbetsflödet identifiera det. Bevara namn, mängder och de uttalade orden innan du begär redaktionell bearbetning. En mötesanteckning, intervjutranskription eller föreläsningstext kan sedan sökas igenom, kommenteras eller sammanfattas i en senare operation. Turbos igenkänningsuppgift ska inte förväxlas med talsyntes, röstimitation eller en semantisk bedömning av personerna i inspelningen.
OpenAI:s ljudinläsare avkodar indatafiler till monosampel vid 16 kHz, och modellen använder ett akustiskt fönster på 30 sekunder med 128 Mel-frekvensband. Längre inspelningar kräver inferens för långt ljudmaterial. Sekventiell bearbetning går igenom fönstren i ordning; en uppdelad metod transkriberar överlappande delar och fogar samman deras gränser. Modellkortet presenterar den senare som användbar vid bearbetning av en enda lång fil när snabb leverans är huvudprioriteten, medan sekventiell hantering är alternativet inriktat på noggrannhet. Varken fönstret eller modellnamnet fastställer en bestämd maximal filstorlek för uppladdning till en värdtjänst.
Den exakta Turbo-konfigurationen anger 448 avkodarpositioner för en avkodningssekvens. Det dokumenterade inferensflödet kan inkludera segment- eller ordtider tillsammans med transkriptionen; tidsangivelserna stöder navigering och senare formatering av undertexter. De tillför inte automatiskt ett undertextfilformat eller tillförlitliga talaretiketter. Ange om en vanlig transkription eller tidsatta segment behövs och håll originalinspelningen tillgänglig för kontroll av omtvistade avsnitt. Bearbetning av långt ljudmaterial och eventuell slutlig formatering är åtskilda från modellkontrollpunktens identitet.
Turbo minskar avkodningsarbetet, men den faktiska tidsåtgången beror på hårdvara, inspelningslängd, språk, taltempo och inferensval. Tillverkaren påpekar större kvalitetsförsämring för vissa språk, bland annat thailändska och kantonesiska, snarare än likartat beteende överallt. Jämför ett representativt utdrag på det avsedda språket innan du betraktar kompromissen för snabbare resultat som lämplig för allt material. För en arkivbearbetningsuppgift tar du med svår vokabulär, pauser och brusiga eller överlappande avsnitt i granskningsprovet, inte bara en tydlig inledningsmening.
Det publicerade kortet beskriver Whispers betydande igenkänningsbegränsningar: förutsagd text kan innehålla ord som inte uttalades, och upprepande text kan förekomma. Resultaten varierar mellan språk, accenter och dialekter, särskilt där träningstäckningen är begränsad. Kortet fastställer inte talarseparering eller talarklassificering i grundmodellen som robusta standardförmågor. En praktisk granskning fokuserar på trohet mot källan: viktiga namn och siffror, utelämnat tal, oväntad text under tystnad och upprepningar. En läsbar transkription är fortfarande ett resultat att jämföra med inspelningen, inte en garanti för exakt igenkänning.
Den användbara färdiga artefakten är en transkription på källspråket med eventuella begärda tidsangivelser och en tydlig koppling till inspelningen. Håll en igenkänd version åtskild från en redigerad publiceringsversion så att ändringar kan spåras. Bevara namnet large-v3-turbo när utgåvor jämförs: den är inte hela modellen large-v3 och ska inte utan vidare ärva large-v3-modellens uppgift att översätta till engelska. Identiteten med öppna vikter innebär inte heller den värdbaserade tjänsten whisper-1:s uppladdningsgränser, svarsformat eller löften om direktströmning. Välj Turbo när den dokumenterade avvägningen för transkription passar det faktiska materialet och den önskade leveranstiden.
", "aboutText": "Whisper large-v3-turbo, även kallad Turbo, är OpenAI:s optimerade transkriptionsmodell härledd från Whisper large-v3. Dess avkodare har minskats från 32 lager till fyra, medan kodaren fortfarande har 32 lager. Den publicerade modellen har ungefär 809 miljoner parametrar. Tillverkarens syfte är snabbare taligenkänning med en måttlig kompromiss i noggrannhet, inte ett annat läge för ljudgenerering. Inspelat tal är indata och igenkänd text är resultatet.\n\nLanseringsmeddelandet skiljer Turbos förberedelser från en separat destillerad Whisper-modell: Turbo finjusterades under ytterligare två epoker på flerspråkiga transkriptionsdata, utan översättningsdata. Skillnaden har praktisk betydelse. OpenAI:s kodarkiv anger att Turbo inte är tränad för att översätta icke-engelskt tal till engelska och kan returnera originalspråket även när en översättningsuppgift begärs. Använd utgåvan för en transkription på samma språk; ett översättningskrav hör till en annan lämplig modell eller ett separat steg efter transkriptionen.\n\nIdentifiering av källspråket och uttryckligt val av språk är fortfarande användbara transkriptionsalternativ. Om inspelningens språk redan är känt anger du det i underlaget; annars kan det dokumenterade arbetsflödet identifiera det. Bevara namn, mängder och de uttalade orden innan du begär redaktionell bearbetning. En mötesanteckning, intervjutranskription eller föreläsningstext kan sedan sökas igenom, kommenteras eller sammanfattas i en senare operation. Turbos igenkänningsuppgift ska inte förväxlas med talsyntes, röstimitation eller en semantisk bedömning av personerna i inspelningen.\n\nOpenAI:s ljudinläsare avkodar indatafiler till monosampel vid 16 kHz, och modellen använder ett akustiskt fönster på 30 sekunder med 128 Mel-frekvensband. Längre inspelningar kräver inferens för långt ljudmaterial. Sekventiell bearbetning går igenom fönstren i ordning; en uppdelad metod transkriberar överlappande delar och fogar samman deras gränser. Modellkortet presenterar den senare som användbar vid bearbetning av en enda lång fil när snabb leverans är huvudprioriteten, medan sekventiell hantering är alternativet inriktat på noggrannhet. Varken fönstret eller modellnamnet fastställer en bestämd maximal filstorlek för uppladdning till en värdtjänst.\n\nDen exakta Turbo-konfigurationen anger 448 avkodarpositioner för en avkodningssekvens. Det dokumenterade inferensflödet kan inkludera segment- eller ordtider tillsammans med transkriptionen; tidsangivelserna stöder navigering och senare formatering av undertexter. De tillför inte automatiskt ett undertextfilformat eller tillförlitliga talaretiketter. Ange om en vanlig transkription eller tidsatta segment behövs och håll originalinspelningen tillgänglig för kontroll av omtvistade avsnitt. Bearbetning av långt ljudmaterial och eventuell slutlig formatering är åtskilda från modellkontrollpunktens identitet.\n\nTurbo minskar avkodningsarbetet, men den faktiska tidsåtgången beror på hårdvara, inspelningslängd, språk, taltempo och inferensval. Tillverkaren påpekar större kvalitetsförsämring för vissa språk, bland annat thailändska och kantonesiska, snarare än likartat beteende överallt. Jämför ett representativt utdrag på det avsedda språket innan du betraktar kompromissen för snabbare resultat som lämplig för allt material. För en arkivbearbetningsuppgift tar du med svår vokabulär, pauser och brusiga eller överlappande avsnitt i granskningsprovet, inte bara en tydlig inledningsmening.\n\nDet publicerade kortet beskriver Whispers betydande igenkänningsbegränsningar: förutsagd text kan innehålla ord som inte uttalades, och upprepande text kan förekomma. Resultaten varierar mellan språk, accenter och dialekter, särskilt där träningstäckningen är begränsad. Kortet fastställer inte talarseparering eller talarklassificering i grundmodellen som robusta standardförmågor. En praktisk granskning fokuserar på trohet mot källan: viktiga namn och siffror, utelämnat tal, oväntad text under tystnad och upprepningar. En läsbar transkription är fortfarande ett resultat att jämföra med inspelningen, inte en garanti för exakt igenkänning.\n\nDen användbara färdiga artefakten är en transkription på källspråket med eventuella begärda tidsangivelser och en tydlig koppling till inspelningen. Håll en igenkänd version åtskild från en redigerad publiceringsversion så att ändringar kan spåras. Bevara namnet large-v3-turbo när utgåvor jämförs: den är inte hela modellen large-v3 och ska inte utan vidare ärva large-v3-modellens uppgift att översätta till engelska. Identiteten med öppna vikter innebär inte heller den värdbaserade tjänsten whisper-1:s uppladdningsgränser, svarsformat eller löften om direktströmning. Välj Turbo när den dokumenterade avvägningen för transkription passar det faktiska materialet och den önskade leveranstiden.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "80b39866923e9d5710464b611422ff08a7ddaf62f03b60df67045926f07c1cc1", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "sv", "methods": [ { "html": "openai/whisper-large-v3-turboWhisper large-v3-turbo är OpenAI:s snabbare transkriptionsutgåva med öppna vikter, härledd från large-v3, med fyra avkodarlager och 809 miljoner parametrar. Den är inriktad på flerspråkig tal-till-text; tillverkarens officiella dokumentation utesluter översättning av tal till engelska från Turbos tränade uppgift.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Whisper large-v3-turbo, även kallad Turbo, är OpenAI:s optimerade transkriptionsmodell härledd från Whisper large-v3. Dess avkodare har minskats från 32 lager till fyra, medan kodaren fortfarande har 32 lager. Den publicerade modellen har ungefär 809 miljoner parametrar. Tillverkarens syfte är snabbare taligenkänning med en måttlig kompromiss i noggrannhet, inte ett annat läge för ljudgenerering. Inspelat tal är indata och igenkänd text är resultatet.
Lanseringsmeddelandet skiljer Turbos förberedelser från en separat destillerad Whisper-modell: Turbo finjusterades under ytterligare två epoker på flerspråkiga transkriptionsdata, utan översättningsdata. Skillnaden har praktisk betydelse. OpenAI:s kodarkiv anger att Turbo inte är tränad för att översätta icke-engelskt tal till engelska och kan returnera originalspråket även när en översättningsuppgift begärs. Använd utgåvan för en transkription på samma språk; ett översättningskrav hör till en annan lämplig modell eller ett separat steg efter transkriptionen.
Identifiering av källspråket och uttryckligt val av språk är fortfarande användbara transkriptionsalternativ. Om inspelningens språk redan är känt anger du det i underlaget; annars kan det dokumenterade arbetsflödet identifiera det. Bevara namn, mängder och de uttalade orden innan du begär redaktionell bearbetning. En mötesanteckning, intervjutranskription eller föreläsningstext kan sedan sökas igenom, kommenteras eller sammanfattas i en senare operation. Turbos igenkänningsuppgift ska inte förväxlas med talsyntes, röstimitation eller en semantisk bedömning av personerna i inspelningen.
OpenAI:s ljudinläsare avkodar indatafiler till monosampel vid 16 kHz, och modellen använder ett akustiskt fönster på 30 sekunder med 128 Mel-frekvensband. Längre inspelningar kräver inferens för långt ljudmaterial. Sekventiell bearbetning går igenom fönstren i ordning; en uppdelad metod transkriberar överlappande delar och fogar samman deras gränser. Modellkortet presenterar den senare som användbar vid bearbetning av en enda lång fil när snabb leverans är huvudprioriteten, medan sekventiell hantering är alternativet inriktat på noggrannhet. Varken fönstret eller modellnamnet fastställer en bestämd maximal filstorlek för uppladdning till en värdtjänst.
Den exakta Turbo-konfigurationen anger 448 avkodarpositioner för en avkodningssekvens. Det dokumenterade inferensflödet kan inkludera segment- eller ordtider tillsammans med transkriptionen; tidsangivelserna stöder navigering och senare formatering av undertexter. De tillför inte automatiskt ett undertextfilformat eller tillförlitliga talaretiketter. Ange om en vanlig transkription eller tidsatta segment behövs och håll originalinspelningen tillgänglig för kontroll av omtvistade avsnitt. Bearbetning av långt ljudmaterial och eventuell slutlig formatering är åtskilda från modellkontrollpunktens identitet.
Turbo minskar avkodningsarbetet, men den faktiska tidsåtgången beror på hårdvara, inspelningslängd, språk, taltempo och inferensval. Tillverkaren påpekar större kvalitetsförsämring för vissa språk, bland annat thailändska och kantonesiska, snarare än likartat beteende överallt. Jämför ett representativt utdrag på det avsedda språket innan du betraktar kompromissen för snabbare resultat som lämplig för allt material. För en arkivbearbetningsuppgift tar du med svår vokabulär, pauser och brusiga eller överlappande avsnitt i granskningsprovet, inte bara en tydlig inledningsmening.
Det publicerade kortet beskriver Whispers betydande igenkänningsbegränsningar: förutsagd text kan innehålla ord som inte uttalades, och upprepande text kan förekomma. Resultaten varierar mellan språk, accenter och dialekter, särskilt där träningstäckningen är begränsad. Kortet fastställer inte talarseparering eller talarklassificering i grundmodellen som robusta standardförmågor. En praktisk granskning fokuserar på trohet mot källan: viktiga namn och siffror, utelämnat tal, oväntad text under tystnad och upprepningar. En läsbar transkription är fortfarande ett resultat att jämföra med inspelningen, inte en garanti för exakt igenkänning.
Den användbara färdiga artefakten är en transkription på källspråket med eventuella begärda tidsangivelser och en tydlig koppling till inspelningen. Håll en igenkänd version åtskild från en redigerad publiceringsversion så att ändringar kan spåras. Bevara namnet large-v3-turbo när utgåvor jämförs: den är inte hela modellen large-v3 och ska inte utan vidare ärva large-v3-modellens uppgift att översätta till engelska. Identiteten med öppna vikter innebär inte heller den värdbaserade tjänsten whisper-1:s uppladdningsgränser, svarsformat eller löften om direktströmning. Välj Turbo när den dokumenterade avvägningen för transkription passar det faktiska materialet och den önskade leveranstiden.
POST /v1/audio/transcriptionsaudiotext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser openai/whisper-large-v3-turbo | Standard— |
Fältinput_audio | Typobject | KravObligatoriskt | Värden & gränser | Standard— |
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, input_audio |
Parametermaterial_types | Avtalaudio |
Parametermaterial_conditions | AvtalExemplet läser din faktiska, icke-tomma PCM WAV-fil, kodar filens samtliga byte som base64 och skickar input_audio.format som wav. |
Livscykel: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · exakt task_id från en befintlig mediepost som du äger
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
Matcha varje avgift mot de visade villkoren. Använd ett pris för varje uppsättning alternativa konfigurationer.
| Konfiguration | Prislista | Debiteringsenhet | Avgift |
|---|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Debiteringsenhet— | 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 ljud | Prislista— | Debiteringsenhetper sekund indataljud | Avgift Indata · sekund inkommande ljud $0.00000666 per sekund indataljud |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${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.\nHela den ursprungliga svarskroppen, statusen och vidarebefordrade svarshuvuden. Denna hanterare lägger inte till någon universell JSON-struktur, något textfält eller något uppgiftshölje.
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Spara hela svaret med headers, samtliga faktiska resultat, de ursprungliga returnerade identifierarna och alla användningsfält. Hämta den ursprungliga operationen utan att skicka skapandeförfrågan igen.
Behåll faktiskt X-Client-Request-ID och hela svaret. Läs de ursprungliga tillgångarna som du äger och deras exakta signerade innehållslänkar; skicka aldrig en osäker skapandebegäran igen.
| Fält | Typ |
|---|---|
Fälttext (when present) | Typ |
Fältusage (when present) | Typ |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorJSON-kroppen eller det uttryckliga kanoniska modell-ID:t är ogiltigt. | Nästa stegBehåll svaret och korrigera det angivna fältet i begäran. |
Svar401 · authentication_error | VillkorAPI-nyckeln för Ailoot är ogiltig. | Nästa stegAnvänd din behöriga API-nyckel för Ailoot. |
Svar403 · permission_error | VillkorNyckelgruppen ger inte tillträde till denna metod. | Nästa stegBehåll de returnerade feluppgifterna. |
Svar404 · not_found_error | VillkorDen valda metoden har ingen tillåten rutt. | Nästa stegBehåll de returnerade feluppgifterna. |
Svar422 · price_unavailable | VillkorDen accepterade tariffen kan inte fastställa den mängd eller gräns för indata som krävs. | Nästa stegBehåll svaret; använd den representation av indata som den accepterade tariffen kräver. |
Svar503 · | VillkorNödvändig lagring, rutt, metodpris eller reservation är inte tillgänglig. | Nästa stegBehåll hela det ursprungliga svaret. En osäker reservation ger inte tillstånd att skicka in igen. |
Svar502 · server_error | VillkorDet ursprungliga resultatet, förbrukningen eller avräkningen kräver kontroll. | Nästa stegBehåll det faktiska begärans-ID:t och det ursprungliga svaret. Läs den befintliga posten som du äger; skicka inte skapandebegäran igen. |
Ailoot Ultra openai/whisper-large-v3-turbo
Använd metodsökvägarna som visas ovan.