Whisper large-v3 är en släppt taligenkänningscheckpoint från OpenAI med cirka 1,55 miljarder parametrar. Det är en flerspråkig encoder-decoder-modell: ljud går in i encodern och decodern förutsäger text och uppgiftsrelaterade token. Huvuduppgifterna är transkribering av tal på källspråket och översättning av tal till engelska. Det är en modellidentitet med öppna vikter, som hålls separat från en värdtjänsts modellidentifierare och den tjänstens regler för uppladdning och svarsformat.
Large-v3 behåller arkitekturen från tidigare stora Whisper-checkpoints med två angivna ändringar: spektrogramindata använder 128 Mel-frekvensband i stället för 80 och en språktoken för kantonesiska har lagts till. Producentens modellkort beskriver träning på en miljon timmar svagt etiketterat ljud och fyra miljoner timmar pseudoetiketterat ljud som förberetts med Whisper large-v2. Blandningen användes under två träningsepoker. Utgåvan är en specifik large-v3-checkpoint och inte ett generiskt namn för varje modell i Whisper-familjen.
Det dokumenterade inferensarbetsflödet utför transkribering som standard och bevarar det språk som talas i inspelningen. Det kan identifiera källspråket automatiskt eller ta emot ett känt språkval. För översättning ger den flerspråkiga stora modellen ett engelskt textresultat från tal på andra språk. Välj den uppgiften uttryckligen: en transkription på samma språk och en engelsk översättning är olika leveranser. Behåll originalspråkets ordalydelse för en intervju; ange för ett engelskt referensdokument att det önskade resultatet är en översättning av det talade innehållet.
Ljudförberedelse är en del av indatavägen. OpenAI:s laddare avkodar en inspelning till en monovågform och samplar om den till 16 kHz. Modellens akustiska receptiva fält är 30 sekunder. Det är ett bearbetningsfönster, inte en maximal längd för en hel intervju eller föreläsning. Inferens på längre material kan gå sekventiellt genom glidande fönster eller dela en lång inspelning i överlappande delar och sammanfoga transkriptionerna. Producentens modellkort beskriver sekventiell bearbetning när noggrannhet prioriteras och delad bearbetning när genomloppstiden för en enskild lång inspelning är viktigare.
Den släppta konfigurationen anger 448 decoderpositioner för en enskild avkodningssekvens. Längre inspelningar hanteras genom processen för längre material, inte genom att detta tal behandlas som en allmän transkriptionsgräns. Det dokumenterade arbetsflödet kan returnera tidsstämplar på segment- eller ordnivå tillsammans med igenkänd text. Tidsinformationen är användbar för att navigera i inspelningar och förbereda undertexter, medan den slutliga undertextbehållaren eller transkriptionsfilens format är ett separat formateringsval. Bevara inspelningens timing vid ljudförberedelsen om transkriptionen ska synkroniseras med originalmaterialet.
Whispers avsedda roll är att känna igen och översätta tal. En föreläsningstranskription, ett intervjuprotokoll eller en sökbar samling talat material är praktiska utdata; sammanfattning eller tolkning kan följa som ett annat steg över texten. Modellkortet fastställer inte robust automatisk talarklassificering eller diarisation som standardutdata från grundcheckpointen. Om en uppgift behöver talaretiketter måste det kravet hanteras separat från påståendet om en korrekt transkription. Ett användbart uppdrag anger källspråket, om transkribering eller engelsk översättning behövs och om tidsinformation krävs.
Väsentliga begränsningar omfattar påhittad text som aldrig uttalats och upprepad text, kopplade till svagt övervakad träning på brusiga data och sequence-to-sequence-utformningen. Igenkänningskvaliteten varierar mellan språk, accenter och dialekter, med svagare resultat där mindre träningsmaterial finns. Brus, specialistordförråd och överlappande tal bör därför finnas med i det prov som används för att bedöma lämpligheten. Jämför namn, mängder och viktiga uttalanden med inspelningen och granska partier utan tal eller upprepade rader i stället för att behandla en flytande transkription som bevis för att varje ord hördes.
Ett komplett resultat behåller igenkänd text, dess språk och eventuell begärd tidsinformation med en hänvisning till originalinspelningen. Håll transkribering separat från senare redigering: en korrigerad publiceringstranskription kan ta bort utfyllnadsord, medan den igenkända transkriptionen bevarar det modellen faktiskt returnerade. Large-v3:s identitet och översättningsförmåga ska också hållas separata från den snabbare Turbo-versionen. Faktisk bearbetningshastighet beror på språk, taltempo, hårdvara och inferensmetod; ingen viss värdtjänstlatens, maximal uppladdningsstorlek eller aktiverad applikationsrutt följer enbart av checkpointens namn.
", "aboutText": "Whisper large-v3 är en släppt taligenkänningscheckpoint från OpenAI med cirka 1,55 miljarder parametrar. Det är en flerspråkig encoder-decoder-modell: ljud går in i encodern och decodern förutsäger text och uppgiftsrelaterade token. Huvuduppgifterna är transkribering av tal på källspråket och översättning av tal till engelska. Det är en modellidentitet med öppna vikter, som hålls separat från en värdtjänsts modellidentifierare och den tjänstens regler för uppladdning och svarsformat.\n\nLarge-v3 behåller arkitekturen från tidigare stora Whisper-checkpoints med två angivna ändringar: spektrogramindata använder 128 Mel-frekvensband i stället för 80 och en språktoken för kantonesiska har lagts till. Producentens modellkort beskriver träning på en miljon timmar svagt etiketterat ljud och fyra miljoner timmar pseudoetiketterat ljud som förberetts med Whisper large-v2. Blandningen användes under två träningsepoker. Utgåvan är en specifik large-v3-checkpoint och inte ett generiskt namn för varje modell i Whisper-familjen.\n\nDet dokumenterade inferensarbetsflödet utför transkribering som standard och bevarar det språk som talas i inspelningen. Det kan identifiera källspråket automatiskt eller ta emot ett känt språkval. För översättning ger den flerspråkiga stora modellen ett engelskt textresultat från tal på andra språk. Välj den uppgiften uttryckligen: en transkription på samma språk och en engelsk översättning är olika leveranser. Behåll originalspråkets ordalydelse för en intervju; ange för ett engelskt referensdokument att det önskade resultatet är en översättning av det talade innehållet.\n\nLjudförberedelse är en del av indatavägen. OpenAI:s laddare avkodar en inspelning till en monovågform och samplar om den till 16 kHz. Modellens akustiska receptiva fält är 30 sekunder. Det är ett bearbetningsfönster, inte en maximal längd för en hel intervju eller föreläsning. Inferens på längre material kan gå sekventiellt genom glidande fönster eller dela en lång inspelning i överlappande delar och sammanfoga transkriptionerna. Producentens modellkort beskriver sekventiell bearbetning när noggrannhet prioriteras och delad bearbetning när genomloppstiden för en enskild lång inspelning är viktigare.\n\nDen släppta konfigurationen anger 448 decoderpositioner för en enskild avkodningssekvens. Längre inspelningar hanteras genom processen för längre material, inte genom att detta tal behandlas som en allmän transkriptionsgräns. Det dokumenterade arbetsflödet kan returnera tidsstämplar på segment- eller ordnivå tillsammans med igenkänd text. Tidsinformationen är användbar för att navigera i inspelningar och förbereda undertexter, medan den slutliga undertextbehållaren eller transkriptionsfilens format är ett separat formateringsval. Bevara inspelningens timing vid ljudförberedelsen om transkriptionen ska synkroniseras med originalmaterialet.\n\nWhispers avsedda roll är att känna igen och översätta tal. En föreläsningstranskription, ett intervjuprotokoll eller en sökbar samling talat material är praktiska utdata; sammanfattning eller tolkning kan följa som ett annat steg över texten. Modellkortet fastställer inte robust automatisk talarklassificering eller diarisation som standardutdata från grundcheckpointen. Om en uppgift behöver talaretiketter måste det kravet hanteras separat från påståendet om en korrekt transkription. Ett användbart uppdrag anger källspråket, om transkribering eller engelsk översättning behövs och om tidsinformation krävs.\n\nVäsentliga begränsningar omfattar påhittad text som aldrig uttalats och upprepad text, kopplade till svagt övervakad träning på brusiga data och sequence-to-sequence-utformningen. Igenkänningskvaliteten varierar mellan språk, accenter och dialekter, med svagare resultat där mindre träningsmaterial finns. Brus, specialistordförråd och överlappande tal bör därför finnas med i det prov som används för att bedöma lämpligheten. Jämför namn, mängder och viktiga uttalanden med inspelningen och granska partier utan tal eller upprepade rader i stället för att behandla en flytande transkription som bevis för att varje ord hördes.\n\nEtt komplett resultat behåller igenkänd text, dess språk och eventuell begärd tidsinformation med en hänvisning till originalinspelningen. Håll transkribering separat från senare redigering: en korrigerad publiceringstranskription kan ta bort utfyllnadsord, medan den igenkända transkriptionen bevarar det modellen faktiskt returnerade. Large-v3:s identitet och översättningsförmåga ska också hållas separata från den snabbare Turbo-versionen. Faktisk bearbetningshastighet beror på språk, taltempo, hårdvara och inferensmetod; ingen viss värdtjänstlatens, maximal uppladdningsstorlek eller aktiverad applikationsrutt följer enbart av checkpointens namn.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "aa33d6165119803aaa2a2c97709f0c445dd8a022922a33b6e5104056a1fe3a16", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "sv", "methods": [ { "html": "openai/whisper-large-v3Whisper large-v3 är OpenAI:s flerspråkiga taligenkänningscheckpoint med öppna vikter för transkribering och översättning av tal till engelska. Den omvandlar inspelat tal till text med dokumenterat språkval, tidsstämplar och bearbetning av längre material utöver sitt akustiska fönster på 30 sekunder.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Whisper large-v3 är en släppt taligenkänningscheckpoint från OpenAI med cirka 1,55 miljarder parametrar. Det är en flerspråkig encoder-decoder-modell: ljud går in i encodern och decodern förutsäger text och uppgiftsrelaterade token. Huvuduppgifterna är transkribering av tal på källspråket och översättning av tal till engelska. Det är en modellidentitet med öppna vikter, som hålls separat från en värdtjänsts modellidentifierare och den tjänstens regler för uppladdning och svarsformat.
Large-v3 behåller arkitekturen från tidigare stora Whisper-checkpoints med två angivna ändringar: spektrogramindata använder 128 Mel-frekvensband i stället för 80 och en språktoken för kantonesiska har lagts till. Producentens modellkort beskriver träning på en miljon timmar svagt etiketterat ljud och fyra miljoner timmar pseudoetiketterat ljud som förberetts med Whisper large-v2. Blandningen användes under två träningsepoker. Utgåvan är en specifik large-v3-checkpoint och inte ett generiskt namn för varje modell i Whisper-familjen.
Det dokumenterade inferensarbetsflödet utför transkribering som standard och bevarar det språk som talas i inspelningen. Det kan identifiera källspråket automatiskt eller ta emot ett känt språkval. För översättning ger den flerspråkiga stora modellen ett engelskt textresultat från tal på andra språk. Välj den uppgiften uttryckligen: en transkription på samma språk och en engelsk översättning är olika leveranser. Behåll originalspråkets ordalydelse för en intervju; ange för ett engelskt referensdokument att det önskade resultatet är en översättning av det talade innehållet.
Ljudförberedelse är en del av indatavägen. OpenAI:s laddare avkodar en inspelning till en monovågform och samplar om den till 16 kHz. Modellens akustiska receptiva fält är 30 sekunder. Det är ett bearbetningsfönster, inte en maximal längd för en hel intervju eller föreläsning. Inferens på längre material kan gå sekventiellt genom glidande fönster eller dela en lång inspelning i överlappande delar och sammanfoga transkriptionerna. Producentens modellkort beskriver sekventiell bearbetning när noggrannhet prioriteras och delad bearbetning när genomloppstiden för en enskild lång inspelning är viktigare.
Den släppta konfigurationen anger 448 decoderpositioner för en enskild avkodningssekvens. Längre inspelningar hanteras genom processen för längre material, inte genom att detta tal behandlas som en allmän transkriptionsgräns. Det dokumenterade arbetsflödet kan returnera tidsstämplar på segment- eller ordnivå tillsammans med igenkänd text. Tidsinformationen är användbar för att navigera i inspelningar och förbereda undertexter, medan den slutliga undertextbehållaren eller transkriptionsfilens format är ett separat formateringsval. Bevara inspelningens timing vid ljudförberedelsen om transkriptionen ska synkroniseras med originalmaterialet.
Whispers avsedda roll är att känna igen och översätta tal. En föreläsningstranskription, ett intervjuprotokoll eller en sökbar samling talat material är praktiska utdata; sammanfattning eller tolkning kan följa som ett annat steg över texten. Modellkortet fastställer inte robust automatisk talarklassificering eller diarisation som standardutdata från grundcheckpointen. Om en uppgift behöver talaretiketter måste det kravet hanteras separat från påståendet om en korrekt transkription. Ett användbart uppdrag anger källspråket, om transkribering eller engelsk översättning behövs och om tidsinformation krävs.
Väsentliga begränsningar omfattar påhittad text som aldrig uttalats och upprepad text, kopplade till svagt övervakad träning på brusiga data och sequence-to-sequence-utformningen. Igenkänningskvaliteten varierar mellan språk, accenter och dialekter, med svagare resultat där mindre träningsmaterial finns. Brus, specialistordförråd och överlappande tal bör därför finnas med i det prov som används för att bedöma lämpligheten. Jämför namn, mängder och viktiga uttalanden med inspelningen och granska partier utan tal eller upprepade rader i stället för att behandla en flytande transkription som bevis för att varje ord hördes.
Ett komplett resultat behåller igenkänd text, dess språk och eventuell begärd tidsinformation med en hänvisning till originalinspelningen. Håll transkribering separat från senare redigering: en korrigerad publiceringstranskription kan ta bort utfyllnadsord, medan den igenkända transkriptionen bevarar det modellen faktiskt returnerade. Large-v3:s identitet och översättningsförmåga ska också hållas separata från den snabbare Turbo-versionen. Faktisk bearbetningshastighet beror på språk, taltempo, hårdvara och inferensmetod; ingen viss värdtjänstlatens, maximal uppladdningsstorlek eller aktiverad applikationsrutt följer enbart av checkpointens namn.
POST /v1/audio/transcriptionsaudiotranscription| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser openai/whisper-large-v3 | Standard— |
Fältinput_audio | Typobject | KravObligatoriskt | Värden & gränser | Standard— |
Fältlanguage | Typstring | KravValfritt | Värden & gränser | Standard— |
Fälttemperature | Typnumber | KravValfritt | Värden & gränser Minimum: 0 Maximum: 1 | Standard— |
Fältresponse_format | Typstring | KravValfritt | Värden & gränser json, verbose_json | Standardjson |
Fälttimestamp_granularities | Typarray | KravValfritt | Värden & gränser | Standard— |
Fältprovider | Typobject | KravValfritt | Värden & gränser | Standard— |
speech_to_text · Krävs: actual matching-format audio file
| Parameter | Avtal |
|---|---|
Parametercontent_types | Avtalapplication/json, multipart/form-data |
Parameterrequired | Avtalmodel, input_audio |
Parametermaterial_types | Avtalaudio |
ParameterJSON_audio | Avtalfaktiska råa ljudbyte i base64 tillsammans med motsvarande format |
Parametermultipart_required | Avtalmodel, file |
Parametermultipart_cap_bytes | Avtal26214400 |
Parameteroptional_controls | Avtallanguage, temperature, response_format, timestamp_granularities, provider |
Parameterdefault_response_format | Avtaljson |
Parameteroptional_features | AvtalUtförliga utdata, diarize/keyterms och URL eller större inbäddat ljud kräver den exakta modellens eller leverantörens kapacitet och tariff. |
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}
Använd den exakta modellen och de dokumenterade indatafälten.
Behåll hela svaret, varje faktiskt resultat och ursprungliga returnerade ID:n.
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 |
| KonfigurationUltra | Prislista— | Debiteringsenhetper sekund indataljud | Avgift Indata · sekund inkommande ljud $0.000015 per sekund indataljud |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
Referensprislistor på modellnivå ändrar inte metodval, prisuppgifter eller avgifter. Aktiva avgifter använder priserna för den valda Ailoot-metoden.
| Konfiguration | Debiteringsvillkor | Avgift |
|---|---|---|
| KonfigurationOpenAI: Whisper Large V3 · Standardkonfiguration | DebiteringsvillkorStandardkonfiguration | Avgift Indata · Sekunder inkommande ljud 0,000015 US$ per sekund indataljud |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_AUDIO_FILE:?Set the path to your actual WAV recording}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\nimport base64\naudio=Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()\nif not (audio[:4]==b'RIFF' and audio[8:12]==b'WAVE'): raise SystemExit('Supply an actual WAV audio file')\nif len(audio)>26214400: raise SystemExit('Use a documented supported large-file flow')\nrequest={'model': 'openai/whisper-large-v3', 'input_audio': {'data': '${BASE64_ACTUAL_WAV_BYTES}', 'format': 'wav'}}\nrequest['input_audio']['data']=base64.b64encode(audio).decode('ascii')\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# Keep the complete original response and headers. Read every returned segment, word and usage field.\n# Preserve actual operation/task/asset IDs; continue reads of the original result without resubmitting.\njson
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.
Hela det ursprungliga JSON-svaret, all tillgänglig text, alla segment, ord, talare, tidsstämplar och förbrukningsuppgifter.
Behåll ursprungligt operation_id/X-Client-Request-ID och ursprungligt svar. Läs faktiska uppgifts- och tillgångsposter som du äger utan att skicka in igen; ingen särskild URL för kontroll av ljudstatus konstrueras.
| Fält | Typ |
|---|---|
Fälttext | Typstring |
Fältusage | Typobject |
Fältsegments[] | Typobject |
Fältwords[] | Typobject |
Ailoot Ultra openai/whisper-large-v3
Använd metodsökvägarna som visas ovan.