asr-1.0
MiniMax ASR 1.0 แปลงเสียงเป็นข้อความ รองรับภาษารัสเซีย การแยกประโยคตามผู้พูด และการประทับเวลา
เกี่ยวกับโมเดล
คำอธิบายนี้ครอบคลุมความสามารถของโมเดล อินพุต เอาต์พุต และตัวเลือกที่ใช้ได้ใน Ailoot แสดงด้านล่างตามเมธอดที่เลือก
จากเสียงสนทนาที่บันทึกไว้สู่ข้อความ
MiniMax ASR 1.0 รู้จำเสียงพูดในไฟล์เสียง ผู้ผลิตอธิบายการใช้กับการประชุม สัมภาษณ์ พอดแคสต์ แทร็กเสียงของวิดีโอ การตรวจเนื้อหา และการวิเคราะห์บทสนทนา โมเดลปรับให้รองรับภาษาพูด เสียงรบกวน และศัพท์วิชาชีพ โดยเน้นลดส่วนข้อความที่แต่งขึ้น ในการ์ด Ailoot นี้ อินพุตคือเสียงและผลลัพธ์คือข้อความ
ภาษาและผู้เข้าร่วมหลายคน
รองรับรัสเซีย ยูเครน อังกฤษ ฝรั่งเศส เยอรมัน สเปน อิตาลี โปรตุเกส และโปแลนด์ รวมทั้งจีน กวางตุ้ง ญี่ปุ่น เกาหลี ไทย เวียดนาม อินโดนีเซีย มาเลย์ ฟิลิปปินส์ อาหรับ และตุรกี หากไม่กำหนดภาษา โมเดลตรวจจับภาษาหลักโดยอัตโนมัติ ผู้ผลิตอธิบายการผสมเสียงพูดภาษาจีนกับอังกฤษแยกไว้ด้วย
เมื่อใช้ผลลัพธ์แบบขยาย โมเดลแยกผู้พูดและผูกประโยคกับเวลาได้ ผลลัพธ์มีจำนวนผู้เข้าร่วมรวมและช่วงข้อมูลที่ระบุผู้พูด เวลาเริ่ม เวลาจบ และข้อความ ช่วยดูว่าใครพูดประโยคใดเมื่อใด โดยไม่ปะปนคำพูดของคนต่างกัน
รูปแบบผลลัพธ์
ผู้ผลิตรองรับ JSON ทั่วไปที่มีข้อความและระยะเวลา แบบขยาย verbose_json รวมถึงคำบรรยาย SRT และ WebVTT ค่าเริ่มต้นของการประทับเวลาใช้ระดับประโยคหรือช่วงเสียง เวลาของแต่ละคำอธิบายไว้สำหรับภาษาอังกฤษ และแต่ละอักขระสำหรับภาษาจีน การประทับเวลาเช่นนี้ใช้กับรูปแบบที่มีการจัดแนวข้อมูล
สามารถทยอยส่งข้อความผลลัพธ์ได้ แต่ใช้ร่วมกับการแยกผู้พูดและรูปแบบคำบรรยายไม่ได้ โหมดนี้ส่งช่วงข้อความที่รู้จำใหม่ระหว่างประมวลผลไฟล์ที่ส่งไปแล้ว เป็นสตรีมของผลลัพธ์ ไม่ใช่การส่งเสียงจากไมโครโฟนอย่างต่อเนื่อง
ข้อกำหนดของเสียงบันทึก
รูปแบบอินพุตที่ระบุคือ WAV, AIFF, FLAC, ALAC ในคอนเทนเนอร์ M4A, MP3, AAC, Opus และ Ogg ไฟล์ต้องมีเสียงไม่เกิน 500 วินาที และขนาดไม่เกิน 50 MB หากระยะเวลาเกินจะปฏิเสธ ไม่ได้ตัดทิ้งโดยไม่แจ้ง ไม่รองรับ PCM ดิบที่ไม่มีคอนเทนเนอร์
ในการเตรียมเสียงบันทึก ผู้ผลิตแนะนำเสียงโมโน 16 kHz หรือรูปแบบเสียงบีบอัด อัตราสุ่มสูงและสเตอริโอไม่จำเป็นสำหรับการรู้จำ และเพิ่มขนาดไฟล์ ความสามารถเอาต์พุตแบบขยายและการประมวลผลแบบสตรีมเป็นของ ASR 1.0 รูปแบบคำตอบที่ใช้ได้กับคำขอเฉพาะกำหนดด้วยเครื่องมือของ Ailoot
Ailoot · เสียงพูดเป็นข้อความ POST /v1/audio/transcriptions asr-1.0
asr-1.0เริ่มต้น
MiniMax ASR 1.0 แปลงเสียงเป็นข้อความ รองรับภาษารัสเซีย การแยกประโยคตามผู้พูด และการประทับเวลา
- อินพุตที่รองรับ
- เสียง
- ผลลัพธ์
- ข้อความ
ใช้งานได้ใน Ailoot · อินพุตและเมธอด
Ailoot · เสียงพูดเป็นข้อความ POST /v1/audio/transcriptions
- ขาเข้า
audio- ขาออก
text- รูปแบบเอาต์พุต
- json
| ฟิลด์ | ประเภท | ข้อกำหนด | ค่าและข้อจำกัด | ค่าเริ่มต้น |
|---|---|---|---|---|
ฟิลด์model | ประเภทstring | ข้อกำหนดจำเป็น | ค่าและข้อจำกัด asr-1.0 | ค่าเริ่มต้น— |
ฟิลด์file | ประเภทfile | ข้อกำหนดจำเป็น | ค่าและข้อจำกัด จำนวนไบต์สูงสุด: 52,428,800 รูปแบบไฟล์: wav, mp3, m4a, ogg, webm, flac ประเภทเนื้อหา: multipart/form-data ความยาวสูงสุดแบบไม่รวมค่าสูงสุด หน่วยวินาที: 500 | ค่าเริ่มต้น— |
ฟิลด์response_format | ประเภทstring | ข้อกำหนดไม่บังคับ | ค่าและข้อจำกัด json | ค่าเริ่มต้น— |
ชุดผสมของสื่ออินพุต
speech_to_text · จำเป็น: actual audio file
พารามิเตอร์และวงจรการทำงานของเมธอด
| พารามิเตอร์ | ข้อกำหนด |
|---|---|
พารามิเตอร์material_types | ข้อกำหนดaudio |
พารามิเตอร์required | ข้อกำหนดnull |
พารามิเตอร์optional_controls | ข้อกำหนดnull |
วงจรการทำงาน: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · ค่า task_id ที่ส่งกลับมาจริง หรือระเบียนในคลังสื่อ
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
รูปแบบเมธอดและ ID ระบุอย่างแม่นยำ ความสามารถของผู้ให้บริการแยกจากการอนุญาตให้รับคำขอ
ราคา
อัตราค่าบริการเมธอด Ailoot
POST /v1/audio/transcriptions- ขาเข้า
- US$0.38 ต่อชั่วโมงของเสียง
Ailoot กันยอดเงินประมาณการไว้ก่อนส่งคำขอ หลังได้ผลลัพธ์ จะคิดค่าบริการสุดท้ายตามการใช้งานที่วัดได้ การคิดค่าบริการแบบสตรีมใช้บันทึกการใช้งานสุดท้าย วิธีกันยอดเงินและคิดค่าบริการสุดท้าย →
ตัวอย่างคำขอ
Ailoot · เสียงพูดเป็นข้อความ
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_AUDIO_FILE:?Set your actual MP3 recording}"
export AILOOT_AUDIO_FILE
python3 - <<'PY_REQUEST'
import os
from pathlib import Path
f=Path(os.environ["AILOOT_AUDIO_FILE"])
if not f.is_file() or f.suffix.lower()!=".mp3":raise SystemExit("Choose your actual MP3 recording")
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \
-H "Authorization: Bearer $AILOOT_API_KEY" \
--form-string model=asr-1.0 -F "file=@$AILOOT_AUDIO_FILE" \
-D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
print(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))
PY_RESULT
รับและบันทึกผลลัพธ์
Ailoot · เสียงพูดเป็นข้อความ
json
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
เก็บผลลัพธ์ที่เสร็จสมบูรณ์ทั้งหมด
เก็บทุกการตอบกลับ ไฟล์ และส่วนเนื้อหาที่ส่งกลับมาอย่างครบถ้วน
เก็บ JSON ทั้งหมด ไม่ใช่เฉพาะข้อความ คงช่วงข้อความ/ผู้พูด/เวลาทุกรายการที่มีและตัวตนงาน/แอสเซ็ตจริงไว้
เมื่อต้องตรวจสอบการตอบกลับต้นฉบับ
เก็บ operation_id/X-Client-Request-ID เดิมไว้เพื่อกระทบยอดโดยไม่ส่งคำขอซ้ำ ไม่มีเส้นทางเฉพาะสำหรับตรวจสอบสถานะงานเสียงเป็นระยะ
ฟิลด์การตอบกลับ
| ฟิลด์ | ประเภท |
|---|---|
ฟิลด์text | ประเภทstring |
ฟิลด์segments[] | ประเภทobject |
ฟิลด์task_id | ประเภทstring |
ฟิลด์asset_url | ประเภทstring |
ฟิลด์usage | ประเภทobject |
ข้อผิดพลาดและขั้นตอนถัดไป
| การตอบกลับ | เงื่อนไข | ขั้นตอนถัดไป |
|---|---|---|
การตอบกลับ400 · invalid_request_error | เงื่อนไขฟิลด์จำเป็น รูปแบบการแทนข้อมูล หรือค่าพารามิเตอร์ไม่ถูกต้อง | ขั้นตอนถัดไปแก้ฟิลด์ที่ระบุก่อนส่งคำขอสร้างครั้งใหม่ |
การตอบกลับserver_error | เงื่อนไขการตอบกลับที่ได้รับระบุว่าต้องตรวจสอบการดำเนินการหรือผลลัพธ์ | ขั้นตอนถัดไปเก็บ ID การดำเนินการ/งานที่ส่งกลับมาแต่เดิม ส่วนหัวของคำขอ และการตอบกลับไว้ แล้วอ่านข้อมูลการดำเนินการเดิมนั้นต่อด้วยวิธีที่รองรับ ห้ามส่งคำขอสร้างซ้ำ |
ชื่ออื่น
ชื่ออื่นของโมเดล
Ailoot asr-1.0
ชื่อพาธเมธอดอื่น
ใช้พาธเมธอดที่แสดงด้านบน
ID ที่เกี่ยวข้องสำหรับเรียกใช้โมเดล
FAQ · asr-1.0
- มีอินพุตและผลลัพธ์ใดบ้าง?
POST /v1/audio/transcriptions·asr-1.0:audio→text- คำขอใช้ฟิลด์ใดบ้าง?
POST /v1/audio/transcriptions·asr-1.0:model,file,response_format