Deepgram: Nova-3

Nova-3 เป็นโมเดลแปลงเสียงพูดเป็นข้อความทั่วไปของ Deepgram สำหรับเสียงที่บันทึกและเสียงสตรีม รองรับการรู้จำภาษาเดียว โหมดสลับหลายภาษาที่ระบุไว้ และการชี้นำด้วยคำสำคัญ คืนบทถอดเสียงพร้อมเวลารายคำและข้อมูลความมั่นใจ

Ailoot Ultra · การรู้จำเสียงพูด POST /v1/audio/transcriptions deepgram/nova-3

เกี่ยวกับโมเดล

คำอธิบายนี้ครอบคลุมความสามารถของโมเดล อินพุต เอาต์พุต และตัวเลือกที่ใช้ได้ใน Ailoot แสดงด้านล่างตามเมธอดที่เลือก

Nova-3 เป็นโมเดลรู้จำเสียงพูดทั่วไปของ Deepgram เพื่อแปลงเสียงเป็นข้อความ ผู้ผลิตแนะนำสำหรับประชุม คำบรรยายงานอีเวนต์ บันทึกหลายผู้พูด และสภาพยากอย่างเสียงรบกวนหรือไมโครโฟนไกล โดยใช้การถอดเสียงที่บันทึกแล้วหรือสตรีม ผลที่มีประโยชน์คือเสียงพูดที่รู้จำพร้อมเวลาและความมั่นใจ ซึ่งยังเชื่อมกับเสียงต้นฉบับ

เลือกเวิร์กโฟลว์ภาษา

ภาษาเริ่มต้นตามเอกสารคืออังกฤษ คำขอภาษาเดียวเลือกภาษาที่พูดหรือโลแคลที่รองรับ ตารางโมเดลทั่วไปปัจจุบันรวมรูปแบบอังกฤษตามภูมิภาค สเปน ฝรั่งเศส เยอรมัน รัสเซีย โปรตุเกส ญี่ปุ่น อิตาลี ดัตช์ อาหรับ รูปแบบอักษรจีน และภาษาอื่นอีกมากรวมคาซัค เลือกจากรหัสที่ผู้ผลิตรองรับ แทนการสมมติว่าชื่อโลแคลใดก็รับได้

การตั้งค่าหลายภาษาเป็นเวิร์กโฟลว์สลับภาษาแยก ตาราง Nova-3 ปัจจุบันระบุสิบภาษา ได้แก่ อังกฤษ สเปน ฝรั่งเศส เยอรมัน ฮินดี รัสเซีย โปรตุเกส ญี่ปุ่น อิตาลี และดัตช์ ชุดนี้ไม่เหมือนรายการภาษาเดียวที่ใหญ่กว่า สำหรับบันทึกที่สลับภาษาที่รองรับ ให้เตรียมโหมดหลายภาษา แทนการบังคับทั้งบทสนทนาเป็นการตั้งค่าภาษาเดียวที่ไม่ตรง เก็บสิ่งที่พูดจริงก่อนเตรียมรุ่นแปลหรือสรุป

เสียงที่บันทึกและการเตรียมบทถอดเสียง

เวิร์กโฟลว์ไฟล์ Deepgram รับไบต์เสียงที่อัปโหลดหรือการอ้างอิงไฟล์เสียง บันทึกบทถอดเสียงที่คืนมาเมื่อคำขอเสร็จ เพราะผู้ผลิตไม่เก็บบทถอดเสียงให้เรียกภายหลัง รูปแบบอินพุตและการเข้ารหัสทั่วไปตามเอกสารรวม MP3, MP4, MP2, AAC, WAV, FLAC, PCM, M4A, Ogg, Opus และ WebM เก็บรูปแบบและข้อมูลแชนเนลจริงกับบันทึก ให้บันทึกมีตัวระบุคงที่และเชื่อมผลกับแหล่งที่มาและข้อมูลแชนเนลที่ถูก สำหรับประชุม ตรวจชื่อผู้เข้าร่วมและศัพท์เทคนิคขณะฟังเสียงต้นฉบับ สำหรับบรรยายหรืออีเวนต์ เก็บลำดับเสียงเพื่อให้คำบรรยายหรือผลค้นหาภายหลังระบุตำแหน่งที่เกี่ยวข้องได้

คู่มือเสียงที่บันทึกของผู้ผลิตระบุขนาดไฟล์สูงสุด 2 GB และแนะนำให้ดึงสตรีมเสียงออกจากไฟล์วิดีโอใหญ่ ยังระบุ timeout การประมวลผลสิบนาทีสำหรับคำขอ Nova ขีดเวลานั้นหมายถึงเวลาที่คำขอประมวลผล ไม่ใช่ความยาวบันทึกสูงสุดสิบนาที ผลที่มีประโยชน์รวมส่วนท้ายของบันทึกที่ตั้งใจ บทถอดเสียงที่เก็บเพียงบางส่วนไม่ควรถือเป็นข้อความครบ

อ่านคำ เวลา และความมั่นใจ

คำตอบ JSON ตามเอกสารมีตัวเลือกบทถอดเสียงและคำที่รู้จำ โดยแต่ละคำมีเวลาเริ่มและจบเป็นวินาทีจากต้นเสียงกับค่าความมั่นใจ สำหรับบทถอดเสียงหลายผู้พูด การแยกผู้พูดที่เลือกเปิดได้ให้ป้ายผู้พูดแก่แต่ละคำ การแยกผู้พูดจากเสียงที่บันทึกยังคืนความมั่นใจผู้พูด ส่วนการแยกจากสตรีมคืนป้ายผู้พูด ตรวจป้ายเหล่านั้นกับเสียงในบันทึก ความมั่นใจบทถอดเสียงรวมยังรายงานบนมาตรา 0–1 เมื่อขอ smart formatting ผลอาจมีวรรคตอนและตัวพิมพ์ใหญ่เล็กในคำที่จัดวรรคตอน พร้อมข้อมูลย่อหน้าที่อ่านรู้เรื่อง

ใช้ฟิลด์ตามความหมาย เวลาคำระบุตำแหน่งเสียงพูดที่รู้จำ ส่วนความมั่นใจเป็นการบอกความน่าเชื่อถือของโมเดล ไม่ใช่หลักฐานว่าได้ยินชื่อยากหรือปริมาณถูก สำหรับเตรียมคำบรรยาย เก็บเวลากับถ้อยคำที่ตรวจแล้วและตรวจขอบเทียบเสียง สำหรับรุ่นบรรณาธิการที่อ่านง่าย ให้แยกการเปลี่ยนจากบทถอดเสียงที่รู้จำ แทนการแทนคำไม่แน่นอนด้วยเรื่องราวที่ดูสมเหตุผลโดยไม่แจ้ง

การรู้จำสตรีมและเซกเมนต์สุดท้าย

เวิร์กโฟลว์สตรีมของ Nova คืนข้อความเมื่อเสียงเข้ามา ทั้งผลระหว่างทางและผลสุดท้าย ตัวบ่งชี้ is_final แยกข้อความที่ยังอาจแก้จากเซกเมนต์ที่ยืนยันแล้ว ตัวบ่งชี้ speech_final เกี่ยวกับการตรวจปลายช่วงเสียงพูด แยกสัญญาณเหล่านี้จากเพียงการได้รับบทถอดเสียงไม่ว่าง และเก็บเซกเมนต์สุดท้ายตามลำดับเสียงเมื่อเตรียมระเบียนครบ

Nova-3 เป็น ASR ทั่วไป ไม่ใช่โมเดลสนทนา Flux แยกที่ตรวจผลัดพูดในตัวโมเดล Nova ระบุความเป็นข้อความสุดท้ายและปลายเสียงพูด ส่วน Flux มีเหตุการณ์สถานะผลัดสนทนาของตน เลือกเวิร์กโฟลว์ถอดตามเสียงที่บันทึกแล้วหรือกำลังเข้ามาสด โดยใช้เอาต์พุตสุดท้ายจริงเป็นสิ่งส่งมอบที่เก็บ

Keyterms สำหรับคำศัพท์ที่สำคัญ

Keyterm Prompting ของ Nova-3 ตามเอกสารรองรับการถอดเสียงภาษาเดียวและหลายภาษา และปรับการรู้จำไปยังคำสำคัญโดยไม่ฝึกโมเดลใหม่ ให้ชื่อ ศัพท์ผลิตภัณฑ์ ตัวย่อ หรือวลีหลายคำที่เกี่ยวข้องและอาจถูกพูดจริง คู่มือจำกัดอินพุต keyterm รวมไว้ที่ 500 โทเคน และแนะนำให้เน้นคำศัพท์สำคัญที่สุด แทนการเพิ่มคำทั่วไปอย่างไม่เลือก

ไวยากรณ์ผู้ผลิตใช้คำธรรมดา โดยมีรายการ keyterm แยกสำหรับแต่ละคำ วลีหลายคำคงเป็นวลีเดียว น้ำหนักหรือการเพิ่มความเข้ม keyword แบบเก่า และการเชื่อมคำแยกด้วยจุลภาค อัฒภาค หรือขึ้นบรรทัดใหม่ไม่เทียบเท่ากัน อินเทอร์เฟซอาจรับเป็นค่าตามตัวอักษรเดียวโดยไม่ให้แรงส่งตามที่ตั้งใจ ใช้ตัวพิมพ์ใหญ่เล็กของชื่อให้ถูก แล้วตรวจบทถอดเสียง เพราะบริบทเสียงและ smart formatting ยังเปลี่ยนรูปเขียนสุดท้ายได้

ขอบเขตตระกูลโมเดลและผลที่มีประโยชน์

โปรไฟล์ Nova-3 ทั่วไปแยกจากตัวเลือกชื่อ Medical และ Pharma การชี้นำคำศัพท์ไม่ได้เปลี่ยนเป็นรุ่นอื่น และไม่ควรสมมติว่าขอบเขตภาษาหรือพฤติกรรมของโมเดลเฉพาะใช้กับโมเดลทั่วไป ฟีเจอร์ประมวลผลบทถอดเสียงเพิ่มเติมเป็นตัวเลือกในเวิร์กโฟลว์เสียงผู้ผลิต ไม่ใช่หลักฐานว่าการรู้จำสร้างสรุป คำแปล หรือสิ่งส่งมอบอื่นที่ไม่เคยขอ

สิ่งส่งมอบ Nova-3 ที่มีประโยชน์อาจเป็นบทถอดประชุมที่ค้นได้ ถ้อยคำพร้อมทำคำบรรยายที่มีเวลารายคำ หรือบันทึกบทสนทนาหลายภาษา เก็บตัวระบุเสียง เวิร์กโฟลว์ภาษาที่เลือก ข้อความสุดท้าย และฟิลด์ความมั่นใจหรือเวลาที่มีประโยชน์ ตรวจชื่อ ตัวเลข เสียงซ้อน และการเปลี่ยนภาษาที่ไม่ชัดกับบันทึกต้นฉบับ และให้เสียงพูดที่รู้จำจริงยังใช้ได้สำหรับขั้นตอนประมวลผลเนื้อหาถัดไป

Ailoot Ultra · การรู้จำเสียงพูด POST /v1/audio/transcriptions deepgram/nova-3

deepgram/nova-3

Deepgram /deepgram/nova-3

เริ่มต้น

อินพุตที่รองรับ: เสียง
ผลลัพธ์: transcription

ใช้งานได้ใน Ailoot · อินพุตและเมธอด

Ailoot Ultra · การรู้จำเสียงพูด POST /v1/audio/transcriptions

ขาเข้า: audio
ขาออก: transcription
รูปแบบเอาต์พุต: json

ฟิลด์	ประเภท	ข้อกำหนด	ค่าและข้อจำกัด	ค่าเริ่มต้น
ฟิลด์`model`	ประเภท`string`	ข้อกำหนดจำเป็น	ค่าและข้อจำกัด deepgram/nova-3	ค่าเริ่มต้น—
ฟิลด์`input_audio`	ประเภท`object`	ข้อกำหนดจำเป็น	ค่าและข้อจำกัด	ค่าเริ่มต้น—
ฟิลด์`language`	ประเภท`string`	ข้อกำหนดไม่บังคับ	ค่าและข้อจำกัด	ค่าเริ่มต้น—
ฟิลด์`temperature`	ประเภท`number`	ข้อกำหนดไม่บังคับ	ค่าและข้อจำกัด ขั้นต่ำ: 0 สูงสุด: 1	ค่าเริ่มต้น—
ฟิลด์`response_format`	ประเภท`string`	ข้อกำหนดไม่บังคับ	ค่าและข้อจำกัด json, verbose_json	ค่าเริ่มต้นjson
ฟิลด์`timestamp_granularities`	ประเภท`array`	ข้อกำหนดไม่บังคับ	ค่าและข้อจำกัด	ค่าเริ่มต้น—
ฟิลด์`provider`	ประเภท`object`	ข้อกำหนดไม่บังคับ	ค่าและข้อจำกัด	ค่าเริ่มต้น—

ชุดผสมของสื่ออินพุต

speech_to_text · จำเป็น: actual matching-format audio file

พารามิเตอร์และวงจรการทำงานของเมธอด

พารามิเตอร์	ข้อกำหนด
พารามิเตอร์`content_types`	ข้อกำหนดapplication/json, multipart/form-data
พารามิเตอร์`required`	ข้อกำหนดmodel, input_audio
พารามิเตอร์`material_types`	ข้อกำหนดaudio
พารามิเตอร์`JSON_audio`	ข้อกำหนดไบต์เสียงดิบจริงในรูป base64 พร้อมรูปแบบที่ตรงกัน
พารามิเตอร์`multipart_required`	ข้อกำหนดmodel, file
พารามิเตอร์`multipart_cap_bytes`	ข้อกำหนด26214400
พารามิเตอร์`optional_controls`	ข้อกำหนดlanguage, temperature, response_format, timestamp_granularities, provider
พารามิเตอร์`default_response_format`	ข้อกำหนดjson
พารามิเตอร์`optional_features`	ข้อกำหนดผลลัพธ์แบบละเอียด diarize/keyterms และ URL/เสียงแบบอินไลน์ที่ใหญ่ขึ้นต้องอาศัยความสามารถและอัตราค่าบริการที่ตรงกับโมเดล/ผู้ให้บริการ

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}

ใช้โมเดลที่ตรงตามที่กำหนดและฟิลด์ข้อมูลขาเข้าตามเอกสาร

เก็บการตอบกลับทั้งหมด ผลลัพธ์จริงทุกรายการ และ ID เดิมที่ส่งกลับ

ราคา

ข้อมูลอัตราราคาไม่ได้เพิ่มตัวเลือกคำขอ พารามิเตอร์ที่รองรับระบุไว้สำหรับเมธอดที่เลือก

โหมดรวดเร็ว: ไม่ได้ระบุ เมื่อเลือกโหมดรวดเร็ว
โหมดยืดหยุ่น: ไม่ได้ระบุ เมื่อเลือกโหมด flex
ระดับการใช้เหตุผลสูงสุด: ไม่ได้ระบุ เมื่อใช้การปรับตามค่าเริ่มต้น (default) สำหรับระดับการใช้เหตุผลสูงสุด

อัตราค่าบริการ Ailoot

ราคาตามการตั้งค่า

เทียบค่าบริการแต่ละรายการกับเงื่อนไขที่แสดง เลือกใช้อัตราเดียวสำหรับแต่ละชุดการตั้งค่าที่เป็นตัวเลือกทดแทนกัน

การตั้งค่า	ตารางอัตราค่าบริการ	หน่วยคิดค่าบริการ	ค่าบริการ
การตั้งค่าอัตราค่าบริการโทเคนพื้นฐาน	ตารางอัตราค่าบริการอัตราพื้นฐาน	หน่วยคิดค่าบริการ—	ค่าบริการ ขาเข้า · โทเค็นอินพุต — / 1K โทเค็น ขาออก · โทเค็นเอาต์พุต — / 1K โทเค็น ขาเข้า · การอ่านแคช — / 1K โทเค็น ขาเข้า · การเขียนแคช — / 1K โทเค็น ขาเข้า · การเขียนแคช, 1 ชั่วโมง — / 1K โทเค็น
การตั้งค่าUltra	ตารางอัตราค่าบริการ—	หน่วยคิดค่าบริการต่อวินาทีของเสียงอินพุต	ค่าบริการ ขาเข้า · วินาทีเสียงขาเข้า $0.0001433333333334 ต่อวินาทีของเสียงอินพุต

Ailoot กันยอดเงินประมาณการไว้ก่อนส่งคำขอ หลังได้ผลลัพธ์ จะคิดค่าบริการสุดท้ายตามการใช้งานที่วัดได้ การคิดค่าบริการแบบสตรีมใช้บันทึกการใช้งานสุดท้าย วิธีกันยอดเงินและคิดค่าบริการสุดท้าย →

รายละเอียดอัตราอ้างอิง

ตารางอัตราอ้างอิงระดับโมเดลไม่เปลี่ยนเมธอดที่เลือก ยอดประมาณการ หรือค่าบริการ การคิดค่าบริการจริงใช้อัตราของเมธอด Ailoot ที่เลือก

Deepgram: Nova-3

ราคาตามการตั้งค่า

การตั้งค่า	เงื่อนไขคิดค่าบริการ	ค่าบริการ
การตั้งค่าDeepgram: Nova-3 · การตั้งค่าเริ่มต้น	เงื่อนไขคิดค่าบริการการตั้งค่าเริ่มต้น	ค่าบริการ ขาเข้า · วินาทีเสียงขาเข้า ≈US$0.000143 ต่อวินาทีของเสียงอินพุต

ตัวอย่างคำขอ

Ailoot Ultra · การรู้จำเสียงพูด

curl · เนื้อหาคำขอแบบเนทีฟที่ตรงตามต้นฉบับและผลลัพธ์ที่ครบถ้วน

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_AUDIO_FILE:?Set the path to your actual WAV recording}"
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
import base64
audio=Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()
if not (audio[:4]==b'RIFF' and audio[8:12]==b'WAVE'): raise SystemExit('Supply an actual WAV audio file')
if len(audio)>26214400: raise SystemExit('Use a documented supported large-file flow')
request={'model': 'deepgram/nova-3', 'input_audio': {'data': '${BASE64_ACTUAL_WAV_BYTES}', 'format': 'wav'}}
request['input_audio']['data']=base64.b64encode(audio).decode('ascii')
Path('request.json').write_text(json.dumps(request,ensure_ascii=False),encoding='utf-8')
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \
  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
  --data-binary @request.json -D response-headers.txt -o response.bin
# Keep the complete original response and headers. Read every returned segment, word and usage field.
# Preserve actual operation/task/asset IDs; continue reads of the original result without resubmitting.

รับและบันทึกผลลัพธ์

Ailoot Ultra · การรู้จำเสียงพูด

json

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

เก็บผลลัพธ์ที่เสร็จสมบูรณ์ทั้งหมด

เก็บทุกการตอบกลับ ไฟล์ และส่วนเนื้อหาที่ส่งกลับมาอย่างครบถ้วน

JSON ต้นฉบับทั้งหมด ข้อความ/ช่วงข้อความ/คำ/ผู้พูด/เวลาที่มีอยู่ทั้งหมด และการใช้งาน

เมื่อต้องตรวจสอบการตอบกลับต้นฉบับ

เก็บ operation_id/X-Client-Request-ID เดิมและการตอบกลับเดิม อ่านบันทึกงาน/แอสเซ็ตจริงที่เป็นของคุณโดยไม่ส่งซ้ำ ไม่มีการสร้าง URL ตรวจสอบสถานะเสียงเฉพาะ

ฟิลด์การตอบกลับ

ฟิลด์	ประเภท
ฟิลด์`text`	ประเภทstring
ฟิลด์`usage`	ประเภทobject
ฟิลด์`segments[]`	ประเภทobject
ฟิลด์`words[]`	ประเภทobject

ชื่ออื่น

ชื่ออื่นของโมเดล

Ailoot Ultra deepgram/nova-3

ชื่อพาธเมธอดอื่น

ใช้พาธเมธอดที่แสดงด้านบน

ID ที่เกี่ยวข้องสำหรับเรียกใช้โมเดล

deepgram/nova-3

FAQ · Deepgram: Nova-3

มีอินพุตและผลลัพธ์ใดบ้าง?: POST /v1/audio/transcriptions · deepgram/nova-3: audio → transcription
คำขอใช้ฟิลด์ใดบ้าง?: POST /v1/audio/transcriptions · deepgram/nova-3: model, input_audio, language, temperature, response_format, timestamp_granularities, provider
มีข้อจำกัดใดบ้าง?: POST /v1/audio/transcriptions · deepgram/nova-3: temperature.minimum: 0; temperature.maximum: 1

Deepgram: Nova-3

Deepgram: Nova-3

เลือกเวิร์กโฟลว์ภาษา

เสียงที่บันทึกและการเตรียมบทถอดเสียง

อ่านคำ เวลา และความมั่นใจ

การรู้จำสตรีมและเซกเมนต์สุดท้าย

Keyterms สำหรับคำศัพท์ที่สำคัญ

ขอบเขตตระกูลโมเดลและผลที่มีประโยชน์

เริ่มต้น

ใช้งานได้ใน Ailoot · อินพุตและเมธอด

ราคา

อัตราค่าบริการ Ailoot

ราคาตามการตั้งค่า

รายละเอียดอัตราอ้างอิง

ราคาตามการตั้งค่า

ตัวอย่างคำขอ

Ailoot Ultra · การรู้จำเสียงพูด

รับและบันทึกผลลัพธ์

Ailoot Ultra · การรู้จำเสียงพูด

เก็บผลลัพธ์ที่เสร็จสมบูรณ์ทั้งหมด

เมื่อต้องตรวจสอบการตอบกลับต้นฉบับ

ชื่ออื่น

ชื่ออื่นของโมเดล

ชื่อพาธเมธอดอื่น

ID ที่เกี่ยวข้องสำหรับเรียกใช้โมเดล

บริษัทและพอร์ตโฟลิโอโครงการของบริษัท

ซื้อโทเคนพร้อมส่วนลด

เชื่อม API กับผลิตภัณฑ์ ที่คุณขาย