Fish Audio: Transcribe 1 Pro
Transcribe 1 Pro แปลงบันทึกเสียงยาวสูงสุด 60 นาทีเป็นข้อความที่มีเครื่องหมายผู้พูด และเลือกขอข้อมูลเวลารายคำได้ รักษาอารมณ์ที่อนุมานและสัญญาณเหตุการณ์การใช้เสียง ทำให้ตรวจ ค้นหา หรือเตรียมบทสัมภาษณ์ ประชุม และพอดแคสต์เป็นคำบรรยายได้ง่ายขึ้น
เกี่ยวกับโมเดล
คำอธิบายนี้ครอบคลุมความสามารถของโมเดล อินพุต เอาต์พุต และตัวเลือกที่ใช้ได้ใน Ailoot แสดงด้านล่างตามเมธอดที่เลือก
Transcribe 1 Pro เป็นโมเดลแปลงเสียงพูดเป็นข้อความของ Fish Audio สำหรับคลิปสั้น บทสนทนาหลายผู้พูด และบันทึกเสียงยาว รับเสียงที่บันทึกแล้วคืนบทถอดเสียง พร้อมข้อมูลเวลาที่เลือกขอได้และช่วงผลัดพูดที่มีโครงสร้าง จุดต่างคือเครื่องหมายเปลี่ยนผู้พูดในข้อความและสัญญาณอารมณ์หรือเหตุการณ์การใช้เสียง ซึ่งเก็บโครงสร้างบทสนทนาได้มากกว่าลำดับคำธรรมดา
สำหรับสัมภาษณ์ ประชุม หรือพอดแคสต์ ให้เก็บบทสนทนาครบในไฟล์เดียว เพื่อให้ผู้พูดที่กลับมาพูดอีกยังใช้ป้ายเดียวกันภายในคำตอบ สิ่งส่งมอบเพื่อตรวจที่มีประโยชน์คือบทถอดเสียงที่เชื่อมกับบันทึกต้นฉบับ แสดงผลัดพูดแยกกัน และมี timestamp ใช้ตรวจคำอ้าง สรุปหรือรายการสิ่งที่ต้องทำเป็นขั้นตอนแอปพลิเคชันภายหลัง ให้แยกจากบทถอดเสียงเพื่อให้ยังเปรียบเทียบกับแหล่งเสียงได้
ผู้ผลิตรับบันทึกเสียงสูงสุด 60 นาที และอธิบายการประมวลผลไฟล์ยาวด้วยเสียงบีบอัดอย่าง MP3, Opus หรือ AAC รูปแบบที่รองรับรวม WAV, MP3, AAC ใน M4A หรือ MP4, FLAC, Ogg ที่ใช้ Opus หรือ Vorbis, WebM/Matroska และ MOV สำหรับวิดีโอ ใช้แทร็กเสียงแรก ไม่รองรับ AIFF, CAF, WMA, AMR, AC-3 และ PCM ดิบที่ไม่มี header ให้ไฟล์เสียงหนึ่งไฟล์ต่อคำขอ ผลมาหลังถอดเสียงทั้งบันทึกเสร็จ และบันทึกยาวอาจใช้เวลาหลายนาที คลิปสั้นกว่าประมาณ 0.08 วินาทีถูกปฏิเสธ
คำตอบผู้ผลิตมีข้อความเต็ม ความยาวบันทึกเป็นวินาที และอาร์เรย์ segments Pro ทำเครื่องหมายเปลี่ยนผู้พูดในข้อความด้วยป้ายอย่าง <|speaker:0|> และ <|speaker:1|> ป้ายใช้กับข้อความถัดไปจนถึงเครื่องหมายต่อไป นี่เป็นตัวระบุภายในคำตอบเดียว ไม่ใช่ชื่อหรือบุคคลที่ตรวจยืนยันแล้วและจับคู่ข้ามคำขอได้ หากไม่มีเครื่องหมายผู้พูด คู่มือถือว่าเป็นผลผู้พูดเดียว เก็บข้อความก่อนเครื่องหมายแรกไว้กับผลัดพูดแรก แทนการทิ้ง
Timestamp ระดับคำเป็นทางเลือก ในคำขอผู้ผลิต ignore_timestamps เริ่มต้นเป็น true ตั้ง false เพื่อขอ segments ที่มีข้อความ เวลาเริ่มและจบเป็นวินาที เซกเมนต์โดยทั่วไปคือหนึ่งคำ หรือหนึ่งอักขระหรือไม่กี่ตัวในภาษาจีนและญี่ปุ่น ข้อความเซกเมนต์ไม่รวมวรรคตอน เครื่องหมายผู้พูด และสัญญาณเหตุการณ์ และอาจปรับรูปค่าที่พูดต่างจากบทถอดเสียงเต็ม เวลาเริ่มและจบของคำอาจเท่ากันได้ อาร์เรย์ segments ว่างอาจหมายถึงไม่ได้ขอเวลา ไม่พบเสียงพูด หรือข้อมูลเวลายังใช้ไม่ได้ชั่วคราว ใช้บทถอดเสียงเต็มสำหรับถ้อยคำอ่านรู้เรื่อง และ segments สำหรับจัดแนว แทนการสมมติว่าสองสตริงตรงกันทุกอักขระ
diarize เริ่มต้นเป็น auto เมื่อขอ timestamp และ diarize ไม่ใช่ false Pro ยังคืน speaker_turns แต่ละผลัดพูดมีป้ายผู้พูด ข้อความ และเวลาเริ่ม/จบ โดยเก็บวรรคตอนและสัญญาณที่รักษาไว้ แต่ไม่มีเครื่องหมายผู้พูดในข้อความ หากไม่มีเวลารายคำ เวลาผลัดพูดอาจเป็นค่าประมาณและครอบคลุมทั้งบันทึก ผลัดพูดติดกันไม่จำเป็นต้องต่อเนื่องหรือไม่ทับกัน ปิด diarize จะเอารายการผลัดพูดมีโครงสร้างออก แต่ยังมีเครื่องหมายผู้พูดในข้อความเต็ม จำนวนผู้พูดที่ทราบ หรือจำนวนขั้นต่ำและสูงสุด ช่วยชี้นำการแยกผู้พูดในบันทึกยาวแบบทำเท่าที่ได้ จำนวนแน่นอนไม่ใช้ร่วมกับขอบจำนวน และไม่ใช้คำแนะนำจำนวนเมื่อปิด diarize
สัญญาณอารมณ์และเหตุการณ์การใช้เสียงปรากฏเป็นข้อความในวงเล็บเหลี่ยม เช่น [laughter] ข้างเสียงพูดที่รู้จำ เป็นการอนุมานจากเสียง ไม่ใช่คำที่ผู้ใช้ต้องเพิ่มก่อนถอดเสียง tag_audio_events ของ Pro เริ่มต้นเป็น true ปิดแล้วลบสัญญาณเหล่านี้จากบทถอดเสียงและข้อความผลัดพูดโดยไม่เปลี่ยนเวลา ไม่มีฟิลด์อารมณ์แยกหรือรายการอารมณ์ตายตัว เก็บบทถอดเสียงมีคำกำกับเมื่อเสียงของคำพูดสำคัญ และใช้รุ่นไม่มีสัญญาณเมื่อสิ่งส่งมอบขั้นถัดไปต้องการเฉพาะคำที่พูด
ตรวจภาษาโดยอัตโนมัติ คำแนะนำ ISO 639-1 ตัวพิมพ์เล็กที่เลือกใส่ได้ไม่ได้บังคับแปลหรือเปลี่ยนบทถอดเสียง Pro หากระบุภาษาไม่ได้ รหัสภาษาที่คืนมาอาจสะท้อนคำแนะนำโดยไม่ตรวจเทียบเสียง ผู้ผลิตรายงานหนึ่งภาษา แทนรายการทุกภาษาในบันทึกหลายภาษา เก็บถ้อยคำต้นฉบับกับเมทาดาทาภาษาไว้ด้วยกันเมื่อเตรียมคลังที่ค้นได้ โดยเฉพาะเมื่อส่วนต่าง ๆ ของบทสนทนาสลับภาษา
สำหรับคำบรรยาย ให้รวมคำต่อเนื่องที่มีเวลาเป็นช่วง SRT หรือ WebVTT ที่อ่านง่าย แทนหนึ่งคำต่อหนึ่งคำบรรยาย แยกช่วงตามจังหวะหยุด และเลือกความยาวกับเวลาแสดงให้เหมาะเครื่องเล่นและผู้ชม ขอบผลัดพูดช่วยให้ผู้พูดต่างกันอยู่คนละช่วงได้ ตรวจผลเวลาที่ว่างและช่วงคำบรรยายที่เวลาจบต้องหลังเวลาเริ่ม การจัดรูปคำบรรยาย การตั้งชื่อป้ายผู้พูดนิรนาม และสรุปภายหลังเป็นสิ่งส่งมอบแอปพลิเคชันที่สร้างจากผลถอดเสียง
สำหรับเวิร์กโฟลว์บันทึกเสียงจริง ให้ตัดสินก่อนถอดว่าจะต้องการบทถอดเสียงธรรมดาที่อ่านรู้เรื่อง ผลัดพูดที่มีคำกำกับ หรือคำบรรยายมีเวลา เก็บตัวระบุเสียงกับผล รักษาข้อความเต็มที่คืนมาเมื่อวรรคตอนและสัญญาณสำคัญ และใช้ฟิลด์เวลามีโครงสร้างเพื่อนำทาง ความสามารถบันทึกยาวและหลายผู้พูดของ Pro แยกจากโมเดล Transcribe 1 ทั่วไปสำหรับบันทึกสั้น ไม่ควรถือว่าขีดจำกัดและการควบคุมสลับใช้กันได้
Ailoot Ultra · การรู้จำเสียงพูด POST /v1/audio/transcriptions fish-audio/transcribe-1-pro
fish-audio/transcribe-1-proเริ่มต้น
Transcribe 1 Pro แปลงบันทึกเสียงยาวสูงสุด 60 นาทีเป็นข้อความที่มีเครื่องหมายผู้พูด และเลือกขอข้อมูลเวลารายคำได้ รักษาอารมณ์ที่อนุมานและสัญญาณเหตุการณ์การใช้เสียง ทำให้ตรวจ ค้นหา หรือเตรียมบทสัมภาษณ์ ประชุม และพอดแคสต์เป็นคำบรรยายได้ง่ายขึ้น
- อินพุตที่รองรับ
- เสียง
- ผลลัพธ์
- ข้อความ
ใช้งานได้ใน Ailoot · อินพุตและเมธอด
Ailoot Ultra · การรู้จำเสียงพูด POST /v1/audio/transcriptions
- ขาเข้า
audio- ขาออก
text- รูปแบบเอาต์พุต
- json
| ฟิลด์ | ประเภท | ข้อกำหนด | ค่าและข้อจำกัด | ค่าเริ่มต้น |
|---|---|---|---|---|
ฟิลด์model | ประเภทstring | ข้อกำหนดจำเป็น | ค่าและข้อจำกัด fish-audio/transcribe-1-pro | ค่าเริ่มต้น— |
ฟิลด์input_audio | ประเภทobject | ข้อกำหนดจำเป็น | ค่าและข้อจำกัด ชื่อคีย์ที่แน่นอน: data, format | ค่าเริ่มต้น— |
ฟิลด์input_audio.data | ประเภทbase64_string | ข้อกำหนดจำเป็น | ค่าและข้อจำกัด จำนวนไบต์สูงสุดหลังถอดรหัส: 26,214,400 Base64 แบบเคร่งครัด: ใช่ | ค่าเริ่มต้น— |
ฟิลด์input_audio.format | ประเภทstring | ข้อกำหนดจำเป็น | ค่าและข้อจำกัด เงื่อนไข: ต้องตรงกับรูปแบบที่ตรวจพบจากไฟล์จริง | ค่าเริ่มต้น— |
ฟิลด์response_format | ประเภทstring | ข้อกำหนดไม่บังคับ | ค่าและข้อจำกัด json | ค่าเริ่มต้น— |
ชุดผสมของสื่ออินพุต
speech_to_text · จำเป็น: input_audio.data, input_audio.format
พารามิเตอร์และวงจรการทำงานของเมธอด
| พารามิเตอร์ | ข้อกำหนด |
|---|---|
พารามิเตอร์content_type | ข้อกำหนดapplication/json |
พารามิเตอร์required | ข้อกำหนดmodel, input_audio |
พารามิเตอร์additional_properties | ข้อกำหนดfalse |
พารามิเตอร์parameters | ข้อกำหนด{"name":"model","type":"string","required":true,"enum":["fish-audio/transcribe-1-pro"]}, {"name":"input_audio","type":"object","required":true,"exact_keys":["data","format"],"data":"base64 แบบเคร่งครัดของไบต์เสียงจริงที่รองรับ","format":"รูปแบบไฟล์ที่ตรวจพบอย่างตรงตามจริง ต้องตรงกับไบต์จริง"}, {"name":"response_format","type":"string","required":false,"enum":["json"]} |
พารามิเตอร์max_audio_bytes | ข้อกำหนด26214400 |
พารามิเตอร์multipart_for_this_profile | ข้อกำหนดfalse |
พารามิเตอร์material_types | ข้อกำหนดaudio |
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}
เก็บการตอบกลับทั้งหมดและ ID เดิมที่ส่งกลับ
ห้ามส่งคำขอสร้างที่ยังไม่ทราบผลซ้ำ
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 |
| การตั้งค่าวินาทีเสียงขาเข้า | ตารางอัตราค่าบริการ— | หน่วยคิดค่าบริการต่อวินาทีของเสียงอินพุต | ค่าบริการ ขาเข้า · วินาทีเสียงขาเข้า $0.0002 ต่อวินาทีของเสียงอินพุต |
Ailoot กันยอดเงินประมาณการไว้ก่อนส่งคำขอ หลังได้ผลลัพธ์ จะคิดค่าบริการสุดท้ายตามการใช้งานที่วัดได้ การคิดค่าบริการแบบสตรีมใช้บันทึกการใช้งานสุดท้าย วิธีกันยอดเงินและคิดค่าบริการสุดท้าย →
รายละเอียดอัตราอ้างอิง
ตารางอัตราอ้างอิงระดับโมเดลไม่เปลี่ยนเมธอดที่เลือก ยอดประมาณการ หรือค่าบริการ การคิดค่าบริการจริงใช้อัตราของเมธอด Ailoot ที่เลือก
Fish Audio: Transcribe 1 Pro
ราคาตามการตั้งค่า
| การตั้งค่า | เงื่อนไขคิดค่าบริการ | ค่าบริการ |
|---|---|---|
| การตั้งค่าFish Audio: Transcribe 1 Pro · การตั้งค่าเริ่มต้น | เงื่อนไขคิดค่าบริการการตั้งค่าเริ่มต้น | ค่าบริการ ขาเข้า · วินาทีเสียงขาเข้า US$0.0002 ต่อวินาทีของเสียงอินพุต |
ตัวอย่างคำขอ
Ailoot Ultra · การรู้จำเสียงพูด
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_AUDIO_FILE:?Set your actual audio file}"
: "${AILOOT_AUDIO_FORMAT:?Set its actual probed file format}"
export AILOOT_AUDIO_FILE AILOOT_AUDIO_FORMAT
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "fish-audio/transcribe-1-pro", "response_format": "json"}')
import base64
f=Path(os.environ['AILOOT_AUDIO_FILE'])
raw=f.read_bytes()
if not raw or len(raw)>26214400:raise SystemExit('Use actual audio bytes within 25 MiB')
fmt=os.environ['AILOOT_AUDIO_FORMAT'].strip()
if not fmt:raise SystemExit('Use the actual probed format; the server checks it against the bytes')
p['input_audio']={'data':base64.b64encode(raw).decode(),'format':fmt}
Path('request.json').write_text(json.dumps(p,ensure_ascii=False))
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 result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
r=json.loads(Path('result.json').read_text())
print(json.dumps(r,ensure_ascii=False,indent=2))
print('Keep the complete JSON and response headers; do not resubmit an unknown creation.')
PY_RESULT
รับและบันทึกผลลัพธ์
Ailoot Ultra · การรู้จำเสียงพูด
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 ส่วนหัวการตอบกลับ ข้อความ และฟิลด์การใช้งานจริงทุกฟิลด์ที่ส่งกลับ ใช้ตัวตนงาน/แอสเซ็ตจริงจากการตอบกลับหรือคลังที่เป็นของคุณ operation_id ไม่ใช่ task_id
เมื่อต้องตรวจสอบการตอบกลับต้นฉบับ
เก็บ operation_id/X-Client-Request-ID เดิมไว้เพื่อกระทบยอดโดยไม่ส่งคำขอซ้ำ ไม่มีเส้นทางเฉพาะสำหรับตรวจสอบสถานะงานเสียงเป็นระยะ
ฟิลด์การตอบกลับ
| ฟิลด์ | ประเภท | ความหมาย |
|---|---|---|
ฟิลด์text | ประเภทstring | ความหมายข้อความที่ถอดเสียงแล้ว |
ฟิลด์usage | ประเภทobject | ความหมายการใช้งานเสียง |
ฟิลด์usage.seconds | ประเภทnumber | ความหมายระยะเวลาเสียงเป็นวินาที |
ฟิลด์duration | ประเภทnumber | ความหมายระยะเวลาเสียงเป็นวินาที |
ฟิลด์task_id | ประเภทstring | ความหมายID งานถอดเสียง ส่งกลับพร้อม asset_url เมื่อข้อความถอดเสียงที่ไม่ว่างถูกจัดเก็บ เผยแพร่ และกำหนด URL เนื้อหาที่ลงลายเซ็นแล้ว |
ฟิลด์asset_url | ประเภทstring | ความหมายURL เนื้อหาข้อความถอดเสียงที่ลงลายเซ็น ส่งกลับพร้อม task_id เมื่อข้อความถอดเสียงที่ไม่ว่างถูกจัดเก็บ เผยแพร่ และกำหนด URL เนื้อหาที่ลงลายเซ็นแล้ว |
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 Ultra fish-audio/transcribe-1-pro
ชื่อพาธเมธอดอื่น
ใช้พาธเมธอดที่แสดงด้านบน
ID ที่เกี่ยวข้องสำหรับเรียกใช้โมเดล
FAQ · Fish Audio: Transcribe 1 Pro
- มีอินพุตและผลลัพธ์ใดบ้าง?
POST /v1/audio/transcriptions·fish-audio/transcribe-1-pro:audio→text- คำขอใช้ฟิลด์ใดบ้าง?
POST /v1/audio/transcriptions·fish-audio/transcribe-1-pro:model,input_audio,response_format