Fish Audio: Transcribe 1

Transcribe 1 แปลงเสียงบันทึกสั้นเป็นข้อความ พร้อมตรวจจับภาษาอัตโนมัติและตัวเลือกเวลาประทับระดับคำ ใช้บทถอดเสียงสำหรับโน้ตเสียง คลิปที่ค้นหาได้ หรือการเตรียมคำบรรยาย โดยแยกช่วงข้อความพร้อมเวลาออกจากข้อความฉบับเต็มที่อ่านสะดวก

Ailoot Ultra · การถอดเสียง POST /v1/audio/transcriptions fish-audio/transcribe-1

เกี่ยวกับโมเดล

คำอธิบายนี้ครอบคลุมความสามารถของโมเดล อินพุต เอาต์พุต และตัวเลือกที่ใช้ได้ใน Ailoot แสดงด้านล่างตามเมธอดที่เลือก

Transcribe 1 เป็นโมเดลแปลงเสียงพูดเป็นข้อความทั่วไปของ Fish Audio สำหรับเสียงบันทึกสั้น รับไฟล์เสียงและคืนคำที่รู้จำเป็นข้อความ พร้อมระยะเวลาการบันทึก ช่วงข้อความพร้อมเวลาที่เลือกขอได้ และข้อมูลภาษาเมื่อทราบ เหมาะกับโน้ตเสียงสั้น คำสั่งพูด ข้อความตัดตอนจากเสียงบันทึก หรือคลิปเสียงที่ต้องการแปลงเป็นข้อความให้อ่านได้

ตัวอย่างเวิร์กโฟลว์โน้ตเสียงเก็บเสียงบันทึกคู่กับบทถอดเสียงเต็มและรหัสคลิปต้นฉบับ ขั้นถัดไปของแอปพลิเคชันสามารถค้นข้อความ จัดระเบียบโน้ต หรือสร้างบทสรุปโดยเก็บแหล่งคำพูดไว้ สำหรับคำสั่ง บทถอดเสียงส่งคำที่รู้จำให้แอปพลิเคชัน การดำเนินการใด ๆ เป็นขั้นตีความและปฏิบัติที่แยกต่างหาก สำหรับข้อความตัดตอนสัมภาษณ์ ให้บันทึกตำแหน่งคลิปในเสียงเต็มเพื่อให้ตรวจคำอ้างได้ตรงจุด

ผู้ผลิตรับ WAV, MP3, AAC รวม M4A/MP4, FLAC และ Ogg ที่บรรจุ Opus หรือ Vorbis เสียงบันทึกจากเบราว์เซอร์ใน WebM ควรแปลงเป็น Ogg/Opus, MP3 หรือ WAV สำหรับโมเดลนี้ ส่วน Pro มีเอกสารระบุการรองรับคอนเทนเนอร์เพิ่มเติมโดยตรง ส่งไฟล์เสียงหนึ่งไฟล์ต่อคำขอ ขีดจำกัดคำขอของโมเดลพื้นฐานตามเอกสารคือสูงสุด 50 MiB โดยไฟล์ MP3 และ Opus ต้องต่ำกว่า 25 MiB ขนาดไฟล์กับระยะเวลาเสียงเป็นคนละเรื่อง ไฟล์บีบอัดอาจอยู่ในขีดจำกัดอัปโหลดแต่ยังใช้เวลาประมวลผลนานเกินไป

Transcribe 1 ออกแบบสำหรับเสียงบันทึกสั้น ผู้ผลิตแนะนำ Pro สำหรับเสียงยาวกว่าสองสามนาที คำขอยาวของโมเดลพื้นฐานอาจล้มเหลวเมื่อเกินเวลาประมวลผลที่จำกัด เมื่อแบ่งต้นฉบับยาวเป็นคลิปสั้นเพื่อถอดเสียง ให้เก็บเวลาเริ่มต้นของแต่ละคลิปและยืนยันว่าบทถอดเสียงครอบคลุมคลิปทั้งหมดก่อนรวมผล บวกเวลาเริ่มต้นต้นฉบับเข้ากับเวลาในช่วงข้อความของคลิปเพื่อให้การนำทางยังเชื่อมกับเสียงเต็ม คำแนะนำของโมเดลพื้นฐานไม่ควรตีความเป็นงบ 60 นาทีที่แยกต่างหากของ Pro

คำตอบจากผู้ผลิตมี text, duration และ segments ระยะเวลาแสดงเป็นวินาที และควรเก็บบทถอดเสียงเต็มที่อ่านสะดวกเป็นถ้อยคำหลักของคลิป การระบุเวลาเป็นตัวเลือก โดย ignore_timestamps ใน API ของผู้ผลิตมีค่าเริ่มต้น true ส่วน false ขอช่วงระดับคำพร้อมข้อความ เวลาเริ่ม และเวลาสิ้นสุดเป็นวินาที การขอจัดแนวเพิ่มเวลาประมวลผล อาร์เรย์ segments ที่ว่างอาจหมายถึงข้ามการระบุเวลา ไม่มีคำพูด หรือการจัดแนวไม่พร้อมชั่วคราว จึงไม่ควรสรุปอัตโนมัติว่าบทถอดเสียงเต็มว่าง

โดยทั่วไปช่วงข้อความเป็นคำ หรือหนึ่งถึงไม่กี่ตัวอักษรในภาษาจีนและญี่ปุ่น ข้อความของช่วงละเครื่องหมายวรรคตอนและอาจปรับค่าต่างจากบทถอดเสียงเต็ม จึงไม่ใช่สำเนาตัวอักษรต่อตัวอักษรของคำตอบที่อ่านสะดวก ช่วงหนึ่งอาจมีเวลาเริ่มและเวลาสิ้นสุดเท่ากัน ใช้ช่วงข้อความเพื่อหาตำแหน่งในเสียงหรือเตรียมการแสดงตามเวลา และใช้ข้อความเต็มเมื่อถ้อยคำกับวรรคตอนมีความสำคัญ เก็บสองรูปแบบนี้แยกกันในชิ้นงานผลลัพธ์

ระบบตรวจจับภาษาอัตโนมัติ ไม่ว่าจะส่งคำใบ้ภาษาหรือไม่ ผู้ผลิตระบุรหัส ISO 639-1 ตัวพิมพ์เล็กสำหรับคำใบ้ และคืนรหัสภาษาสำหรับตรรกะแอปพลิเคชันพร้อมชื่อภาษาสำหรับแสดงเมื่อทราบ คำตอบรายงานภาษาเดียว ไม่ใช่ทุกภาษาในเสียงที่สลับภาษา เก็บถ้อยคำต้นฉบับและข้อมูลภาษาที่มีไว้กับผลลัพธ์ แทนการถือว่าคำขอถอดเสียงเป็นการแปล

สำหรับเวิร์กโฟลว์คำบรรยาย ให้รวมช่วงเวลาที่ต่อเนื่องเป็นข้อความคำบรรยายที่อ่านสะดวกแทนการแสดงทีละคำ ผลลัพธ์ที่มีประโยชน์คือไฟล์ SRT หรือ WebVTT ที่เชื่อมกับคลิปต้นฉบับ โดยกำหนดขอบเขตให้เหมาะกับจังหวะหยุดและมีข้อความบนจอในปริมาณพอดี ตรวจเวลาที่ขาดหายและให้เวลาสิ้นสุดแต่ละช่วงอยู่หลังเวลาเริ่ม การจัดกลุ่มคำบรรยายและรูปแบบไฟล์เป็นขั้นของแอปพลิเคชันที่สร้างจากการจัดแนวที่ได้รับ รูปแบบแสดงควรเหมาะกับเครื่องเล่นและผู้ชม

ตัวควบคุมของ Transcribe 1 ตามเอกสารคือเสียง คำใบ้ภาษา และตัวเลือกการระบุเวลา เครื่องหมายผู้พูด รอบผู้พูดแบบมีโครงสร้าง ตัวควบคุมเหตุการณ์อารมณ์ และคำใบ้จำนวนผู้พูดของ Pro เป็นคุณสมบัติแยกต่างหาก ไม่อยู่ในข้อกำหนดคำตอบของโมเดลพื้นฐานนี้ เลือกชิ้นงานที่ต้องการก่อนประมวลผล จะเป็นข้อความอ่านสะดวกสำหรับโน้ต หรือข้อความพร้อมการจัดแนวเพื่อการนำทางและคำบรรยาย การเก็บรหัสคลิป บทถอดเสียง และเวลาที่มี ทำให้ใช้ผลลัพธ์ในขั้นถัดไปของแอปพลิเคชันได้

Ailoot Ultra · การถอดเสียง POST /v1/audio/transcriptions fish-audio/transcribe-1

fish-audio/transcribe-1

Fish Audio /fish-audio/transcribe-1

เริ่มต้น

อินพุตที่รองรับ: เสียง
ผลลัพธ์: ข้อความ

ใช้งานได้ใน Ailoot · อินพุตและเมธอด

Ailoot Ultra · การถอดเสียง POST /v1/audio/transcriptions

ขาเข้า: audio
ขาออก: text

ฟิลด์	ประเภท	ข้อกำหนด	ค่าและข้อจำกัด	ค่าเริ่มต้น
ฟิลด์`model`	ประเภท`string`	ข้อกำหนดจำเป็น	ค่าและข้อจำกัด fish-audio/transcribe-1	ค่าเริ่มต้น—
ฟิลด์`input_audio`	ประเภท`object`	ข้อกำหนดจำเป็น	ค่าและข้อจำกัด	ค่าเริ่มต้น—

พารามิเตอร์และวงจรการทำงานของเมธอด

พารามิเตอร์	ข้อกำหนด
พารามิเตอร์`content_type`	ข้อกำหนดapplication/json
พารามิเตอร์`required`	ข้อกำหนดmodel, input_audio
พารามิเตอร์`material_types`	ข้อกำหนดaudio
พารามิเตอร์`material_conditions`	ข้อกำหนดตัวอย่างนี้อ่านไฟล์ PCM WAV จริงของคุณที่ไม่ว่าง เข้ารหัสไบต์ทั้งหมดของไฟล์เป็น base64 และส่ง input_audio.format เป็น wav

วงจรการทำงาน: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · task_id ที่ตรงตามบันทึกสื่อเดิมซึ่งเป็นของคุณ

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

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

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 →

ตัวอย่างคำขอ

Ailoot Ultra · การถอดเสียง

curl · ไฟล์ WAV จริงและผลลัพธ์ต้นฉบับที่ครบถ้วน

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_AUDIO_FILE:?Set the path to your actual PCM WAV recording}"
export AILOOT_AUDIO_FILE
python3 - <<'PY_REQUEST'
import base64, io, json, os, wave
from pathlib import Path
audio = Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()
if not (audio[:4] == b'RIFF' and audio[8:12] == b'WAVE'):
    raise SystemExit('Supply your actual PCM WAV audio file')
with wave.open(io.BytesIO(audio), 'rb') as recording:
    if recording.getcomptype() != 'NONE' or recording.getnframes() <= 0:
        raise SystemExit('Supply a nonempty PCM WAV recording')
request = {'model': 'fish-audio/transcribe-1', 'input_audio': {'data': base64.b64encode(audio).decode('ascii'), 'format': 'wav'}}
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
# Retain the complete original response, headers and actual X-Client-Request-ID.
# Read existing owned records for recovery; do not resubmit an uncertain operation.

รับและบันทึกผลลัพธ์

Ailoot Ultra · การถอดเสียง

เนื้อหาการตอบกลับเดิมทั้งหมด สถานะ และส่วนหัวที่ส่งต่อ ตัวจัดการนี้ไม่เพิ่มโครงสร้าง JSON ฟิลด์ข้อความ หรือโครงสร้างห่อหุ้มงานแบบสากล

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

เก็บการตอบกลับและส่วนหัวให้ครบถ้วน เก็บผลลัพธ์จริงทุกรายการ ตัวระบุที่ส่งกลับมาแต่เดิม และฟิลด์ข้อมูลการใช้งานทั้งหมด กู้คืนการดำเนินการเดิมโดยไม่ส่งคำขอสร้างซ้ำ

เมื่อต้องตรวจสอบการตอบกลับต้นฉบับ

เก็บ X-Client-Request-ID จริงและการตอบกลับทั้งหมด อ่านแอสเซ็ตเดิมที่เป็นของคุณและ URL เนื้อหาที่ลงลายเซ็นตรงตามที่ส่งกลับ ห้ามส่งคำขอสร้างที่ยังไม่แน่ชัดซ้ำ

ฟิลด์การตอบกลับ

ฟิลด์	ประเภท
ฟิลด์`text (when present)`	ประเภท
ฟิลด์`usage (when present)`	ประเภท

ข้อผิดพลาดและขั้นตอนถัดไป

การตอบกลับ	เงื่อนไข	ขั้นตอนถัดไป
การตอบกลับ400 · `invalid_request_error`	เงื่อนไขเนื้อหา JSON หรือ ID โมเดลมาตรฐานที่ระบุชัดเจนไม่ถูกต้อง	ขั้นตอนถัดไปเก็บการตอบกลับและแก้ไขฟิลด์คำขอที่ระบุ
การตอบกลับ401 · `authentication_error`	เงื่อนไขคีย์ API ของ Ailoot ไม่ถูกต้อง	ขั้นตอนถัดไปใช้คีย์ API ของ Ailoot ที่คุณได้รับอนุญาต
การตอบกลับ403 · `permission_error`	เงื่อนไขกลุ่มคีย์ไม่อนุญาตให้ใช้เมธอดนี้	ขั้นตอนถัดไปเก็บรายละเอียดข้อผิดพลาดที่ส่งกลับไว้
การตอบกลับ404 · `not_found_error`	เงื่อนไขเมธอดที่เลือกไม่มีเส้นทางที่ได้รับอนุญาต	ขั้นตอนถัดไปเก็บรายละเอียดข้อผิดพลาดที่ส่งกลับไว้
การตอบกลับ422 · `price_unavailable`	เงื่อนไขอัตราค่าบริการที่ยอมรับไม่สามารถระบุปริมาณข้อมูลขาเข้าหรือขอบเขตที่จำเป็นได้	ขั้นตอนถัดไปเก็บการตอบกลับไว้ ใช้รูปแบบข้อมูลขาเข้าที่อัตราค่าบริการที่ยอมรับกำหนดไว้
การตอบกลับ503 ·	เงื่อนไขที่เก็บข้อมูล เส้นทาง ราคาเมธอด หรือการกันวงเงินที่จำเป็นไม่พร้อมใช้งาน	ขั้นตอนถัดไปเก็บการตอบกลับเดิมทั้งหมด การกันวงเงินที่ไม่แน่นอนไม่อนุญาตให้ส่งซ้ำ
การตอบกลับ502 · `server_error`	เงื่อนไขต้องตรวจสอบผลลัพธ์ การใช้งาน หรือการชำระบัญชีเดิม	ขั้นตอนถัดไปเก็บ ID คำขอจริงและการตอบกลับเดิม อ่านบันทึกเดิมที่เป็นของคุณ อย่าส่งคำขอสร้างซ้ำ

ชื่ออื่น

ชื่ออื่นของโมเดล

Ailoot Ultra fish-audio/transcribe-1

ชื่อพาธเมธอดอื่น

ใช้พาธเมธอดที่แสดงด้านบน

ID ที่เกี่ยวข้องสำหรับเรียกใช้โมเดล

fish-audio/transcribe-1

FAQ · Fish Audio: Transcribe 1

มีอินพุตและผลลัพธ์ใดบ้าง?: POST /v1/audio/transcriptions · fish-audio/transcribe-1: audio → text
คำขอใช้ฟิลด์ใดบ้าง?: POST /v1/audio/transcriptions · fish-audio/transcribe-1: model, input_audio

Fish Audio: Transcribe 1