OpenAI: GPT-4o Mini Transcribe

GPT-4o Mini Transcribe เป็นโมเดลแปลงเสียงพูดเป็นข้อความของ OpenAI ที่ขับเคลื่อนด้วย GPT-4o Mini เปลี่ยนเสียงเป็นบทถอดเสียง JSON รองรับพรอมป์ต์ข้อความเฉพาะการบันทึกและผลลัพธ์ไฟล์แบบสตรีม และส่งคืนค่าลอการิทึมความน่าจะเป็นของโทเคนเพื่อเจาะจงตรวจบทถอดเสียงได้

Ailoot Ultra · การถอดเสียง POST /v1/audio/transcriptions openai/gpt-4o-mini-transcribe

เกี่ยวกับโมเดล

คำอธิบายนี้ครอบคลุมความสามารถของโมเดล อินพุต เอาต์พุต และตัวเลือกที่ใช้ได้ใน Ailoot แสดงด้านล่างตามเมธอดที่เลือก

GPT-4o Mini Transcribe เป็นโมเดลแปลงเสียงพูดเป็นข้อความของ OpenAI ที่ขับเคลื่อนด้วย GPT-4o Mini รับเสียงพร้อมข้อความแนะนำที่เลือกให้ได้แล้วสร้างข้อความที่รู้จำ เป็นคนละโมเดลกับ GPT-4o Transcribe ซึ่งใช้ GPT-4o และโปรไฟล์ GPT Transcribe ที่ใหม่กว่าซึ่งมีฟิลด์คำสำคัญและคำใบ้หลายภาษาแยกต่างหาก ชิ้นงานที่มีประโยชน์ในที่นี้คือบทถอดเสียงคำพูดต้นฉบับของการบันทึกที่เตรียมไว้สำหรับค้น ตรวจทาน หรือขั้นตอนประมวลผลเนื้อหาถัดไป

เตรียมการบันทึก

คู่มือถอดเสียงจากไฟล์ของ OpenAI รับการอัปโหลดเสียงสูงสุด 25 MB เอกสารอ้างอิงเอนด์พอยต์ปัจจุบันระบุ FLAC, MP3, MP4, MPEG, MPGA, M4A, OGG, WAV และ WebM พร้อมเมทาดาทาชื่อไฟล์และชนิดเนื้อหาที่เพียงพอระบุรูปแบบเสียง การบันทึกที่ใหญ่กว่าบีบอัดหรือแบ่งเป็นชิ้นไม่เกิน 25 MB ได้ รักษาขอบเขตประโยคเมื่อแบ่ง และเก็บแต่ละชิ้นให้เชื่อมกับเสียงต้นทางและตำแหน่ง เพื่อประกอบข้อความตามลำดับที่ถูกต้องภายหลัง

สำหรับบันทึกเสียงพูด ให้เก็บบทถอดเสียงที่ระบุได้หนึ่งรายการต่อการบันทึก และตรวจชื่อหรือตัวเลขก่อนใช้ข้อความสร้างงาน สำหรับบทสอนด้วยคำพูด ให้เทียบถ้อยคำที่รู้จำกับคำแนะนำต้นฉบับก่อนแก้ไขเพื่อเผยแพร่ บรีฟเตรียมงานที่มีประโยชน์ระบุภาษาที่พูดและคำที่อาจฟังผิด การถอดคำเป็นขั้นตอนแรก ส่วนการตีความ สรุป หรือแปลใช้บทถอดเสียงที่ตรวจแล้วภายหลังได้

แนวทางพรอมป์ต์และคำใบ้ภาษาเดียว

การผสาน GPT-4o Mini Transcribe ที่มีอยู่รองรับพรอมป์ต์อิสระ OpenAI อธิบายพรอมป์ต์สำหรับชื่อ ตัวย่อ ศัพท์เฉพาะการบันทึก เครื่องหมายวรรคตอน ตัวพิมพ์ใหญ่เล็ก คำเติมระหว่างพูด และระบบการเขียนที่ต้องการ เอกสารอ้างอิงเอนด์พอยต์ระบุว่าพรอมป์ต์ควรตรงกับภาษาเสียง และนำบริบทจากส่วนเสียงก่อนหน้ามาใช้ได้ ใส่การสะกดที่เกี่ยวข้องหรือคำอธิบายหัวข้อสั้น ๆ แทนการขอให้พรอมป์ต์ถอดเสียงทำงานเหมือนคำสั่งแชตที่ไม่มีข้อจำกัด

คำใบ้ภาษาที่มีอยู่ของโมเดลนี้ใช้ฟิลด์ language แบบเอกพจน์ เอกสารอ้างอิงของผู้พัฒนาระบุรหัสภาษาอินพุต ISO 639-1 เช่น en ส่วนฟิลด์ keywords และ languages แบบพหูพจน์มีเอกสารสำหรับ GPT Transcribe ไม่ใช่ส่วนของโปรไฟล์ Mini นี้ สำหรับการบันทึกหลายรายการ ให้เก็บการตั้งค่าภาษาที่พูดที่ต้องการไว้กับแต่ละอินพุต แทนการตีความว่าเป็นคำขอให้แปลผลลัพธ์

ผลลัพธ์ JSON และตัวเลือกความน่าจะเป็นของโทเคน

เอกสารอ้างอิงเอนด์พอยต์ปัจจุบันระบุ JSON เป็นรูปแบบคำตอบที่ GPT-4o Mini Transcribe รองรับ ถ้อยคำที่รู้จำอยู่ในฟิลด์ text เมื่อร้องขอ คำตอบ JSON แนบค่าลอการิทึมความน่าจะเป็นของโทเคนได้ ค่าเหล่านี้อธิบายความน่าจะเป็นของโทเคนจากโมเดลและช่วยระบุเนื้อหาที่ควรตรวจละเอียด ไม่ได้พิสูจน์ว่าชื่อ ตัวเลข หรือประโยคตรงกับเสียง ใช้การบันทึกตัดสินว่าควรแก้คำที่น่าสงสัยหรือไม่

โปรไฟล์ถอดเสียง Mini ปกติไม่ได้ให้เอาต์พุต SRT, VTT เวลาระดับคำแบบละเอียด หรือป้ายผู้พูดโดยตรงผ่านข้อกำหนด JSON นั้น OpenAI มีเอกสารโมเดลและรูปแบบเฉพาะสำหรับความสามารถเหล่านี้ หากชิ้นงานที่ต้องการคือแทร็กคำบรรยาย ให้เก็บบทถอดเสียงที่ตรวจแล้วไว้สำหรับกระบวนการกำหนดเวลาแยก แทนการคิดว่าผลลัพธ์ข้อความล้วนมีขอบเขตคำบรรยายอยู่แล้ว

สตรีมเอาต์พุตไฟล์และโหมดตามเอกสาร

คู่มือแปลงเสียงพูดเป็นข้อความของผู้พัฒนาระบุชัดว่าการผสาน GPT-4o Mini Transcribe ที่มีอยู่รองรับการสตรีมไฟล์ การบันทึกที่เสร็จแล้วสร้างข้อความถอดเสียงบางส่วนตามด้วยผลลัพธ์สุดท้ายระหว่างประมวลผลได้ เก็บบทถอดเสียงสุดท้ายเป็นชิ้นงานที่เสร็จแล้ว การปรากฏของข้อความบางส่วนไม่ได้หมายความว่ากระบวนการไฟล์รับเสียงไมโครโฟนสดอย่างต่อเนื่อง การ์ดโมเดลแยกระบุตระกูลเอนด์พอยต์การถอดเสียงและ Realtime อินเทอร์เฟซของผู้พัฒนาเหล่านั้นไม่ได้หมายความว่าทุกฟิลด์เซสชันจากโมเดลถอดเสียงอื่นใช้ได้ที่นี่

บริบท โควตาเอาต์พุต และการตรวจที่มีประโยชน์

ข้อกำหนดโมเดลปัจจุบันของ OpenAI ระบุหน้าต่างบริบท 16,000 โทเคน เอาต์พุตสูงสุด 2,000 โทเคน และวันสิ้นสุดความรู้ 1 มิถุนายน 2024 นี่คือตัวเลขข้อกำหนดโมเดล ไม่ใช่ระยะเวลาเป็นนาทีที่ใช้ทั่วไปกับการบันทึกเสียง กฎขนาดไฟล์และโควตาโทเคนอธิบายข้อจำกัดต่างกัน สำหรับเนื้อหายาว ให้เตรียมการบันทึกตามกระบวนการไฟล์ที่มีเอกสาร ส่งต่อบริบทที่เกี่ยวข้องระหว่างชิ้น และตรวจว่าข้อความสุดท้ายมีตอนจบของต้นทาง

ผลลัพธ์ Mini Transcribe ที่มีประโยชน์รักษาถ้อยคำและความสัมพันธ์กับการบันทึก พร้อมแยกข้อมูลความน่าจะเป็นที่เลือกขอออกจากการแก้ไขเชิงบรรณาธิการ ตรวจคำศัพท์ที่ไม่คุ้น สำเนียง เสียงรบกวนเบื้องหลัง การเปลี่ยนภาษา และคำพูดทับกันโดยมีเสียงต้นฉบับให้ฟัง เมื่อแก้ข้อความให้อ่านง่าย ให้แยกฉบับบรรณาธิการออกจากบทถอดเสียงที่รู้จำ เพื่อให้ผู้ใช้ภายหลังรู้ว่าถ้อยคำใดมาจากการบันทึกและคำใดถูกเปลี่ยนระหว่างเตรียมงาน

Ailoot Ultra · การถอดเสียง POST /v1/audio/transcriptions openai/gpt-4o-mini-transcribe

openai/gpt-4o-mini-transcribe

OpenAI /openai/gpt-4o-mini-transcribe

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 openai/gpt-4o-mini-transcribe	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
การตั้งค่าโทเค็นอินพุต	ตารางอัตราค่าบริการ—	หน่วยคิดค่าบริการ/ 1K โทเค็น	ค่าบริการ ขาเข้า $0.0025 / 1K โทเค็น
การตั้งค่าโทเค็นเอาต์พุต	ตารางอัตราค่าบริการ—	หน่วยคิดค่าบริการ/ 1K โทเค็น	ค่าบริการ ขาออก $0.01 / 1K โทเค็น

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': 'openai/gpt-4o-mini-transcribe', '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 openai/gpt-4o-mini-transcribe

ชื่อพาธเมธอดอื่น

ใช้พาธเมธอดที่แสดงด้านบน

ID ที่เกี่ยวข้องสำหรับเรียกใช้โมเดล

openai/gpt-4o-mini-transcribe

FAQ · OpenAI: GPT-4o Mini Transcribe

มีอินพุตและผลลัพธ์ใดบ้าง?: POST /v1/audio/transcriptions · openai/gpt-4o-mini-transcribe: audio → text
คำขอใช้ฟิลด์ใดบ้าง?: POST /v1/audio/transcriptions · openai/gpt-4o-mini-transcribe: model, input_audio

OpenAI: GPT-4o Mini Transcribe