gpt-4o-transcribe-diarize

GPT-4o Transcribe Diarize เปลี่ยนเสียงพูดที่บันทึกไว้เป็นข้อความพร้อมส่วนที่มีป้ายกำกับผู้พูดและเวลา เหมาะกับการประชุม การสัมภาษณ์ และการบันทึกหลายคนที่บทถอดเสียงต้องแสดงว่าใครพูดเมื่อใด โดยเลือกให้เสียงอ้างอิงสั้น ๆ ของผู้พูดที่รู้จักได้

Ailoot Ultra · การรู้จำเสียงพูด POST /v1/audio/transcriptions openai/gpt-4o-transcribe-diarize

เกี่ยวกับโมเดล

คำอธิบายนี้ครอบคลุมความสามารถของโมเดล อินพุต เอาต์พุต และตัวเลือกที่ใช้ได้ใน Ailoot แสดงด้านล่างตามเมธอดที่เลือก

GPT-4o Transcribe Diarize เป็นโมเดลรู้จำเสียงพูดอัตโนมัติของ OpenAI ที่มีการแบ่งแยกผู้พูดในตัว โมเดลเชื่อมส่วนเสียงที่ถอดเป็นข้อความกับผู้พูดต่างคนในการสนทนา ผลลัพธ์ที่มีประโยชน์คือบทถอดเสียงที่จัดตามผู้พูดและเวลา แทนการมีเพียงข้อความยาวต่อเนื่อง เหมาะกับเสียงพูดที่บันทึกไว้ซึ่งต้องมีป้ายกำกับผู้พูด เช่น การประชุม การสัมภาษณ์ หรือการอภิปรายหลายคน

เตรียมการบันทึกที่เสร็จแล้ว

ให้ไฟล์บันทึกที่ต้องการถอดเสียง กระบวนการไฟล์ตามเอกสารรับ MP3, MP4, MPEG, MPGA, M4A, WAV และ WebM โดยจำกัดขนาดไฟล์ที่ 25 MB เก็บเสียงต้นทางไว้เพื่อเทียบช่วงผลัดพูด ชื่อ หรือวลีที่ไม่ชัดกับเสียงจริง

สำหรับการประชุม ให้รักษาลำดับการสนทนา แทนการตัดช่วงหยุดสั้น ๆ ที่ช่วยแยกผลัดพูด สำหรับการสัมภาษณ์ ให้เก็บคำถามและคำตอบไว้ด้วยกันเมื่องานต้องใช้ความสัมพันธ์นั้น การเตรียมเสียงควรทำให้ได้ยินคำพูดโดยไม่ลบข้อมูลที่สำคัญต่อผลลัพธ์ซึ่งมีป้ายกำกับผู้พูด

นี่คือกระบวนการถอดเสียงจากไฟล์ การประมวลผลการบันทึกที่เสร็จแล้วและการรู้จำสตรีมเสียงที่ยังส่งเข้ามาเป็นคนละงาน การระบุผู้พูดของโมเดลไม่รองรับในเซสชันถอดเสียง Realtime

ขอบทถอดเสียงที่มีป้ายกำกับผู้พูด

รูปแบบผลลัพธ์ diarized_json ส่งคืนส่วนที่มีป้ายระบุตัวผู้พูดและเวลาเริ่มกับสิ้นสุด แต่ละส่วนมีข้อความที่ถอดได้ด้วย เก็บฟิลด์เหล่านี้ไว้ด้วยกันเพื่อเชื่อมถ้อยคำกับช่วงที่เกี่ยวข้องของการบันทึก

บทถอดเสียงการประชุมที่มีประโยชน์ควรรักษาลำดับส่วนและแสดงคำพูดของแต่ละคนพร้อมเวลา งานภายหลังอาจใช้บทถอดเสียงเพื่อจัดทำรายงานการประชุมหรือรายการสิ่งที่ต้องทำ แต่การแบ่งแยกผู้พูดเองไม่ได้ตัดสินว่าที่ประชุมตกลงอะไรหรือสร้างบทสรุปที่ตรวจสอบแล้ว

ป้ายผู้พูดอธิบายการจัดกลุ่มเสียงของโมเดล ตรวจจุดเปลี่ยนที่คนพูดแทรก พูดสั้น ๆ หรือพูดทับกัน ผลลัพธ์ที่มีโครงสร้างดีช่วยในการค้นหาช่วงเสียงและตรวจทาน แต่การระบุว่าใครเป็นผู้พูดในแต่ละจุดอาจยังต้องฟังเสียงต้นฉบับ

สื่ออ้างอิงผู้พูดที่รู้จัก

กระบวนการตามเอกสารรับสื่ออ้างอิงผู้พูดที่ระบุชื่อได้สูงสุดสี่รายการ แต่ละรายการเป็นคลิปเสียงสั้น 2–10 วินาทีในรูปแบบที่การอัปโหลดหลักรองรับ ให้ชื่อพร้อมเสียงอ้างอิงเพื่อเชื่อมส่วนต่าง ๆ กับผู้พูดที่รู้จัก

เตรียมเสียงอ้างอิงที่มีเสียงของผู้พูดเป้าหมายชัดเจน และใช้ชื่อให้ตรงกับป้ายที่ต้องการในบทถอดเสียง สำหรับการสัมภาษณ์ เสียงอ้างอิงของผู้ดำเนินรายการช่วยจัดผลลัพธ์ที่ระบุผู้พูดโดยไม่ต้องให้ทุกคนเป็นป้ายไม่ระบุชื่อ สื่ออ้างอิงเป็นอินพุตสำหรับระบุผู้พูด ไม่ใช่การโคลนเสียงทั่วไปหรือหลักฐานยืนยันตัวบุคคล

อย่าสับสนการตั้งชื่อผู้พูดกับการแก้คำที่พูดจริง เอาต์พุตที่มีประโยชน์ยังต้องรักษาเนื้อหาและลำดับผลัดพูดจริงของการบันทึก

การแบ่งส่วนและขีดจำกัดโมเดล

สำหรับเสียงยาวกว่า 30 วินาที ผู้พัฒนากำหนดให้ใช้กลยุทธ์แบ่งส่วน โดยเป็นการแบ่งอัตโนมัติหรือการตั้งค่าตรวจจับกิจกรรมเสียงพูด ข้อกำหนดนี้ไม่ใช่ระยะเวลาบันทึกสูงสุด แต่บอกวิธีแบ่งอินพุตที่ยาวเพื่อประมวลผล

การ์ดโมเดลระบุหน้าต่างบริบท 16,000 โทเคน และเอาต์พุตสูงสุด 2,000 โทเคน นี่คือขีดจำกัดโทเคนของโมเดล ซึ่งแยกจากเพดานอัปโหลดไฟล์ 25 MB และเกณฑ์เริ่มแบ่งส่วน ไม่ควรแปลงเป็นจำนวนนาทีที่สมมติขึ้นว่าใช้กับทุกการบันทึก

รักษาเวลาและรหัสส่วนเมื่อประกอบหรือตรวจบทถอดเสียงที่ยาว หากแบ่งการบันทึกก่อนส่ง ให้เก็บความสัมพันธ์ของแต่ละชิ้นกับเสียงต้นฉบับ เพื่อไม่สับสนเวลาภายในชิ้นกับตำแหน่งในการสนทนาทั้งหมด

สตรีมส่วนที่เสร็จสมบูรณ์

กระบวนการถอดเสียงจากไฟล์สตรีมข้อความระหว่างประมวลผลการบันทึกได้ เมื่อสตรีมพร้อมป้ายผู้พูด ส่วนที่เสร็จแล้วจะสร้างเหตุการณ์ของส่วน ข้อความที่ทยอยเปลี่ยนมีรหัสส่วน แต่ไม่มีการระบุผู้พูดบางส่วน ผู้พูดจะถูกกำหนดเมื่อส่วนนั้นเสร็จสมบูรณ์

ความแตกต่างนี้สำคัญต่อการแสดงผล แสดงข้อความชั่วคราวและผลัดพูดที่สรุปแล้วเป็นสถานะต่างกัน แทนการติดป้ายผู้พูดที่ยังไม่แน่นอนก่อนโมเดลทำส่วนให้เสร็จ เก็บผลลัพธ์ที่เสร็จแล้วเมื่อจำเป็นต้องใช้บทถอดเสียงสำหรับแก้ไขหรือวิเคราะห์ภายหลัง

ขอบเขตโมเดลและเอาต์พุต

โปรไฟล์นี้เป็นโมเดลแบ่งแยกผู้พูด แยกจากการถอดเสียง GPT-4o ปกติ การถอดเสียง Mini การสังเคราะห์เสียงพูด และโมเดลสนทนาสด ไม่รองรับพรอมป์ต์ถอดเสียง ให้ตรวจศัพท์หรือแก้ไขเป็นขั้นตอนแยกที่เทียบกับเสียงต้นฉบับ อินเทอร์เฟซของผู้พัฒนาถอดเสียงที่บันทึกไว้เป็นข้อความ ไม่สร้างคำตอบเสียงหรือแปลการบันทึกผ่านกระบวนการแปลเสียงที่แยกต่างหาก

ใช้กับบทถอดเสียงที่ต้องการทั้งเนื้อหาและโครงสร้างผู้พูด ตรวจชื่อ ศัพท์เทคนิค ตัวเลข ขอบเขตผลัดพูด และการระบุผู้พูดกับการบันทึก เก็บเสียง รูปแบบผลลัพธ์ที่เลือก สื่ออ้างอิง และบทถอดเสียงที่เสร็จแล้ว เพื่อให้การแก้ไขเจาะจงวลีหรือการระบุผู้พูดหนึ่งจุดได้

Ailoot Ultra · การรู้จำเสียงพูด POST /v1/audio/transcriptions openai/gpt-4o-transcribe-diarize

openai/gpt-4o-transcribe-diarize

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

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 openai/gpt-4o-transcribe-diarize	ค่าเริ่มต้น—
ฟิลด์`file`	ประเภท`file`	ข้อกำหนดจำเป็น	ค่าและข้อจำกัด จำนวนไบต์สูงสุด: 26,214,400 ประเภท MIME: audio/mpeg นามสกุลไฟล์: .mp3 ความยาวสูงสุด หน่วยวินาที: 30	ค่าเริ่มต้น—
ฟิลด์`response_format`	ประเภท`string`	ข้อกำหนดจำเป็น	ค่าและข้อจำกัด diarized_json	ค่าเริ่มต้น—

ชุดผสมของสื่ออินพุต

diarized_transcription

พารามิเตอร์และวงจรการทำงานของเมธอด

พารามิเตอร์	ข้อกำหนด
พารามิเตอร์`content_type`	ข้อกำหนดmultipart/form-data
พารามิเตอร์`required`	ข้อกำหนดmodel, file, response_format
พารามิเตอร์`file_formats`	ข้อกำหนดmp3
พารามิเตอร์`max_audio_seconds`	ข้อกำหนด30
พารามิเตอร์`max_bytes`	ข้อกำหนด26214400
พารามิเตอร์`response_format`	ข้อกำหนดdiarized_json
พารามิเตอร์`other_options`	ข้อกำหนดfalse
พารามิเตอร์`material_types`	ข้อกำหนดaudio
พารามิเตอร์`additional_properties`	ข้อกำหนดfalse
พารามิเตอร์`form_string_maximum_bytes`	ข้อกำหนด256

ชื่ออื่นของเมธอด: /audio/transcriptions

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}

ใช้เสียงบันทึกจริงและรูปแบบที่ตรงกัน

เก็บข้อความถอดเสียงทั้งหมด ช่วงข้อความ ID ผู้พูด และเวลา

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—	หน่วยคิดค่าบริการ/ 1K โทเค็นเสียง	ค่าบริการ ขาเข้า · โทเคนเสียงขาเข้า $0.012 / 1K โทเค็นเสียง
การตั้งค่าUltra	ตารางอัตราค่าบริการ—	หน่วยคิดค่าบริการ/ 1K โทเค็นเสียง	ค่าบริการ ขาออก · โทเคนเสียงขาออก $0.02 / 1K โทเค็นเสียง

Ailoot กันยอดเงินประมาณการไว้ก่อนส่งคำขอ หลังได้ผลลัพธ์ จะคิดค่าบริการสุดท้ายตามการใช้งานที่วัดได้ การคิดค่าบริการแบบสตรีมใช้บันทึกการใช้งานสุดท้าย วิธีกันยอดเงินและคิดค่าบริการสุดท้าย →

ตัวอย่างคำขอ

Ailoot Ultra · การรู้จำเสียงพูด

curl · คำขอสร้างที่เก็บไว้ตามต้นฉบับทุกประการ

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_AUDIO_FILE:?Set the path to your actual MP3 recording}"
export AILOOT_AUDIO_FILE
python3 - <<'PY_REQUEST'
import os
from pathlib import Path
p=Path(os.environ["AILOOT_AUDIO_FILE"])
if not p.is_file() or p.suffix.lower()!=".mp3":raise SystemExit("Choose an existing MP3 recording")
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \
  -H "Authorization: Bearer $AILOOT_API_KEY" \
  --form-string model=openai/gpt-4o-transcribe-diarize -F "file=@$AILOOT_AUDIO_FILE" --form-string response_format=diarized_json \
  -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())))
PY_RESULT

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}

การอ่านเนื้อหาแบบอื่น

บันทึกข้อความถอดเสียงที่ส่งกลับมาและเป็นของคุณทุกฉบับคลังสื่อสถานะงานรายละเอียดไฟล์สื่อ

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
export AILOOT_API_KEY
python3 - <<'PY_ASSETS'
import json,os,subprocess
from pathlib import Path
from urllib.parse import urljoin,urlsplit
r=json.loads(Path('result.json').read_text())
urls=[]
if isinstance(r.get('asset_url'),str) and r['asset_url']:urls.append(('transcript',r['asset_url']))
for label,path in urls:
    u=urljoin('https://api.ailoot.ai',path);z=urlsplit(u)
    if z.scheme!='https' or z.netloc!='api.ailoot.ai' or z.username or z.password:raise SystemExit('Use the actual returned Ailoot owned content URL')
    target=Path('owned-'+label+'.bin')
    subprocess.run(['curl','--fail-with-body','--silent','--show-error',u,'-H','Authorization: Bearer '+os.environ['AILOOT_API_KEY'],'-D',str(target)+'.headers','-o',str(target)],check=True)
print('All returned owned URLs saved; complete metadata, timing and usage remain in the JSON.')
PY_ASSETS

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \
  -H "Authorization: Bearer $AILOOT_API_KEY" -o media-assets.json

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_MEDIA_TASK_ID:?Set the actual ID returned by the response or media-library metadata}"
export AILOOT_MEDIA_TASK_ID
resource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_MEDIA_TASK_ID"],safe=""))')
curl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/tasks/$resource_id" \
  -H "Authorization: Bearer $AILOOT_API_KEY" -o media-task.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
print(json.dumps(json.loads(Path("media-task.json").read_text())))
PY_RESULT

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_ASSET_ID:?Set the actual ID returned by the response or media-library metadata}"
export AILOOT_ASSET_ID
resource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_ASSET_ID"],safe=""))')
curl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/assets/$resource_id" \
  -H "Authorization: Bearer $AILOOT_API_KEY" -o media-asset.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
print(json.dumps(json.loads(Path("media-asset.json").read_text())))
PY_RESULT

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
ฟิลด์`text`	ประเภทstring
ฟิลด์`segments[]`	ประเภทobject
ฟิลด์`task_id`	ประเภทstring
ฟิลด์`asset_url`	ประเภทstring
ฟิลด์`usage`	ประเภทobject
ฟิลด์`segments[].speaker`	ประเภทstring
ฟิลด์`segments[].start`	ประเภทnumber
ฟิลด์`segments[].end`	ประเภทnumber

ข้อผิดพลาดและขั้นตอนถัดไป

การตอบกลับ	เงื่อนไข	ขั้นตอนถัดไป
การตอบกลับ400 · `invalid_request_error`	เงื่อนไขฟิลด์จำเป็น รูปแบบการแทนข้อมูล หรือค่าพารามิเตอร์ไม่ถูกต้อง	ขั้นตอนถัดไปแก้ฟิลด์ที่ระบุก่อนส่งคำขอสร้างครั้งใหม่
การตอบกลับ`server_error`	เงื่อนไขการตอบกลับที่ได้รับระบุว่าต้องตรวจสอบการดำเนินการหรือผลลัพธ์	ขั้นตอนถัดไปเก็บ ID การดำเนินการ/งานที่ส่งกลับมาแต่เดิม ส่วนหัวของคำขอ และการตอบกลับไว้ แล้วอ่านข้อมูลการดำเนินการเดิมนั้นต่อด้วยวิธีที่รองรับ ห้ามส่งคำขอสร้างซ้ำ

ชื่ออื่น

ชื่ออื่นของโมเดล

Ailoot Ultra openai/gpt-4o-transcribe-diarize

ชื่อพาธเมธอดอื่น

/audio/transcriptions

ID ที่เกี่ยวข้องสำหรับเรียกใช้โมเดล

openai/gpt-4o-transcribe-diarize

FAQ · gpt-4o-transcribe-diarize

มีอินพุตและผลลัพธ์ใดบ้าง?: POST /v1/audio/transcriptions · openai/gpt-4o-transcribe-diarize: audio → transcription
คำขอใช้ฟิลด์ใดบ้าง?: POST /v1/audio/transcriptions · openai/gpt-4o-transcribe-diarize: model, file, response_format

gpt-4o-transcribe-diarize