OpenAI: GPT-4o Transcribe

GPT-4o Transcribe เปลี่ยนเสียงเป็นข้อความด้วยความสามารถรู้จำเสียงพูดของ GPT-4o จาก OpenAI รองรับพรอมป์ต์ให้บริบท คำใบ้ภาษาของอินพุต บทถอดเสียง JSON เอาต์พุตไฟล์แบบสตรีม และตัวเลือกค่าลอการิทึมความน่าจะเป็นของโทเคนสำหรับตรวจถ้อยคำที่ไม่แน่นอน

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

เกี่ยวกับโมเดล

คำอธิบายนี้ครอบคลุมความสามารถของโมเดล อินพุต เอาต์พุต และตัวเลือกที่ใช้ได้ใน Ailoot แสดงด้านล่างตามเมธอดที่เลือก

GPT-4o Transcribe เป็นโมเดลแปลงเสียงพูดเป็นข้อความของ OpenAI ที่ขับเคลื่อนด้วย GPT-4o อินพุตคือเสียงพร้อมข้อความแนะนำที่เลือกให้ได้ และเอาต์พุตคือข้อความที่รู้จำ โมเดลนี้แยกจากรุ่น GPT-4o Mini Transcribe และ GPT-4o Transcribe Diarize ซึ่งเชี่ยวชาญการระบุผู้พูด ใช้โปรไฟล์นี้จัดทำบันทึกข้อความที่ซื่อตรงต่อคำพูด พร้อมเก็บเสียงต้นทางให้ตรวจทานและทำงานบรรณาธิการภายหลังได้

อินพุตไฟล์และการเตรียมเนื้อหายาว

คู่มือถอดเสียงของ OpenAI ระบุการอัปโหลดสูงสุด 25 MB เอกสารอ้างอิงเอนด์พอยต์ปัจจุบันรับ FLAC, MP3, MP4, MPEG, MPGA, M4A, OGG, WAV และ WebM และแนะนำเมทาดาทาไฟล์ที่บอกรูปแบบ รวมทั้งชื่อไฟล์ที่มีนามสกุลและชนิดเนื้อหาที่เหมาะสม สำหรับการบันทึกที่ใหญ่กว่า การบีบอัดหรือแบ่งเป็นชิ้นตามลำดับที่ขนาดไม่เกิน 25 MB เป็นไปตามคำแนะนำอินพุตยาวของผู้พัฒนา หลีกเลี่ยงการแบ่งกลางประโยคและเก็บตำแหน่งของแต่ละชิ้นในการบันทึกทั้งหมด

สำหรับการสัมภาษณ์ ให้เชื่อมไฟล์อินพุตแต่ละไฟล์กับการบันทึกและช่วงที่ครอบคลุม สำหรับการนำเสนอทางเทคนิค ให้เตรียมชื่อผลิตภัณฑ์ ตัวย่อ และศัพท์เฉพาะที่เกี่ยวข้องเป็นบริบท แล้วตรวจการสะกดกับสิ่งที่ผู้พูดกล่าวจริง สำหรับคำอธิบายที่บันทึกไว้และมีค่าตัวเลข ให้ตรวจบทถอดเสียงกับต้นทางก่อนเปลี่ยนเป็นขั้นตอนที่เขียนไว้ ชิ้นงานแรกที่ต้องการคือคำพูดที่รู้จำในรูปข้อความ ส่วนรายงานย่อหรือเอกสารแปลจัดทำจากข้อความนั้นในขั้นตอนแยกได้

พรอมป์ต์เฉพาะการบันทึกและการเลือกภาษา

คู่มือของผู้พัฒนาระบุ GPT-4o Transcribe ไว้อย่างชัดเจนในรายการที่รองรับพรอมป์ต์ พรอมป์ต์ให้การสะกดที่ถูกต้อง บริบทจากส่วนก่อนหน้า และความต้องการด้านเครื่องหมายวรรคตอน ตัวพิมพ์ใหญ่เล็ก คำเติมระหว่างพูด หรือระบบการเขียนได้ เอกสารอ้างอิงระบุว่าควรตรงกับภาษาของการบันทึก คำอธิบายหัวข้อและคำศัพท์สั้น ๆ ที่เกี่ยวข้องให้บริบทที่เป็นประโยชน์ต่อการถอดเสียง โดยไม่ถือว่าคำที่ไม่ได้พูดเป็นเอาต์พุตที่ต้องมี

โปรไฟล์นี้รองรับคำใบ้ language แบบเอกพจน์ ซึ่งเอกสารระบุรูปแบบ ISO 639-1 การให้ภาษาของอินพุตจริงอาจช่วยการรู้จำ ฟิลด์ keywords ที่ใหม่กว่าและ languages แบบพหูพจน์ของ GPT Transcribe เป็นของโมเดลที่ตั้งชื่อแยกนั้น ไม่ควรถือว่า GPT-4o Transcribe มีด้วย ผูกการตั้งค่าภาษากับคำพูดที่ถอด และรักษาถ้อยคำต้นฉบับก่อนการแปลหรือปรับสำนวนภายหลัง

รูปแบบผลลัพธ์ ความน่าจะเป็น และเอาต์พุตเฉพาะทาง

เอกสารอ้างอิงเอนด์พอยต์ปัจจุบันระบุ JSON เป็นรูปแบบคำตอบที่ GPT-4o Transcribe รองรับ ผลลัพธ์มีข้อความที่รู้จำ และขอค่าลอการิทึมความน่าจะเป็นของโทเคนเป็นตัวเลือกในรูปแบบ JSON นั้นได้ ข้อมูลความน่าจะเป็นอธิบายการเลือกโทเคนของโมเดล ช่วยบอกได้ว่าช่วงใดควรตรวจ แต่ต้องเทียบเสียงเพื่อยืนยันว่าบทถอดเสียงถ่ายทอดชื่อ ตัวเลข หรือวลีที่ยากได้หรือไม่

ผลลัพธ์ JSON ของโปรไฟล์มาตรฐานไม่ได้ให้รูปแบบคำบรรยายโดยตรง เวลาระดับคำแบบละเอียด หรือการกำหนดผู้พูด OpenAI มีเอกสารตัวเลือกโมเดลและรูปแบบอื่นเมื่อต้องการเอาต์พุตเหล่านั้น โดย GPT-4o Transcribe Diarize เป็นรุ่นระบุผู้พูดที่แยกต่างหาก สำหรับงานคำบรรยาย ให้เก็บบทถอดเสียงที่ตรวจแล้วไว้ใช้ในขั้นตอนกำหนดเวลาที่เหมาะสม สำหรับการสนทนา อย่าสมมติชื่อผู้พูดเพียงเพราะย่อหน้าในบทถอดเสียงดูเหมือนเปลี่ยนหัวข้อหรือเสียง

สตรีมผลลัพธ์จากไฟล์ที่บันทึกเสร็จแล้ว

คู่มือแปลงเสียงพูดเป็นข้อความของ OpenAI ระบุว่าการผสาน GPT-4o Transcribe ที่มีอยู่รองรับการสตรีมไฟล์ แอปพลิเคชันให้การบันทึกก่อน แล้วรับข้อความถอดเสียงระหว่างประมวลผลการบันทึกนั้นและเก็บผลลัพธ์ที่เสร็จแล้ว นี่คือการสตรีมบทถอดเสียงจากการบันทึกที่เสร็จแล้ว แทนการรับเสียงไมโครโฟนทันทีที่เข้ามา การ์ดโมเดลนี้โดยตรงยังระบุตระกูลเอนด์พอยต์การถอดเสียงและ Realtime พฤติกรรมเซสชันเฉพาะโมเดลต้องผูกกับโปรไฟล์นี้ ไม่ใช่นำมาจากโมเดลสตรีมต่อเนื่องที่ใหม่กว่า

ขีดจำกัดโมเดลและการตรวจชิ้นงานสุดท้าย

ข้อกำหนด GPT-4o Transcribe ปัจจุบันระบุหน้าต่างบริบท 16,000 โทเคน เอาต์พุตสูงสุด 2,000 โทเคน และวันสิ้นสุดความรู้ 1 มิถุนายน 2024 ขีดจำกัดโทเคนเหล่านี้ไม่ใช่ระยะเวลาเสียงคงที่และไม่แทนกฎเตรียมไฟล์ถอดเสียง สำหรับการบันทึกยาว ให้รักษาลำดับต้นทางและบริบทก่อนหน้าที่เกี่ยวข้อง แล้วตรวจว่าข้อความที่เสร็จแล้วไปถึงจุดสิ้นสุดของแต่ละช่วงที่ต้องการ

บทถอดเสียงสุดท้ายที่มีประโยชน์อาจเป็นข้อมูลสัมภาษณ์ที่ค้นหาได้ แหล่งข้อมูลเอกสารเทคนิค หรือถ้อยคำสำหรับกระบวนการคำบรรยายภายหลัง ตรวจคำศัพท์ ปริมาณ เครื่องหมายวรรคตอน สำเนียง และเสียงพูดทับกันที่ไม่แน่นอนกับการบันทึก แยกข้อความที่รู้จำออกจากการแก้ไขหรือสรุปภายหลัง และรักษาลิงก์ต้นทางผ่านรหัสอ้างอิงในกระบวนการโดยรอบ โมเดลให้บันทึกข้อความ ส่วนการเตรียมอินพุตและตรวจต้นทางอย่างรอบคอบเป็นตัวกำหนดว่าบันทึกนั้นเหมาะกับการใช้งานถัดไปหรือไม่

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

openai/gpt-4o-transcribe

OpenAI /openai/gpt-4o-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-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 $0.005 / 1K โทเค็น
การตั้งค่าโทเค็นเอาต์พุต	ตารางอัตราค่าบริการ—	หน่วยคิดค่าบริการ/ 1K โทเค็น	ค่าบริการ ขาออก $0.02 / 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-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-transcribe

ชื่อพาธเมธอดอื่น

ใช้พาธเมธอดที่แสดงด้านบน

ID ที่เกี่ยวข้องสำหรับเรียกใช้โมเดล

openai/gpt-4o-transcribe

FAQ · OpenAI: GPT-4o Transcribe

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

OpenAI: GPT-4o Transcribe