OpenAI: GPT Transcribe

GPT Transcribe เปลี่ยนเสียงพูดที่บันทึกไว้เป็นข้อความในภาษาเดิม โดยใช้พรอมต์บอกบริบท คำใบ้คำสำคัญตามถ้อยคำจริง และคำใบ้หลายภาษา OpenAI อธิบายการถอดเสียงไฟล์ที่บันทึกเสร็จแล้ว การสตรีมผลจากไฟล์ และการถอดเสียงหลังคอมมิตเทิร์นเสียงใน Realtime

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

เกี่ยวกับโมเดล

คำอธิบายนี้ครอบคลุมความสามารถของโมเดล อินพุต เอาต์พุต และตัวเลือกที่ใช้ได้ใน Ailoot แสดงด้านล่างตามเมธอดที่เลือก

GPT Transcribe เป็นโมเดลแปลงเสียงเป็นข้อความของ OpenAI สำหรับไฟล์เสียงที่บันทึกเสร็จแล้ว ผลการถอดเสียงไฟล์แบบสตรีม และเทิร์นเสียงที่คอมมิตในเซสชัน Realtime รับเสียงพร้อมบริบทข้อความที่เลือกส่งได้ แล้วคืนข้อความที่รู้จำ ผู้พัฒนาวางบทบาทให้ถอดเสียงพูดที่บันทึกไว้ในภาษาเดิมอย่างแม่นยำ รวมถึงคำศัพท์เฉพาะสาขา เสียงบันทึกหลายภาษา และการสลับภาษาระหว่างพูด ผลลัพธ์ที่มีประโยชน์คือข้อความถอดเสียงที่ยังเชื่อมกับเสียงบันทึก พร้อมข้อมูลกำกับภาษาที่ตรวจพบเมื่อโมเดลคาดการณ์ได้อย่างน่าเชื่อถือ

เตรียมเสียงบันทึกที่เสร็จสมบูรณ์

ขั้นตอนถอดเสียงไฟล์ของ OpenAI รับไฟล์อัปโหลดขนาดไม่เกิน 25 MB เอกสารอ้างอิงของเอนด์พอยต์ปัจจุบันระบุรูปแบบอินพุต FLAC, MP3, MP4, MPEG, MPGA, M4A, OGG, WAV และ WebM และแนะนำให้มีข้อมูลกำกับไฟล์เพียงพอที่จะระบุรูปแบบ รวมถึงนามสกุลชื่อไฟล์และชนิดเนื้อหาที่เหมาะสม สำหรับเสียงบันทึกที่ใหญ่กว่า คู่มือแนะนำให้บีบอัดหรือแบ่งเป็นไฟล์ขนาด 25 MB หรือน้อยกว่า หลีกเลี่ยงการตัดกลางประโยค เพราะการตัดเสียงพูดรอบข้างออกอาจลดความแม่นยำในการรู้จำ รักษาลำดับส่วนต่าง ๆ และตำแหน่งของแต่ละส่วนในเสียงบันทึกต้นฉบับ

สำหรับการประชุม สัมภาษณ์ หรือการนำเสนอที่บันทึกไว้ ให้เสียงจริง พร้อมระบุหัวข้อและศัพท์ที่น่าจะพูด ผลลัพธ์ที่มีประโยชน์คือถ้อยคำที่รู้จำ ไม่ใช่บทสรุปการสนทนาที่อนุมานขึ้น เก็บรหัสเสียงบันทึกพร้อมข้อความที่คืนมา เพื่อให้ผู้ตรวจชื่อ ตัวเลข หรือวลีที่ไม่แน่ใจกลับไปยังต้นฉบับที่ถูกต้องได้ จากนั้นข้อความถอดเสียงอาจใช้เป็นข้อมูลสำหรับขั้นตอนสรุป แปล หรือแก้ไขเนื้อหาแยกต่างหาก

บริบท คำใบ้คำสำคัญ และภาษาที่คาดว่าจะพูด

ผู้พัฒนาแยกคำแนะนำสามชนิด พรอมต์ให้บริบทแบบอิสระเกี่ยวกับหัวข้อหรือสถานการณ์ของเสียงบันทึก คำสำคัญระบุคำหรือวลีจริงที่คาดว่าจะปรากฏในเสียงพูด ส่วนรายการภาษาระบุภาษาพูดที่คาดหมาย สำหรับการสนทนาเรื่องผลิตภัณฑ์สองภาษา ให้อธิบายสถานการณ์ในพรอมต์ ระบุชื่อผลิตภัณฑ์ที่เกี่ยวข้องเป็นคำสำคัญ และให้ภาษาที่คาดหมาย สิ่งเหล่านี้เป็นคำใบ้ช่วยรู้จำ ไม่ใช่คำสั่งให้เติมคำที่ไม่มีใครพูด

GPT Transcribe ใช้ฟิลด์ languages รูปพหูพจน์แทนฟิลด์ language รูปเอกพจน์แบบเดิม โดย OpenAI ระบุว่าอย่าส่งทั้งสองฟิลด์ คู่มือยอมรับรหัส ISO 639-1 ที่รองรับ รหัส ISO 639-3 บางรายการ และรหัสภาษาจีนตามภูมิภาค ส่วนค่าที่ไม่รองรับหรือมีรูปแบบไม่ถูกต้องจะถูกปฏิเสธ คำสำคัญแต่ละรายการต้องอยู่ในบรรทัดเดียว และต้องไม่มีวงเล็บมุม อักขระกลับต้นบรรทัด หรืออักขระขึ้นบรรทัดใหม่ คำสำคัญที่ไม่ถูกต้องหรือพรอมต์ที่ยาวเกินไปอาจทำให้คำขอทั้งหมดถูกปฏิเสธ ใช้บริบทที่เกี่ยวข้อง และตรวจว่าชื่อในคำใบ้ปรากฏในเสียงจริงหรือไม่ แทนการถือว่ารายการคำใบ้คือข้อความถอดเสียง

เอาต์พุต JSON และการคาดการณ์ภาษาที่ตรวจพบ

ผลจากไฟล์ที่เอกสารระบุเป็น JSON ซึ่งมีข้อความถอดเสียงและภาษาที่ตรวจพบ การคาดการณ์ภาษาเหล่านั้นเป็นเอาต์พุตของโมเดล ไม่ใช่สำเนาคำใบ้ภาษาที่ส่งให้ รายการภาษาว่างเป็นผลที่ใช้ได้เมื่อโมเดลไม่สามารถคาดการณ์อย่างน่าเชื่อถือ ไม่ได้ยืนยันว่าเสียงบันทึกเงียบหรือการถอดเสียงล้มเหลว แยกข้อความที่รู้จำออกจากข้อมูลกำกับภาษา เพื่อให้การประมวลผลขั้นต่อไปใช้แต่ละส่วนตามความหมาย

สตรีมข้อความถอดเสียงจากไฟล์

ไฟล์ที่บันทึกเสร็จแล้วอาจสร้างข้อความถอดเสียงทีละส่วนขณะประมวลผล OpenAI อธิบายเหตุการณ์ transcript.text.delta สำหรับข้อความบางส่วน และ transcript.text.done สำหรับข้อความถอดเสียงครบทั้งไฟล์ เหตุการณ์สุดท้ายยังมีภาษาที่ตรวจพบด้วย นี่คือการสตรีมเอาต์พุตของเสียงบันทึกที่ส่งให้แล้ว มีประโยชน์ในการแสดงความคืบหน้าของไฟล์อัปโหลดยาว โดยเหตุการณ์สุดท้ายยืนยันข้อความที่ควรเก็บเป็นผลที่เสร็จสมบูรณ์

เทิร์นที่คอมมิตในเซสชัน Realtime

GPT Transcribe ยังมีขั้นตอน Realtime เฉพาะทางผ่าน WebSocket เพิ่มเสียงลงในบัฟเฟอร์อินพุต แล้วแอปพลิเคชันคอมมิตเทิร์นเสียงอย่างชัดเจน การถอดเสียงเริ่มสำหรับส่วนที่คอมมิตนั้น และอาจส่งผลส่วนเพิ่มก่อนเหตุการณ์เสร็จสิ้น พร้อมข้อมูลภาษาที่ตรวจพบ ในขั้นตอนเซสชันของผู้พัฒนานี้ โมเดลใช้เทิร์นที่ถอดเสียงก่อนหน้าเป็นบริบทโดยอัตโนมัติ สิ่งนี้ต่างจากการส่งข้อความคำบรรยายสดต่อเนื่องเมื่อเสียงจากไมโครโฟนเข้ามา OpenAI ใช้ชื่อ GPT Live Transcribe สำหรับขั้นตอนต่อเนื่องนั้น

สำหรับหลายเทิร์น ให้เก็บรหัสรายการอินพุตพร้อมข้อความถอดเสียงที่ตรงกัน OpenAI เตือนว่าเหตุการณ์เสร็จสิ้นจากคนละเทิร์นอาจไม่มาตามลำดับการพูด จึงควรจับคู่ผลสุดท้ายแต่ละรายการกับอินพุตที่คอมมิต แทนการจัดลำดับการสนทนาด้วยเวลาเสร็จสิ้นเพียงอย่างเดียว ผลงานที่มีประโยชน์คือข้อความถอดเสียงเรียงลำดับจากรายการสุดท้ายที่ถูกต้อง โดยถือว่าข้อความระหว่างทางเป็นความคืบหน้า ไม่ใช่คำพูดที่เสร็จแล้วอีกหนึ่งรายการ

ผลลัพธ์เฉพาะทางและข้อจำกัดสำคัญ

โปรไฟล์นี้ไม่ได้ให้ข้อกำหนดร่วมที่ครอบคลุมคำบรรยาย เวลา การแปล หรือป้ายกำกับผู้พูดทุกแบบ คู่มือย้ายระบบของ OpenAI แยกความสามารถเฉพาะทางเหล่านั้น รูปแบบคำบรรยายโดยตรงและเวลาระดับคำต้องใช้โมเดลและรูปแบบที่เข้ากันได้ ส่วนป้ายกำกับผู้พูดใช้ GPT-4o Transcribe Diarize ผลจากไฟล์ของ GPT Transcribe เป็น JSON ไม่ใช่สิ่งที่ใช้แทนคำตอบ SRT, VTT หรือคำตอบที่มีรายละเอียดเวลาได้ทันที การ์ดของโมเดลรุ่นนี้ไม่ได้เผยแพร่ตัวเลขขนาดบริบทหรืองบเอาต์พุตสูงสุด จึงไม่ควรสมมติหน้าต่างโทเคนของโมเดลแชตให้กับงานถอดเสียง

ตรวจคำศัพท์ยาก ตัวเลข สำเนียง เสียงรบกวนเบื้องหลัง และการเปลี่ยนภาษากับเสียงบันทึก ตรวจว่าคำใบ้ที่เกี่ยวข้องช่วยรู้จำโดยไม่เพิ่มคำที่ไม่ได้พูด และข้อความถอดเสียงสุดท้ายครอบคลุมจนจบเสียง สำหรับผลหลายภาษา ให้เก็บถ้อยคำที่พูดไว้ก่อนเตรียมฉบับแปล การตรวจเหล่านี้ทำให้ข้อความถอดเสียงใช้เป็นข้อมูลต้นทางได้ พร้อมแยกคำใบ้บริบท ภาษาที่ตรวจพบ และเสียงพูดที่รู้จำอย่างชัดเจน

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

openai/gpt-transcribe

OpenAI /openai/gpt-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-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
การตั้งค่าวินาทีเสียงขาเข้า	ตารางอัตราค่าบริการ—	หน่วยคิดค่าบริการต่อวินาทีของเสียงอินพุต	ค่าบริการ ขาเข้า · วินาทีเสียงขาเข้า $0.00015 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': 'openai/gpt-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-transcribe

ชื่อพาธเมธอดอื่น

ใช้พาธเมธอดที่แสดงด้านบน

ID ที่เกี่ยวข้องสำหรับเรียกใช้โมเดล

openai/gpt-transcribe

FAQ · OpenAI: GPT Transcribe

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

OpenAI: GPT Transcribe