OpenAI: Whisper 1

Whisper 1 ถอดไฟล์เสียงที่บันทึกเสร็จแล้วเป็นข้อความ พร้อมการรู้จำหลายภาษาและการประทับเวลาระดับคำหรือเซกเมนต์ ผู้พัฒนารองรับรูปแบบคำบรรยายและขั้นตอนแปลเป็นอังกฤษแยกต่างหาก โดยผลถอดเสียงคงภาษาของเสียงบันทึกไว้

Ailoot Ultra · การรู้จำเสียงพูด POST /v1/audio/transcriptions openai/whisper-1

เกี่ยวกับโมเดล

คำอธิบายนี้ครอบคลุมความสามารถของโมเดล อินพุต เอาต์พุต และตัวเลือกที่ใช้ได้ใน Ailoot แสดงด้านล่างตามเมธอดที่เลือก

Whisper 1 เป็นโมเดล API รู้จำเสียงทั่วไปของ OpenAI ซึ่งเอกสารระบุว่าขับเคลื่อนด้วยโมเดลโอเพนซอร์ส Whisper V2 โมเดลรับไฟล์เสียงและคืนข้อความ ผู้ผลิตอธิบายการรู้จำหลายภาษา การระบุภาษา และงานแปลคำพูดที่แยกต่างหาก การถอดเสียงคงภาษาที่พูดไว้ ส่วนอินเทอร์เฟซแปลแยกของผู้พัฒนาคืนข้อความภาษาอังกฤษ

การใช้งานที่มีประโยชน์คือเตรียมการสัมภาษณ์ บันทึกเสียง หรือการสนทนาที่อัดไว้สำหรับค้นหาและแก้ไขภายหลัง ส่งเสียงบันทึกที่เสร็จแล้ว พร้อมระบุภาษาอินพุตเมื่อทราบ OpenAI ระบุว่ารองรับ 98 ภาษา และความแม่นยำของการรู้จำแตกต่างตามภาษา ตัวบอกใบ้ภาษาเดียวใช้รหัส ISO 639-1 ส่วนฟิลด์หลายภาษาและคำสำคัญรุ่นใหม่ของโมเดลถอดเสียงอื่นเป็นการควบคุมแยกกัน

ขั้นตอนถอดไฟล์เสียงของผู้พัฒนารับไฟล์สูงสุด 25 MB ในรูปแบบ MP3, MP4, MPEG, MPGA, M4A, WAV หรือ WebM สำหรับเสียงบันทึกที่ใหญ่กว่า ให้ใช้รูปแบบบีบอัดหรือแบ่งเป็นชังก์ภายในขีดจำกัด รักษาขอบเขตประโยคและลำดับชังก์ เพื่อให้ข้อความถอดเสียงที่นำมารวมยังเชื่อมโยงกับเสียงบันทึกต้นฉบับ คอนเทนเนอร์วิดีโอส่งส่วนเสียงสำหรับงานนี้ ไม่ใช่อินพุตสำหรับบรรยายภาพ

พรอมป์ต์ให้ชื่อ คำย่อ คำศัพท์เฉพาะของเสียงบันทึก และบริบทจากเซกเมนต์ก่อนหน้าได้ ขีดจำกัดพรอมป์ต์ของ Whisper คือ 224 โทเคน และภาษาของพรอมป์ต์ควรตรงกับเสียง ผู้ผลิตระบุว่า Whisper ไม่ทำตามคำสั่งแบบโมเดลข้อความทั่วไป ใช้พรอมป์ต์เป็นบริบทที่เกี่ยวข้องกับการถอดเสียง แล้วตรวจการสะกดที่สำคัญเทียบกับเสียงบันทึก ไม่ใช่ถือว่ารายการศัพท์เป็นคำที่ผู้พูดต้องพูดมาแล้ว

ผู้พัฒนาระบุรูปแบบการถอดเสียง JSON, ข้อความธรรมดา, SRT, VTT และ verbose JSON การประทับเวลาระดับคำและเซกเมนต์ต้องใช้ verbose JSON โดยขอระดับใดระดับหนึ่งหรือทั้งสองได้ เอกสารอ้างอิง API ระบุว่าการประทับเวลาเซกเมนต์ไม่เพิ่มความหน่วง ส่วนการประทับเวลาคำต้องประมวลผลเพิ่มเติม เอาต์พุตเหล่านี้ช่วยทำคำบรรยายและหาย่อหน้าระหว่างแก้ไข ส่วนคำกำกับแยกผู้พูดเป็นของโมเดลเฉพาะทางอีกตัว

Whisper 1 ไม่รองรับสตรีมมิงในการถอดไฟล์เสียง เอกสารอ้างอิงยังระบุอุณหภูมิการสุ่มตั้งแต่ศูนย์ถึงหนึ่ง โดยเมื่อเป็นศูนย์ โมเดลอาจเพิ่มอุณหภูมิอัตโนมัติเมื่อเกณฑ์การถอดรหัสกำหนดไว้ นี่เป็นคำอธิบายตัวควบคุมการประมวลผลของผู้พัฒนา ไม่ใช่คำรับรองว่าเสียงบันทึกทุกไฟล์จะให้ข้อความถอดเสียงเหมือนเดิมหรือแม่นยำสมบูรณ์แบบ

กำหนดผลงานสุดท้ายให้ชัดเจนว่าเป็นข้อความถอดเสียงสำหรับค้นหา ไฟล์คำบรรยาย หรือข้อความที่มีเวลาระดับคำหรือเซกเมนต์ เก็บเสียงบันทึกต้นฉบับ ลำดับชังก์ และการอ้างอิงเวลาต้นทางที่เกี่ยวข้องไว้กับผลลัพธ์ ขั้นตอนแก้ไขข้อความภายหลังอาจแก้คำสะกดหรือเตรียมสรุปได้ แต่ต้องเปรียบเทียบการเปลี่ยนแปลงกับเสียงเพื่อรักษาความหมายของผู้พูด ข้อความที่รู้จำได้เป็นหลักฐานสำหรับงานถัดไป ไม่ใช่คำตอบที่สร้างขึ้นเพื่อตอบคำถามในเสียงพูด

Ailoot Ultra · การรู้จำเสียงพูด POST /v1/audio/transcriptions openai/whisper-1

openai/whisper-1

OpenAI /openai/whisper-1

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/whisper-1	ค่าเริ่มต้น—
ฟิลด์`file`	ประเภท`file`	ข้อกำหนดจำเป็น	ค่าและข้อจำกัด ประเภทเนื้อหา: multipart/form-data	ค่าเริ่มต้น—
ฟิลด์`response_format`	ประเภท`string`	ข้อกำหนดไม่บังคับ	ค่าและข้อจำกัด json	ค่าเริ่มต้น—
ฟิลด์`input_audio.data`	ประเภท`base64_string`	ข้อกำหนดจำเป็น	ค่าและข้อจำกัด ใช้เมื่อ: ข้อมูลขาเข้า JSON ของ WhisperOR	ค่าเริ่มต้น—
ฟิลด์`input_audio.format`	ประเภท`string`	ข้อกำหนดจำเป็น	ค่าและข้อจำกัด wav, mp3, flac, ogg, m4a, webm ใช้เมื่อ: ข้อมูลขาเข้า JSON ของ WhisperOR	ค่าเริ่มต้น—

ชุดผสมของสื่ออินพุต

· จำเป็น: model, file

พารามิเตอร์และวงจรการทำงานของเมธอด

พารามิเตอร์	ข้อกำหนด
พารามิเตอร์`contours`	ข้อกำหนด{"content_types":["application/json","multipart/form-data"],"required_json":["model","input_audio.data","input_audio.format"],"required_multipart":["model","file"],"file_formats":["wav","mp3","flac","ogg","m4a","webm"],"response_format_optional":["json"]}, {"content_types":["multipart/form-data"],"required":["model","file"],"file_formats":["mp3"],"response_format_option":false}
พารามิเตอร์`max_bytes`	ข้อกำหนด26214400
พารามิเตอร์`material_types`	ข้อกำหนดaudio

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
การตั้งค่าวินาทีเสียงขาเข้า	ตารางอัตราค่าบริการ—	หน่วยคิดค่าบริการต่อวินาทีของเสียงอินพุต	ค่าบริการ ขาเข้า · วินาทีเสียงขาเข้า $0.0002 ต่อวินาทีของเสียงอินพุต

รายละเอียดอัตราอ้างอิง

ตารางอัตราอ้างอิงระดับโมเดลไม่เปลี่ยนเมธอดที่เลือก ยอดประมาณการ หรือค่าบริการ การคิดค่าบริการจริงใช้อัตราของเมธอด Ailoot ที่เลือก

OpenAI: Whisper 1

ราคาตามการตั้งค่า

การตั้งค่า	เงื่อนไขคิดค่าบริการ	ค่าบริการ
การตั้งค่าOpenAI: Whisper 1 · การตั้งค่าเริ่มต้น	เงื่อนไขคิดค่าบริการการตั้งค่าเริ่มต้น	ค่าบริการ ขาเข้า · วินาทีเสียงขาเข้า US$0.0002 ต่อวินาทีของเสียงอินพุต

Ailoot กันยอดเงินประมาณการไว้ก่อนส่งคำขอ หลังได้ผลลัพธ์ จะคิดค่าบริการสุดท้ายตามการใช้งานที่วัดได้ การคิดค่าบริการแบบสตรีมใช้บันทึกการใช้งานสุดท้าย วิธีกันยอดเงินและคิดค่าบริการสุดท้าย →

ตัวอย่างคำขอ

Ailoot Ultra · การรู้จำเสียงพูด

curl

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 $AILOOT_API_KEY" \
  --form-string model=openai/whisper-1 -F "file=@$AILOOT_AUDIO_FILE" \
  -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

คลังสื่อสถานะงานรายละเอียดไฟล์สื่อ

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

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/whisper-1

ชื่อพาธเมธอดอื่น

ใช้พาธเมธอดที่แสดงด้านบน

ID ที่เกี่ยวข้องสำหรับเรียกใช้โมเดล

openai/whisper-1

FAQ · OpenAI: Whisper 1

มีอินพุตและผลลัพธ์ใดบ้าง?: POST /v1/audio/transcriptions · openai/whisper-1: audio → transcription
คำขอใช้ฟิลด์ใดบ้าง?: POST /v1/audio/transcriptions · openai/whisper-1: model, file, response_format

OpenAI: Whisper 1

OpenAI: Whisper 1

เริ่มต้น

ใช้งานได้ใน Ailoot · อินพุตและเมธอด

ราคา

อัตราค่าบริการ Ailoot

ราคาตามการตั้งค่า

รายละเอียดอัตราอ้างอิง

ราคาตามการตั้งค่า

ตัวอย่างคำขอ

Ailoot Ultra · การรู้จำเสียงพูด

รับและบันทึกผลลัพธ์

Ailoot Ultra · การรู้จำเสียงพูด

เก็บผลลัพธ์ที่เสร็จสมบูรณ์ทั้งหมด

เมื่อต้องตรวจสอบการตอบกลับต้นฉบับ

ชื่ออื่น

ชื่ออื่นของโมเดล

ชื่อพาธเมธอดอื่น

ID ที่เกี่ยวข้องสำหรับเรียกใช้โมเดล

บริษัทและพอร์ตโฟลิโอโครงการของบริษัท

ซื้อโทเคนพร้อมส่วนลด

เชื่อม API กับผลิตภัณฑ์ ที่คุณขาย