{ "aboutHtml": "

Whisper large-v3-turbo หรือ Turbo เป็นโมเดลถอดเสียงที่ปรับให้มีประสิทธิภาพของ OpenAI ซึ่งพัฒนาต่อจาก Whisper large-v3 ดีโคเดอร์ลดจาก 32 ชั้นเหลือสี่ชั้น ขณะที่เอนโคเดอร์ยังมี 32 ชั้น โมเดลที่เผยแพร่มีประมาณ 809 ล้านพารามิเตอร์ ผู้พัฒนามุ่งให้รู้จำเสียงพูดเร็วขึ้นโดยยอมแลกความแม่นยำเล็กน้อย ไม่ใช่เพิ่มโหมดสร้างเสียงอีกแบบ อินพุตคือเสียงพูดที่บันทึกไว้ และผลลัพธ์คือข้อความที่รู้จำได้

ประกาศเผยแพร่แยกวิธีเตรียม Turbo ออกจากโมเดล Whisper อีกตัวที่ผ่านการกลั่นความรู้ต่างหาก Turbo ได้รับการปรับจูนเพิ่มเติมอีกสองเอพ็อกด้วยข้อมูลถอดเสียงหลายภาษา โดยไม่รวมข้อมูลแปลภาษา ความแตกต่างนี้สำคัญต่อการใช้งานจริง ที่เก็บโค้ดของ OpenAI ระบุว่า Turbo ไม่ได้ฝึกให้แปลเสียงพูดที่ไม่ใช่ภาษาอังกฤษเป็นภาษาอังกฤษ และอาจคืนภาษาต้นฉบับแม้ร้องของานแปล ใช้รุ่นนี้สำหรับถอดเสียงเป็นภาษาเดียวกับต้นฉบับ หากต้องแปล ควรใช้โมเดลอื่นที่เหมาะสมหรือทำเป็นขั้นตอนแยกหลังถอดเสียง

การตรวจจับภาษาต้นฉบับและการเลือกภาษาอย่างชัดเจนยังเป็นตัวเลือกที่มีประโยชน์ในการถอดเสียง หากทราบภาษาของเสียงบันทึกอยู่แล้ว ให้ระบุในบรีฟ หากไม่ทราบ ขั้นตอนตามเอกสารสามารถตรวจจับได้ คงชื่อ จำนวน และถ้อยคำที่พูดจริงก่อนขอปรับแก้เชิงบรรณาธิการ จากนั้นจึงนำบันทึกประชุม บทสัมภาษณ์ หรือข้อความการบรรยายไปค้นหา ใส่หมายเหตุ หรือสรุปในงานภายหลัง ไม่ควรสับสนงานรู้จำของ Turbo กับการสังเคราะห์เสียง การเลียนเสียงผู้พูด หรือการประเมินเชิงความหมายเกี่ยวกับบุคคลในเสียงบันทึก

ตัวโหลดเสียงของ OpenAI ถอดรหัสไฟล์อินพุตเป็นตัวอย่างเสียงโมโนที่ 16 kHz และโมเดลใช้หน้าต่างเสียง 30 วินาทีพร้อมช่องความถี่ Mel 128 ช่อง เสียงบันทึกที่ยาวกว่านี้ต้องใช้การอนุมานสำหรับเสียงยาว การประมวลผลแบบลำดับจะเลื่อนผ่านหน้าต่างตามลำดับ ส่วนแบบแบ่งชังก์จะถอดเสียงส่วนที่ซ้อนทับกันและเชื่อมขอบเขตเข้าด้วยกัน โมเดลการ์ดเสนอแบบหลังว่าเหมาะเมื่อประมวลผลไฟล์ยาวไฟล์เดียวและให้ความสำคัญกับเวลาจนได้ผลลัพธ์เป็นหลัก ส่วนแบบลำดับเป็นทางเลือกที่เน้นความแม่นยำ ทั้งหน้าต่างและชื่อโมเดลไม่ได้กำหนดขนาดไฟล์สูงสุดแบบตายตัวสำหรับการอัปโหลดไปยังบริการที่โฮสต์ไว้

การกำหนดค่าของ Turbo โดยตรงระบุตำแหน่งดีโคเดอร์ 448 ตำแหน่งสำหรับลำดับการถอดรหัสหนึ่งชุด ขั้นตอนการอนุมานตามเอกสารอาจรวมเวลาของแต่ละช่วงหรือแต่ละคำพร้อมข้อความถอดเสียง ข้อมูลเวลาช่วยเลื่อนไปยังส่วนที่ต้องการและจัดรูปแบบคำบรรยายภายหลัง แต่ไม่ได้เพิ่มรูปแบบไฟล์คำบรรยายหรือป้ายระบุผู้พูดที่เชื่อถือได้โดยอัตโนมัติ ระบุว่าต้องการข้อความถอดเสียงธรรมดาหรือช่วงข้อความพร้อมเวลา และเก็บเสียงต้นฉบับไว้เพื่อตรวจข้อความที่มีข้อโต้แย้ง การประมวลผลเสียงยาวและการจัดรูปแบบสุดท้ายแยกจากเอกลักษณ์ของเช็กพอยต์

Turbo ลดงานถอดรหัส แต่เวลาที่ใช้จริงขึ้นกับฮาร์ดแวร์ ความยาวเสียง ภาษา ความเร็วการพูด และวิธีอนุมาน ผู้พัฒนาระบุว่าคุณภาพลดลงมากกว่าในบางภาษา เช่น ไทยและกวางตุ้ง ไม่ได้มีพฤติกรรมสม่ำเสมอเหมือนกันทุกภาษา เปรียบเทียบช่วงตัวอย่างที่เป็นตัวแทนในภาษาที่ต้องการ ก่อนถือว่าการแลกเปลี่ยนเพื่อความเร็วนี้เหมาะกับทุกเนื้อหา สำหรับงานประมวลผลคลังเสียง ให้ตัวอย่างตรวจทานมีคำศัพท์ยาก ช่วงหยุด เสียงรบกวน หรือการพูดซ้อน ไม่ใช่เพียงประโยคเปิดที่ชัดเจน

การ์ดที่เผยแพร่ระบุข้อจำกัดสำคัญในการรู้จำของ Whisper: ข้อความที่คาดการณ์อาจมีคำที่ไม่ได้พูดจริง และอาจมีข้อความซ้ำ ผลลัพธ์ต่างกันตามภาษา สำเนียง และภาษาถิ่น โดยเฉพาะส่วนที่ข้อมูลฝึกครอบคลุมจำกัด การ์ดไม่ได้ยืนยันว่าการแยกผู้พูดหรือจำแนกผู้พูดของโมเดลพื้นฐานเป็นความสามารถมาตรฐานที่เชื่อถือได้ การตรวจทานเชิงปฏิบัติควรเน้นความตรงกับต้นฉบับ ได้แก่ ชื่อและตัวเลขสำคัญ เสียงพูดที่ตกหล่น ข้อความที่เกิดขึ้นโดยไม่คาดหมายระหว่างความเงียบ และข้อความซ้ำ แม้ข้อความถอดเสียงจะอ่านง่าย ก็ยังเป็นผลลัพธ์ที่ต้องเทียบกับเสียงบันทึก ไม่ใช่การรับประกันว่าจะรู้จำได้ตรงทั้งหมด

ชิ้นงานสำเร็จที่มีประโยชน์คือข้อความถอดเสียงในภาษาต้นฉบับ พร้อมข้อมูลเวลาที่ร้องขอและการเชื่อมโยงกับเสียงบันทึกอย่างชัดเจน เก็บเวอร์ชันที่รู้จำได้แยกจากเวอร์ชันที่แก้ไขเพื่อเผยแพร่ เพื่อให้ติดตามการเปลี่ยนแปลงได้ คงชื่อ large-v3-turbo เมื่อเปรียบเทียบรุ่น เพราะไม่ใช่โมเดล large-v3 เต็มรูปแบบ และไม่ควรนำงานแปลเป็นภาษาอังกฤษของ large-v3 มาใช้กับมันโดยไม่ระบุให้ชัด เอกลักษณ์ของโมเดลที่เปิดเผยน้ำหนักนี้ยังไม่ได้รวมขีดจำกัดการอัปโหลด โครงสร้างข้อมูลตอบกลับ หรือคำมั่นด้านสตรีมสดของบริการ whisper-1 ที่โฮสต์ไว้ เลือก Turbo เมื่อการแลกเปลี่ยนด้านการถอดเสียงตามเอกสารเหมาะกับเนื้อหาจริงและเวลาที่ต้องการได้ผลลัพธ์

", "aboutText": "Whisper large-v3-turbo หรือ Turbo เป็นโมเดลถอดเสียงที่ปรับให้มีประสิทธิภาพของ OpenAI ซึ่งพัฒนาต่อจาก Whisper large-v3 ดีโคเดอร์ลดจาก 32 ชั้นเหลือสี่ชั้น ขณะที่เอนโคเดอร์ยังมี 32 ชั้น โมเดลที่เผยแพร่มีประมาณ 809 ล้านพารามิเตอร์ ผู้พัฒนามุ่งให้รู้จำเสียงพูดเร็วขึ้นโดยยอมแลกความแม่นยำเล็กน้อย ไม่ใช่เพิ่มโหมดสร้างเสียงอีกแบบ อินพุตคือเสียงพูดที่บันทึกไว้ และผลลัพธ์คือข้อความที่รู้จำได้\n\nประกาศเผยแพร่แยกวิธีเตรียม Turbo ออกจากโมเดล Whisper อีกตัวที่ผ่านการกลั่นความรู้ต่างหาก Turbo ได้รับการปรับจูนเพิ่มเติมอีกสองเอพ็อกด้วยข้อมูลถอดเสียงหลายภาษา โดยไม่รวมข้อมูลแปลภาษา ความแตกต่างนี้สำคัญต่อการใช้งานจริง ที่เก็บโค้ดของ OpenAI ระบุว่า Turbo ไม่ได้ฝึกให้แปลเสียงพูดที่ไม่ใช่ภาษาอังกฤษเป็นภาษาอังกฤษ และอาจคืนภาษาต้นฉบับแม้ร้องของานแปล ใช้รุ่นนี้สำหรับถอดเสียงเป็นภาษาเดียวกับต้นฉบับ หากต้องแปล ควรใช้โมเดลอื่นที่เหมาะสมหรือทำเป็นขั้นตอนแยกหลังถอดเสียง\n\nการตรวจจับภาษาต้นฉบับและการเลือกภาษาอย่างชัดเจนยังเป็นตัวเลือกที่มีประโยชน์ในการถอดเสียง หากทราบภาษาของเสียงบันทึกอยู่แล้ว ให้ระบุในบรีฟ หากไม่ทราบ ขั้นตอนตามเอกสารสามารถตรวจจับได้ คงชื่อ จำนวน และถ้อยคำที่พูดจริงก่อนขอปรับแก้เชิงบรรณาธิการ จากนั้นจึงนำบันทึกประชุม บทสัมภาษณ์ หรือข้อความการบรรยายไปค้นหา ใส่หมายเหตุ หรือสรุปในงานภายหลัง ไม่ควรสับสนงานรู้จำของ Turbo กับการสังเคราะห์เสียง การเลียนเสียงผู้พูด หรือการประเมินเชิงความหมายเกี่ยวกับบุคคลในเสียงบันทึก\n\nตัวโหลดเสียงของ OpenAI ถอดรหัสไฟล์อินพุตเป็นตัวอย่างเสียงโมโนที่ 16 kHz และโมเดลใช้หน้าต่างเสียง 30 วินาทีพร้อมช่องความถี่ Mel 128 ช่อง เสียงบันทึกที่ยาวกว่านี้ต้องใช้การอนุมานสำหรับเสียงยาว การประมวลผลแบบลำดับจะเลื่อนผ่านหน้าต่างตามลำดับ ส่วนแบบแบ่งชังก์จะถอดเสียงส่วนที่ซ้อนทับกันและเชื่อมขอบเขตเข้าด้วยกัน โมเดลการ์ดเสนอแบบหลังว่าเหมาะเมื่อประมวลผลไฟล์ยาวไฟล์เดียวและให้ความสำคัญกับเวลาจนได้ผลลัพธ์เป็นหลัก ส่วนแบบลำดับเป็นทางเลือกที่เน้นความแม่นยำ ทั้งหน้าต่างและชื่อโมเดลไม่ได้กำหนดขนาดไฟล์สูงสุดแบบตายตัวสำหรับการอัปโหลดไปยังบริการที่โฮสต์ไว้\n\nการกำหนดค่าของ Turbo โดยตรงระบุตำแหน่งดีโคเดอร์ 448 ตำแหน่งสำหรับลำดับการถอดรหัสหนึ่งชุด ขั้นตอนการอนุมานตามเอกสารอาจรวมเวลาของแต่ละช่วงหรือแต่ละคำพร้อมข้อความถอดเสียง ข้อมูลเวลาช่วยเลื่อนไปยังส่วนที่ต้องการและจัดรูปแบบคำบรรยายภายหลัง แต่ไม่ได้เพิ่มรูปแบบไฟล์คำบรรยายหรือป้ายระบุผู้พูดที่เชื่อถือได้โดยอัตโนมัติ ระบุว่าต้องการข้อความถอดเสียงธรรมดาหรือช่วงข้อความพร้อมเวลา และเก็บเสียงต้นฉบับไว้เพื่อตรวจข้อความที่มีข้อโต้แย้ง การประมวลผลเสียงยาวและการจัดรูปแบบสุดท้ายแยกจากเอกลักษณ์ของเช็กพอยต์\n\nTurbo ลดงานถอดรหัส แต่เวลาที่ใช้จริงขึ้นกับฮาร์ดแวร์ ความยาวเสียง ภาษา ความเร็วการพูด และวิธีอนุมาน ผู้พัฒนาระบุว่าคุณภาพลดลงมากกว่าในบางภาษา เช่น ไทยและกวางตุ้ง ไม่ได้มีพฤติกรรมสม่ำเสมอเหมือนกันทุกภาษา เปรียบเทียบช่วงตัวอย่างที่เป็นตัวแทนในภาษาที่ต้องการ ก่อนถือว่าการแลกเปลี่ยนเพื่อความเร็วนี้เหมาะกับทุกเนื้อหา สำหรับงานประมวลผลคลังเสียง ให้ตัวอย่างตรวจทานมีคำศัพท์ยาก ช่วงหยุด เสียงรบกวน หรือการพูดซ้อน ไม่ใช่เพียงประโยคเปิดที่ชัดเจน\n\nการ์ดที่เผยแพร่ระบุข้อจำกัดสำคัญในการรู้จำของ Whisper: ข้อความที่คาดการณ์อาจมีคำที่ไม่ได้พูดจริง และอาจมีข้อความซ้ำ ผลลัพธ์ต่างกันตามภาษา สำเนียง และภาษาถิ่น โดยเฉพาะส่วนที่ข้อมูลฝึกครอบคลุมจำกัด การ์ดไม่ได้ยืนยันว่าการแยกผู้พูดหรือจำแนกผู้พูดของโมเดลพื้นฐานเป็นความสามารถมาตรฐานที่เชื่อถือได้ การตรวจทานเชิงปฏิบัติควรเน้นความตรงกับต้นฉบับ ได้แก่ ชื่อและตัวเลขสำคัญ เสียงพูดที่ตกหล่น ข้อความที่เกิดขึ้นโดยไม่คาดหมายระหว่างความเงียบ และข้อความซ้ำ แม้ข้อความถอดเสียงจะอ่านง่าย ก็ยังเป็นผลลัพธ์ที่ต้องเทียบกับเสียงบันทึก ไม่ใช่การรับประกันว่าจะรู้จำได้ตรงทั้งหมด\n\nชิ้นงานสำเร็จที่มีประโยชน์คือข้อความถอดเสียงในภาษาต้นฉบับ พร้อมข้อมูลเวลาที่ร้องขอและการเชื่อมโยงกับเสียงบันทึกอย่างชัดเจน เก็บเวอร์ชันที่รู้จำได้แยกจากเวอร์ชันที่แก้ไขเพื่อเผยแพร่ เพื่อให้ติดตามการเปลี่ยนแปลงได้ คงชื่อ large-v3-turbo เมื่อเปรียบเทียบรุ่น เพราะไม่ใช่โมเดล large-v3 เต็มรูปแบบ และไม่ควรนำงานแปลเป็นภาษาอังกฤษของ large-v3 มาใช้กับมันโดยไม่ระบุให้ชัด เอกลักษณ์ของโมเดลที่เปิดเผยน้ำหนักนี้ยังไม่ได้รวมขีดจำกัดการอัปโหลด โครงสร้างข้อมูลตอบกลับ หรือคำมั่นด้านสตรีมสดของบริการ whisper-1 ที่โฮสต์ไว้ เลือก Turbo เมื่อการแลกเปลี่ยนด้านการถอดเสียงตามเอกสารเหมาะกับเนื้อหาจริงและเวลาที่ต้องการได้ผลลัพธ์", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "064b489d0c9e02db1082253d051f44e7f28c70643788cabdfa911ab22166f37b", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "th", "methods": [ { "html": "
O

OpenAI: Whisper Large V3 Turbo

OpenAI /openai/whisper-large-v3-turbo

เริ่มต้น

Whisper large-v3-turbo เป็นรุ่นถอดเสียงที่เปิดเผยน้ำหนักของ OpenAI ซึ่งทำงานเร็วขึ้นและพัฒนาต่อจาก large-v3 มีดีโคเดอร์สี่ชั้นและ 809 ล้านพารามิเตอร์ มุ่งใช้แปลงเสียงพูดหลายภาษาเป็นข้อความ โดยเอกสารทางการของผู้พัฒนาระบุว่างานที่ Turbo ได้รับการฝึกไม่รวมการแปลเสียงพูดเป็นภาษาอังกฤษ

อินพุตที่รองรับ
เสียง
ผลลัพธ์
ข้อความ
เกี่ยวกับโมเดล

คำอธิบายนี้ครอบคลุมความสามารถของโมเดล อินพุต เอาต์พุต และตัวเลือกที่ใช้ได้ใน Ailoot แสดงด้านล่างตามเมธอดที่เลือก

Whisper large-v3-turbo หรือ Turbo เป็นโมเดลถอดเสียงที่ปรับให้มีประสิทธิภาพของ OpenAI ซึ่งพัฒนาต่อจาก Whisper large-v3 ดีโคเดอร์ลดจาก 32 ชั้นเหลือสี่ชั้น ขณะที่เอนโคเดอร์ยังมี 32 ชั้น โมเดลที่เผยแพร่มีประมาณ 809 ล้านพารามิเตอร์ ผู้พัฒนามุ่งให้รู้จำเสียงพูดเร็วขึ้นโดยยอมแลกความแม่นยำเล็กน้อย ไม่ใช่เพิ่มโหมดสร้างเสียงอีกแบบ อินพุตคือเสียงพูดที่บันทึกไว้ และผลลัพธ์คือข้อความที่รู้จำได้

ประกาศเผยแพร่แยกวิธีเตรียม Turbo ออกจากโมเดล Whisper อีกตัวที่ผ่านการกลั่นความรู้ต่างหาก Turbo ได้รับการปรับจูนเพิ่มเติมอีกสองเอพ็อกด้วยข้อมูลถอดเสียงหลายภาษา โดยไม่รวมข้อมูลแปลภาษา ความแตกต่างนี้สำคัญต่อการใช้งานจริง ที่เก็บโค้ดของ OpenAI ระบุว่า Turbo ไม่ได้ฝึกให้แปลเสียงพูดที่ไม่ใช่ภาษาอังกฤษเป็นภาษาอังกฤษ และอาจคืนภาษาต้นฉบับแม้ร้องของานแปล ใช้รุ่นนี้สำหรับถอดเสียงเป็นภาษาเดียวกับต้นฉบับ หากต้องแปล ควรใช้โมเดลอื่นที่เหมาะสมหรือทำเป็นขั้นตอนแยกหลังถอดเสียง

การตรวจจับภาษาต้นฉบับและการเลือกภาษาอย่างชัดเจนยังเป็นตัวเลือกที่มีประโยชน์ในการถอดเสียง หากทราบภาษาของเสียงบันทึกอยู่แล้ว ให้ระบุในบรีฟ หากไม่ทราบ ขั้นตอนตามเอกสารสามารถตรวจจับได้ คงชื่อ จำนวน และถ้อยคำที่พูดจริงก่อนขอปรับแก้เชิงบรรณาธิการ จากนั้นจึงนำบันทึกประชุม บทสัมภาษณ์ หรือข้อความการบรรยายไปค้นหา ใส่หมายเหตุ หรือสรุปในงานภายหลัง ไม่ควรสับสนงานรู้จำของ Turbo กับการสังเคราะห์เสียง การเลียนเสียงผู้พูด หรือการประเมินเชิงความหมายเกี่ยวกับบุคคลในเสียงบันทึก

ตัวโหลดเสียงของ OpenAI ถอดรหัสไฟล์อินพุตเป็นตัวอย่างเสียงโมโนที่ 16 kHz และโมเดลใช้หน้าต่างเสียง 30 วินาทีพร้อมช่องความถี่ Mel 128 ช่อง เสียงบันทึกที่ยาวกว่านี้ต้องใช้การอนุมานสำหรับเสียงยาว การประมวลผลแบบลำดับจะเลื่อนผ่านหน้าต่างตามลำดับ ส่วนแบบแบ่งชังก์จะถอดเสียงส่วนที่ซ้อนทับกันและเชื่อมขอบเขตเข้าด้วยกัน โมเดลการ์ดเสนอแบบหลังว่าเหมาะเมื่อประมวลผลไฟล์ยาวไฟล์เดียวและให้ความสำคัญกับเวลาจนได้ผลลัพธ์เป็นหลัก ส่วนแบบลำดับเป็นทางเลือกที่เน้นความแม่นยำ ทั้งหน้าต่างและชื่อโมเดลไม่ได้กำหนดขนาดไฟล์สูงสุดแบบตายตัวสำหรับการอัปโหลดไปยังบริการที่โฮสต์ไว้

การกำหนดค่าของ Turbo โดยตรงระบุตำแหน่งดีโคเดอร์ 448 ตำแหน่งสำหรับลำดับการถอดรหัสหนึ่งชุด ขั้นตอนการอนุมานตามเอกสารอาจรวมเวลาของแต่ละช่วงหรือแต่ละคำพร้อมข้อความถอดเสียง ข้อมูลเวลาช่วยเลื่อนไปยังส่วนที่ต้องการและจัดรูปแบบคำบรรยายภายหลัง แต่ไม่ได้เพิ่มรูปแบบไฟล์คำบรรยายหรือป้ายระบุผู้พูดที่เชื่อถือได้โดยอัตโนมัติ ระบุว่าต้องการข้อความถอดเสียงธรรมดาหรือช่วงข้อความพร้อมเวลา และเก็บเสียงต้นฉบับไว้เพื่อตรวจข้อความที่มีข้อโต้แย้ง การประมวลผลเสียงยาวและการจัดรูปแบบสุดท้ายแยกจากเอกลักษณ์ของเช็กพอยต์

Turbo ลดงานถอดรหัส แต่เวลาที่ใช้จริงขึ้นกับฮาร์ดแวร์ ความยาวเสียง ภาษา ความเร็วการพูด และวิธีอนุมาน ผู้พัฒนาระบุว่าคุณภาพลดลงมากกว่าในบางภาษา เช่น ไทยและกวางตุ้ง ไม่ได้มีพฤติกรรมสม่ำเสมอเหมือนกันทุกภาษา เปรียบเทียบช่วงตัวอย่างที่เป็นตัวแทนในภาษาที่ต้องการ ก่อนถือว่าการแลกเปลี่ยนเพื่อความเร็วนี้เหมาะกับทุกเนื้อหา สำหรับงานประมวลผลคลังเสียง ให้ตัวอย่างตรวจทานมีคำศัพท์ยาก ช่วงหยุด เสียงรบกวน หรือการพูดซ้อน ไม่ใช่เพียงประโยคเปิดที่ชัดเจน

การ์ดที่เผยแพร่ระบุข้อจำกัดสำคัญในการรู้จำของ Whisper: ข้อความที่คาดการณ์อาจมีคำที่ไม่ได้พูดจริง และอาจมีข้อความซ้ำ ผลลัพธ์ต่างกันตามภาษา สำเนียง และภาษาถิ่น โดยเฉพาะส่วนที่ข้อมูลฝึกครอบคลุมจำกัด การ์ดไม่ได้ยืนยันว่าการแยกผู้พูดหรือจำแนกผู้พูดของโมเดลพื้นฐานเป็นความสามารถมาตรฐานที่เชื่อถือได้ การตรวจทานเชิงปฏิบัติควรเน้นความตรงกับต้นฉบับ ได้แก่ ชื่อและตัวเลขสำคัญ เสียงพูดที่ตกหล่น ข้อความที่เกิดขึ้นโดยไม่คาดหมายระหว่างความเงียบ และข้อความซ้ำ แม้ข้อความถอดเสียงจะอ่านง่าย ก็ยังเป็นผลลัพธ์ที่ต้องเทียบกับเสียงบันทึก ไม่ใช่การรับประกันว่าจะรู้จำได้ตรงทั้งหมด

ชิ้นงานสำเร็จที่มีประโยชน์คือข้อความถอดเสียงในภาษาต้นฉบับ พร้อมข้อมูลเวลาที่ร้องขอและการเชื่อมโยงกับเสียงบันทึกอย่างชัดเจน เก็บเวอร์ชันที่รู้จำได้แยกจากเวอร์ชันที่แก้ไขเพื่อเผยแพร่ เพื่อให้ติดตามการเปลี่ยนแปลงได้ คงชื่อ large-v3-turbo เมื่อเปรียบเทียบรุ่น เพราะไม่ใช่โมเดล large-v3 เต็มรูปแบบ และไม่ควรนำงานแปลเป็นภาษาอังกฤษของ large-v3 มาใช้กับมันโดยไม่ระบุให้ชัด เอกลักษณ์ของโมเดลที่เปิดเผยน้ำหนักนี้ยังไม่ได้รวมขีดจำกัดการอัปโหลด โครงสร้างข้อมูลตอบกลับ หรือคำมั่นด้านสตรีมสดของบริการ whisper-1 ที่โฮสต์ไว้ เลือก Turbo เมื่อการแลกเปลี่ยนด้านการถอดเสียงตามเอกสารเหมาะกับเนื้อหาจริงและเวลาที่ต้องการได้ผลลัพธ์

ใช้งานได้ใน Ailoot · อินพุตและเมธอด

Ailoot Ultra · การถอดเสียง POST /v1/audio/transcriptions
ขาเข้า
audio
ขาออก
text
ฟิลด์ประเภทข้อกำหนดค่าและข้อจำกัดค่าเริ่มต้น
ฟิลด์modelประเภทstringข้อกำหนดจำเป็นค่าและข้อจำกัด
openai/whisper-large-v3-turbo
ค่าเริ่มต้น—
ฟิลด์input_audioประเภทobjectข้อกำหนดจำเป็นค่าและข้อจำกัดค่าเริ่มต้น—
พารามิเตอร์และวงจรการทำงานของเมธอด
พารามิเตอร์ข้อกำหนด
พารามิเตอร์content_typeข้อกำหนดapplication/json
พารามิเตอร์requiredข้อกำหนดmodel, input_audio
พารามิเตอร์material_typesข้อกำหนดaudio
พารามิเตอร์material_conditionsข้อกำหนดตัวอย่างนี้อ่านไฟล์ 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

การตั้งค่าตารางอัตราค่าบริการหน่วยคิดค่าบริการค่าบริการ
การตั้งค่าอัตราค่าบริการโทเคนพื้นฐานตารางอัตราค่าบริการอัตราพื้นฐานหน่วยคิดค่าบริการ—ค่าบริการ
ขาเข้า · โทเค็นอินพุต — / 1K โทเค็น
ขาออก · โทเค็นเอาต์พุต — / 1K โทเค็น
ขาเข้า · การอ่านแคช — / 1K โทเค็น
ขาเข้า · การเขียนแคช — / 1K โทเค็น
ขาเข้า · การเขียนแคช, 1 ชั่วโมง — / 1K โทเค็น
การตั้งค่าวินาทีเสียงขาเข้าตารางอัตราค่าบริการ—หน่วยคิดค่าบริการต่อวินาทีของเสียงอินพุตค่าบริการ
ขาเข้า · วินาทีเสียงขาเข้า $0.00000666 ต่อวินาทีของเสียงอินพุต

Ailoot กันยอดเงินประมาณการไว้ก่อนส่งคำขอ หลังได้ผลลัพธ์ จะคิดค่าบริการสุดท้ายตามการใช้งานที่วัดได้ การคิดค่าบริการแบบสตรีมใช้บันทึกการใช้งานสุดท้าย วิธีกันยอดเงินและคิดค่าบริการสุดท้าย →

ตัวอย่างคำขอ

Ailoot Ultra · การถอดเสียง

set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_AUDIO_FILE:?Set the path to your actual PCM WAV recording}"\nexport AILOOT_AUDIO_FILE\npython3 - <<'PY_REQUEST'\nimport base64, io, json, os, wave\nfrom pathlib import Path\naudio = Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()\nif not (audio[:4] == b'RIFF' and audio[8:12] == b'WAVE'):\n    raise SystemExit('Supply your actual PCM WAV audio file')\nwith wave.open(io.BytesIO(audio), 'rb') as recording:\n    if recording.getcomptype() != 'NONE' or recording.getnframes() <= 0:\n        raise SystemExit('Supply a nonempty PCM WAV recording')\nrequest = {'model': 'openai/whisper-large-v3-turbo', 'input_audio': {'data': base64.b64encode(audio).decode('ascii'), 'format': 'wav'}}\nPath('request.json').write_text(json.dumps(request, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \\\n  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n  --data-binary @request.json -D response-headers.txt -o response.bin\n# Retain the complete original response, headers and actual X-Client-Request-ID.\n# Read existing owned records for recovery; do not resubmit an uncertain operation.\n

รับและบันทึกผลลัพธ์

Ailoot Ultra · การถอดเสียง

เนื้อหาการตอบกลับเดิมทั้งหมด สถานะ และส่วนหัวที่ส่งต่อ ตัวจัดการนี้ไม่เพิ่มโครงสร้าง JSON ฟิลด์ข้อความ หรือโครงสร้างห่อหุ้มงานแบบสากล

เก็บผลลัพธ์ที่เสร็จสมบูรณ์ทั้งหมด

เก็บทุกการตอบกลับ ไฟล์ และส่วนเนื้อหาที่ส่งกลับมาอย่างครบถ้วน

เก็บการตอบกลับและส่วนหัวให้ครบถ้วน เก็บผลลัพธ์จริงทุกรายการ ตัวระบุที่ส่งกลับมาแต่เดิม และฟิลด์ข้อมูลการใช้งานทั้งหมด กู้คืนการดำเนินการเดิมโดยไม่ส่งคำขอสร้างซ้ำ

เมื่อต้องตรวจสอบการตอบกลับต้นฉบับ

เก็บ X-Client-Request-ID จริงและการตอบกลับทั้งหมด อ่านแอสเซ็ตเดิมที่เป็นของคุณและ URL เนื้อหาที่ลงลายเซ็นตรงตามที่ส่งกลับ ห้ามส่งคำขอสร้างที่ยังไม่แน่ชัดซ้ำ

ฟิลด์การตอบกลับ
ฟิลด์ประเภท
ฟิลด์text (when present)ประเภท
ฟิลด์usage (when present)ประเภท
ข้อผิดพลาดและขั้นตอนถัดไป
การตอบกลับเงื่อนไขขั้นตอนถัดไป
การตอบกลับ400 · invalid_request_errorเงื่อนไขเนื้อหา JSON หรือ ID โมเดลมาตรฐานที่ระบุชัดเจนไม่ถูกต้องขั้นตอนถัดไปเก็บการตอบกลับและแก้ไขฟิลด์คำขอที่ระบุ
การตอบกลับ401 · authentication_errorเงื่อนไขคีย์ API ของ Ailoot ไม่ถูกต้องขั้นตอนถัดไปใช้คีย์ API ของ Ailoot ที่คุณได้รับอนุญาต
การตอบกลับ403 · permission_errorเงื่อนไขกลุ่มคีย์ไม่อนุญาตให้ใช้เมธอดนี้ขั้นตอนถัดไปเก็บรายละเอียดข้อผิดพลาดที่ส่งกลับไว้
การตอบกลับ404 · not_found_errorเงื่อนไขเมธอดที่เลือกไม่มีเส้นทางที่ได้รับอนุญาตขั้นตอนถัดไปเก็บรายละเอียดข้อผิดพลาดที่ส่งกลับไว้
การตอบกลับ422 · price_unavailableเงื่อนไขอัตราค่าบริการที่ยอมรับไม่สามารถระบุปริมาณข้อมูลขาเข้าหรือขอบเขตที่จำเป็นได้ขั้นตอนถัดไปเก็บการตอบกลับไว้ ใช้รูปแบบข้อมูลขาเข้าที่อัตราค่าบริการที่ยอมรับกำหนดไว้
การตอบกลับ503 · เงื่อนไขที่เก็บข้อมูล เส้นทาง ราคาเมธอด หรือการกันวงเงินที่จำเป็นไม่พร้อมใช้งานขั้นตอนถัดไปเก็บการตอบกลับเดิมทั้งหมด การกันวงเงินที่ไม่แน่นอนไม่อนุญาตให้ส่งซ้ำ
การตอบกลับ502 · server_errorเงื่อนไขต้องตรวจสอบผลลัพธ์ การใช้งาน หรือการชำระบัญชีเดิมขั้นตอนถัดไปเก็บ ID คำขอจริงและการตอบกลับเดิม อ่านบันทึกเดิมที่เป็นของคุณ อย่าส่งคำขอสร้างซ้ำ

ชื่ออื่น

ชื่ออื่นของโมเดล

Ailoot Ultra openai/whisper-large-v3-turbo

ชื่อพาธเมธอดอื่น

ใช้พาธเมธอดที่แสดงด้านบน

ID ที่เกี่ยวข้องสำหรับเรียกใช้โมเดล

openai/whisper-large-v3-turbo

", "method_identity": { "effective_request_model_id": "openai/whisper-large-v3-turbo", "fmt": "transcriptions", "http": "POST", "path": "/v1/audio/transcriptions", "request_model_id": "openai/whisper-large-v3-turbo", "route_label": "Ultra" }, "method_key": "Ultra|transcriptions|/v1/audio/transcriptions|openai%2Fwhisper-large-v3-turbo", "ordinal": 0, "rawMethod": { "available": null, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Retain the complete response and headers, every actual output, original returned identifiers and all usage fields. Recover the original operation without submitting creation again.", "errors": [ { "code": null, "condition": "เนื้อหา JSON หรือ ID โมเดลมาตรฐานที่ระบุชัดเจนไม่ถูกต้อง", "http_status": 400, "recovery": "เก็บการตอบกลับและแก้ไขฟิลด์คำขอที่ระบุ", "type": "invalid_request_error" }, { "code": null, "condition": "คีย์ API ของ Ailoot ไม่ถูกต้อง", "http_status": 401, "recovery": "ใช้คีย์ API ของ Ailoot ที่คุณได้รับอนุญาต", "type": "authentication_error" }, { "code": null, "condition": "กลุ่มคีย์ไม่อนุญาตให้ใช้เมธอดนี้", "http_status": 403, "recovery": "เก็บรายละเอียดข้อผิดพลาดที่ส่งกลับไว้", "type": "permission_error" }, { "code": null, "condition": "เมธอดที่เลือกไม่มีเส้นทางที่ได้รับอนุญาต", "http_status": 404, "recovery": "เก็บรายละเอียดข้อผิดพลาดที่ส่งกลับไว้", "type": "not_found_error" }, { "code": null, "condition": "อัตราค่าบริการที่ยอมรับไม่สามารถระบุปริมาณข้อมูลขาเข้าหรือขอบเขตที่จำเป็นได้", "http_status": 422, "recovery": "เก็บการตอบกลับไว้ ใช้รูปแบบข้อมูลขาเข้าที่อัตราค่าบริการที่ยอมรับกำหนดไว้", "type": "price_unavailable" }, { "code": null, "condition": "ที่เก็บข้อมูล เส้นทาง ราคาเมธอด หรือการกันวงเงินที่จำเป็นไม่พร้อมใช้งาน", "http_status": 503, "recovery": "เก็บการตอบกลับเดิมทั้งหมด การกันวงเงินที่ไม่แน่นอนไม่อนุญาตให้ส่งซ้ำ", "type": null }, { "code": null, "condition": "ต้องตรวจสอบผลลัพธ์ การใช้งาน หรือการชำระบัญชีเดิม", "http_status": 502, "operation_id_source": "actual X-Client-Request-ID", "recovery": "เก็บ ID คำขอจริงและการตอบกลับเดิม อ่านบันทึกเดิมที่เป็นของคุณ อย่าส่งคำขอสร้างซ้ำ", "response_headers": { "x-should-retry": "false" }, "type": "server_error" } ], "lifecycle": { "assets": [ { "http": "GET", "path": "/v1/media/assets" }, { "http": "GET", "path": "/v1/media/assets/{asset_id}" } ], "content": [ { "http": "GET", "path": "/v1/media/assets/{asset_id}/content", "url_source": "exact returned signed content URL" } ], "dedicated_method_polling_or_cancel": false, "mode": "synchronous_result_then_owned_library", "original_POST_adds_task_envelope": false, "status": [ { "http": "GET", "id_source": "exact task_id from an existing owned media record", "path": "/v1/media/tasks/{task_id}" } ], "unknown": "เก็บ X-Client-Request-ID จริงและการตอบกลับทั้งหมด อ่านแอสเซ็ตเดิมที่เป็นของคุณและ URL เนื้อหาที่ลงลายเซ็นตรงตามที่ส่งกลับ ห้ามส่งคำขอสร้างที่ยังไม่แน่ชัดซ้ำ" }, "outputs": { "all_results": "เก็บการตอบกลับและส่วนหัวให้ครบถ้วน เก็บผลลัพธ์จริงทุกรายการ ตัวระบุที่ส่งกลับมาแต่เดิม และฟิลด์ข้อมูลการใช้งานทั้งหมด กู้คืนการดำเนินการเดิมโดยไม่ส่งคำขอสร้างซ้ำ", "family": "text", "fields": [ { "description": null, "name": "text (when present)", "type": null }, { "description": null, "name": "usage (when present)", "type": null } ], "result": "เนื้อหาการตอบกลับเดิมทั้งหมด สถานะ และส่วนหัวที่ส่งต่อ ตัวจัดการนี้ไม่เพิ่มโครงสร้าง JSON ฟิลด์ข้อความ หรือโครงสร้างห่อหุ้มงานแบบสากล" }, "parameters": [ { "default_known": false, "enum": [ "openai/whisper-large-v3-turbo" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "default_known": false, "enum_known": false, "name": "input_audio", "required": true, "type": "object" } ], "request_schema": { "properties": { "input_audio": { "properties": { "data": { "contentEncoding": "base64", "type": "string" }, "format": { "type": "string" } }, "required": [ "data", "format" ], "type": "object" }, "model": { "enum": [ "openai/whisper-large-v3-turbo" ], "type": "string" } }, "required": [ "model", "input_audio" ], "type": "object" }, "schema_template": { "actual_file_preparation_required": true, "body": { "input_audio": { "data": "${BASE64_ACTUAL_WAV_BYTES}", "format": "wav" }, "model": "openai/whisper-large-v3-turbo" }, "content_type": "application/json" } }, "input": { "content_type": "application/json", "material_conditions": [ "ตัวอย่างนี้อ่านไฟล์ PCM WAV จริงของคุณที่ไม่ว่าง เข้ารหัสไบต์ทั้งหมดของไฟล์เป็น base64 และส่ง input_audio.format เป็น wav" ], "material_types": [ "audio" ], "required": [ "model", "input_audio" ] }, "lifecycle": { "assets": [ { "http": "GET", "path": "/v1/media/assets" }, { "http": "GET", "path": "/v1/media/assets/{asset_id}" } ], "content": [ { "http": "GET", "path": "/v1/media/assets/{asset_id}/content", "url_source": "exact returned signed content URL" } ], "dedicated_method_polling_or_cancel": false, "mode": "synchronous_result_then_owned_library", "original_POST_adds_task_envelope": false, "status": [ { "http": "GET", "id_source": "task_id ที่ตรงตามบันทึกสื่อเดิมซึ่งเป็นของคุณ", "path": "/v1/media/tasks/{task_id}" } ], "unknown": "Retain the actual X-Client-Request-ID and complete response. Read the original owned assets and their exact signed content URLs; never resubmit an uncertain creation." }, "method": { "http": "POST", "path": "/v1/audio/transcriptions" }, "output": { "all_results": "Retain the complete response and headers, every actual output, original returned identifiers and all usage fields. Recover the original operation without submitting creation again.", "family": "text", "fields": [ { "description": null, "name": "text (when present)", "type": null }, { "description": null, "name": "usage (when present)", "type": null } ], "result": "Complete original response body, status and forwarded headers. No universal JSON shape, text field or task envelope is added by this handler." } }, "ctx": null, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "quoted_unit": "per input audio second" }, "label": "input audio second", "units": [ { "amount": "0.00000666", "amount_unit": "usd_per_exact_native_unit", "billing_input": true, "estimate_only": false, "key": "audio_input_second", "label": "input audio second", "native_amount_usd_per_unit": "0.00000666", "native_quantity": 1, "public_unit_label": "per input audio second", "quantity": 1, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_second" } ] } ], "examples": [ { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\n: \"${AILOOT_AUDIO_FILE:?Set the path to your actual PCM WAV recording}\"\nexport AILOOT_AUDIO_FILE\npython3 - <<'PY_REQUEST'\nimport base64, io, json, os, wave\nfrom pathlib import Path\naudio = Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()\nif not (audio[:4] == b'RIFF' and audio[8:12] == b'WAVE'):\n raise SystemExit('Supply your actual PCM WAV audio file')\nwith wave.open(io.BytesIO(audio), 'rb') as recording:\n if recording.getcomptype() != 'NONE' or recording.getnframes() <= 0:\n raise SystemExit('Supply a nonempty PCM WAV recording')\nrequest = {'model': 'openai/whisper-large-v3-turbo', 'input_audio': {'data': base64.b64encode(audio).decode('ascii'), 'format': 'wav'}}\nPath('request.json').write_text(json.dumps(request, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \\\n -H \"Authorization: Bearer $AILOOT_API_KEY\" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o response.bin\n# Retain the complete original response, headers and actual X-Client-Request-ID.\n# Read existing owned records for recovery; do not resubmit an uncertain operation.\n", "label": "curl · actual WAV file and complete original result", "language": "bash" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "transcriptions", "hints": [ "The example reads your actual nonempty PCM WAV file, encodes the complete file bytes as base64 and sends input_audio.format as wav.", "The format value in the example is the documented recipe; no model-specific format list, limit or default is asserted.", "Retain the complete response and headers, every actual output, original returned identifiers and all usage fields. Recover the original operation without submitting creation again." ], "http": "POST", "in": null, "input": [ "audio" ], "label": "การถอดเสียง", "max_out": null, "max_reasoning_effort_multiplier": null, "method_aliases": [], "native_endpoint": "audio_transcriptions", "out": null, "output": [ "text" ], "path": "/v1/audio/transcriptions", "price_conditions": [ { "label": "Fast mode", "value": "Not specified", "when": "When fast mode is selected" }, { "label": "Flex mode", "value": "Not specified", "when": "When flex mode is selected" }, { "label": "Maximum reasoning effort", "value": "Not specified", "when": "When maximum reasoning effort uses the default adjustment" } ], "pricing": { "billing_mode": "per_request", "image_input_price": null, "image_output_price": null, "per_request_price": null, "unit_prices": { "audio_input_second": 6.66e-06 } }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "quoted_unit": "per input audio second" }, "label": "input audio second", "units": [ { "amount": "0.00000666", "amount_unit": "usd_per_exact_native_unit", "billing_input": true, "estimate_only": false, "key": "audio_input_second", "label": "input audio second", "native_amount_usd_per_unit": "0.00000666", "native_quantity": 1, "public_unit_label": "per input audio second", "quantity": 1, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_second" } ] } ], "request_model_id": "openai/whisper-large-v3-turbo", "route_label": "Ultra", "status_reads": [ "GET /v1/media/tasks/{task_id}" ], "tiers": [], "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" }, { "amount": "0.00000666", "amount_unit": "usd_per_exact_native_unit", "billing_input": true, "estimate_only": false, "key": "audio_input_second", "label": "input audio second", "native_amount_usd_per_unit": "0.00000666", "native_quantity": 1, "public_unit_label": "per input audio second", "quantity": 1, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_second" } ] } } ], "model_id": "openai/whisper-large-v3-turbo", "nativeProvenance": { "input_facts_canonical_sha256": "61ff7517c5be5f8a9152e4c9f9f6a23d22e5064ca6a09e8ee9dd872c6281b820", "input_html_sha256": "5e76008379c451cf5ef51ac97f342c13e804da330a0b13d76866a4402d99699f", "private_audit_sha256": "1464d2b5493264b5dc103aaf648b2d74909967330183a7abda8cef65efa3950c", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/th/openai-whisper-large-v3-turbo/", "description": "Whisper large-v3-turbo เป็นรุ่นถอดเสียงที่เปิดเผยน้ำหนักของ OpenAI ซึ่งทำงานเร็วขึ้นและพัฒนาต่อจาก large-v3 มีดีโคเดอร์สี่ชั้นและ 809 ล้านพารามิเตอร์ มุ่งใช้แปลงเสียงพูดหลายภาษาเป็นข้อความ โดยเอกสารทางการของผู้พัฒนาระบุว่างานที่ Turbo ได้รับการฝึกไม่รวมการแปลเสียงพูดเป็นภาษาอังกฤษ", "locale": "th", "md_url": "https://ailoot.ai/models/th/openai-whisper-large-v3-turbo/index.md", "title": "OpenAI: Whisper Large V3 Turbo — Ailoot", "url": "https://ailoot.ai/models/th/openai-whisper-large-v3-turbo/" }, "rawModel": { "about": "Whisper large-v3-turbo หรือ Turbo เป็นโมเดลถอดเสียงที่ปรับให้มีประสิทธิภาพของ OpenAI ซึ่งพัฒนาต่อจาก Whisper large-v3 ดีโคเดอร์ลดจาก 32 ชั้นเหลือสี่ชั้น ขณะที่เอนโคเดอร์ยังมี 32 ชั้น โมเดลที่เผยแพร่มีประมาณ 809 ล้านพารามิเตอร์ ผู้พัฒนามุ่งให้รู้จำเสียงพูดเร็วขึ้นโดยยอมแลกความแม่นยำเล็กน้อย ไม่ใช่เพิ่มโหมดสร้างเสียงอีกแบบ อินพุตคือเสียงพูดที่บันทึกไว้ และผลลัพธ์คือข้อความที่รู้จำได้\n\nประกาศเผยแพร่แยกวิธีเตรียม Turbo ออกจากโมเดล Whisper อีกตัวที่ผ่านการกลั่นความรู้ต่างหาก Turbo ได้รับการปรับจูนเพิ่มเติมอีกสองเอพ็อกด้วยข้อมูลถอดเสียงหลายภาษา โดยไม่รวมข้อมูลแปลภาษา ความแตกต่างนี้สำคัญต่อการใช้งานจริง ที่เก็บโค้ดของ OpenAI ระบุว่า Turbo ไม่ได้ฝึกให้แปลเสียงพูดที่ไม่ใช่ภาษาอังกฤษเป็นภาษาอังกฤษ และอาจคืนภาษาต้นฉบับแม้ร้องของานแปล ใช้รุ่นนี้สำหรับถอดเสียงเป็นภาษาเดียวกับต้นฉบับ หากต้องแปล ควรใช้โมเดลอื่นที่เหมาะสมหรือทำเป็นขั้นตอนแยกหลังถอดเสียง\n\nการตรวจจับภาษาต้นฉบับและการเลือกภาษาอย่างชัดเจนยังเป็นตัวเลือกที่มีประโยชน์ในการถอดเสียง หากทราบภาษาของเสียงบันทึกอยู่แล้ว ให้ระบุในบรีฟ หากไม่ทราบ ขั้นตอนตามเอกสารสามารถตรวจจับได้ คงชื่อ จำนวน และถ้อยคำที่พูดจริงก่อนขอปรับแก้เชิงบรรณาธิการ จากนั้นจึงนำบันทึกประชุม บทสัมภาษณ์ หรือข้อความการบรรยายไปค้นหา ใส่หมายเหตุ หรือสรุปในงานภายหลัง ไม่ควรสับสนงานรู้จำของ Turbo กับการสังเคราะห์เสียง การเลียนเสียงผู้พูด หรือการประเมินเชิงความหมายเกี่ยวกับบุคคลในเสียงบันทึก\n\nตัวโหลดเสียงของ OpenAI ถอดรหัสไฟล์อินพุตเป็นตัวอย่างเสียงโมโนที่ 16 kHz และโมเดลใช้หน้าต่างเสียง 30 วินาทีพร้อมช่องความถี่ Mel 128 ช่อง เสียงบันทึกที่ยาวกว่านี้ต้องใช้การอนุมานสำหรับเสียงยาว การประมวลผลแบบลำดับจะเลื่อนผ่านหน้าต่างตามลำดับ ส่วนแบบแบ่งชังก์จะถอดเสียงส่วนที่ซ้อนทับกันและเชื่อมขอบเขตเข้าด้วยกัน โมเดลการ์ดเสนอแบบหลังว่าเหมาะเมื่อประมวลผลไฟล์ยาวไฟล์เดียวและให้ความสำคัญกับเวลาจนได้ผลลัพธ์เป็นหลัก ส่วนแบบลำดับเป็นทางเลือกที่เน้นความแม่นยำ ทั้งหน้าต่างและชื่อโมเดลไม่ได้กำหนดขนาดไฟล์สูงสุดแบบตายตัวสำหรับการอัปโหลดไปยังบริการที่โฮสต์ไว้\n\nการกำหนดค่าของ Turbo โดยตรงระบุตำแหน่งดีโคเดอร์ 448 ตำแหน่งสำหรับลำดับการถอดรหัสหนึ่งชุด ขั้นตอนการอนุมานตามเอกสารอาจรวมเวลาของแต่ละช่วงหรือแต่ละคำพร้อมข้อความถอดเสียง ข้อมูลเวลาช่วยเลื่อนไปยังส่วนที่ต้องการและจัดรูปแบบคำบรรยายภายหลัง แต่ไม่ได้เพิ่มรูปแบบไฟล์คำบรรยายหรือป้ายระบุผู้พูดที่เชื่อถือได้โดยอัตโนมัติ ระบุว่าต้องการข้อความถอดเสียงธรรมดาหรือช่วงข้อความพร้อมเวลา และเก็บเสียงต้นฉบับไว้เพื่อตรวจข้อความที่มีข้อโต้แย้ง การประมวลผลเสียงยาวและการจัดรูปแบบสุดท้ายแยกจากเอกลักษณ์ของเช็กพอยต์\n\nTurbo ลดงานถอดรหัส แต่เวลาที่ใช้จริงขึ้นกับฮาร์ดแวร์ ความยาวเสียง ภาษา ความเร็วการพูด และวิธีอนุมาน ผู้พัฒนาระบุว่าคุณภาพลดลงมากกว่าในบางภาษา เช่น ไทยและกวางตุ้ง ไม่ได้มีพฤติกรรมสม่ำเสมอเหมือนกันทุกภาษา เปรียบเทียบช่วงตัวอย่างที่เป็นตัวแทนในภาษาที่ต้องการ ก่อนถือว่าการแลกเปลี่ยนเพื่อความเร็วนี้เหมาะกับทุกเนื้อหา สำหรับงานประมวลผลคลังเสียง ให้ตัวอย่างตรวจทานมีคำศัพท์ยาก ช่วงหยุด เสียงรบกวน หรือการพูดซ้อน ไม่ใช่เพียงประโยคเปิดที่ชัดเจน\n\nการ์ดที่เผยแพร่ระบุข้อจำกัดสำคัญในการรู้จำของ Whisper: ข้อความที่คาดการณ์อาจมีคำที่ไม่ได้พูดจริง และอาจมีข้อความซ้ำ ผลลัพธ์ต่างกันตามภาษา สำเนียง และภาษาถิ่น โดยเฉพาะส่วนที่ข้อมูลฝึกครอบคลุมจำกัด การ์ดไม่ได้ยืนยันว่าการแยกผู้พูดหรือจำแนกผู้พูดของโมเดลพื้นฐานเป็นความสามารถมาตรฐานที่เชื่อถือได้ การตรวจทานเชิงปฏิบัติควรเน้นความตรงกับต้นฉบับ ได้แก่ ชื่อและตัวเลขสำคัญ เสียงพูดที่ตกหล่น ข้อความที่เกิดขึ้นโดยไม่คาดหมายระหว่างความเงียบ และข้อความซ้ำ แม้ข้อความถอดเสียงจะอ่านง่าย ก็ยังเป็นผลลัพธ์ที่ต้องเทียบกับเสียงบันทึก ไม่ใช่การรับประกันว่าจะรู้จำได้ตรงทั้งหมด\n\nชิ้นงานสำเร็จที่มีประโยชน์คือข้อความถอดเสียงในภาษาต้นฉบับ พร้อมข้อมูลเวลาที่ร้องขอและการเชื่อมโยงกับเสียงบันทึกอย่างชัดเจน เก็บเวอร์ชันที่รู้จำได้แยกจากเวอร์ชันที่แก้ไขเพื่อเผยแพร่ เพื่อให้ติดตามการเปลี่ยนแปลงได้ คงชื่อ large-v3-turbo เมื่อเปรียบเทียบรุ่น เพราะไม่ใช่โมเดล large-v3 เต็มรูปแบบ และไม่ควรนำงานแปลเป็นภาษาอังกฤษของ large-v3 มาใช้กับมันโดยไม่ระบุให้ชัด เอกลักษณ์ของโมเดลที่เปิดเผยน้ำหนักนี้ยังไม่ได้รวมขีดจำกัดการอัปโหลด โครงสร้างข้อมูลตอบกลับ หรือคำมั่นด้านสตรีมสดของบริการ whisper-1 ที่โฮสต์ไว้ เลือก Turbo เมื่อการแลกเปลี่ยนด้านการถอดเสียงตามเอกสารเหมาะกับเนื้อหาจริงและเวลาที่ต้องการได้ผลลัพธ์", "alias_of": null, "aliases": [], "author": "OpenAI", "capabilities": { "context_length": 0, "manufacturer_input": [ "audio" ], "manufacturer_output": [ "transcription" ] }, "card_routes": [ { "label": "Ultra", "rates": [ { "amount": "0.00000666", "amount_unit": "usd_per_exact_native_unit", "billing_input": true, "estimate_only": false, "key": "audio_input_second", "label": "input audio second", "native_amount_usd_per_unit": "0.00000666", "native_quantity": 1, "public_unit_label": "per input audio second", "quantity": 1, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_second" } ], "summary": "ดูราคาตามการกำหนดค่าแบบครบถ้วนในรายละเอียด" } ], "ctx": null, "formats": [ "transcriptions" ], "id": "openai/whisper-large-v3-turbo", "input": [ "audio" ], "kind": "audio", "max_out": null, "methods": [ { "available": null, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Retain the complete response and headers, every actual output, original returned identifiers and all usage fields. Recover the original operation without submitting creation again.", "errors": [ { "code": null, "condition": "เนื้อหา JSON หรือ ID โมเดลมาตรฐานที่ระบุชัดเจนไม่ถูกต้อง", "http_status": 400, "recovery": "เก็บการตอบกลับและแก้ไขฟิลด์คำขอที่ระบุ", "type": "invalid_request_error" }, { "code": null, "condition": "คีย์ API ของ Ailoot ไม่ถูกต้อง", "http_status": 401, "recovery": "ใช้คีย์ API ของ Ailoot ที่คุณได้รับอนุญาต", "type": "authentication_error" }, { "code": null, "condition": "กลุ่มคีย์ไม่อนุญาตให้ใช้เมธอดนี้", "http_status": 403, "recovery": "เก็บรายละเอียดข้อผิดพลาดที่ส่งกลับไว้", "type": "permission_error" }, { "code": null, "condition": "เมธอดที่เลือกไม่มีเส้นทางที่ได้รับอนุญาต", "http_status": 404, "recovery": "เก็บรายละเอียดข้อผิดพลาดที่ส่งกลับไว้", "type": "not_found_error" }, { "code": null, "condition": "อัตราค่าบริการที่ยอมรับไม่สามารถระบุปริมาณข้อมูลขาเข้าหรือขอบเขตที่จำเป็นได้", "http_status": 422, "recovery": "เก็บการตอบกลับไว้ ใช้รูปแบบข้อมูลขาเข้าที่อัตราค่าบริการที่ยอมรับกำหนดไว้", "type": "price_unavailable" }, { "code": null, "condition": "ที่เก็บข้อมูล เส้นทาง ราคาเมธอด หรือการกันวงเงินที่จำเป็นไม่พร้อมใช้งาน", "http_status": 503, "recovery": "เก็บการตอบกลับเดิมทั้งหมด การกันวงเงินที่ไม่แน่นอนไม่อนุญาตให้ส่งซ้ำ", "type": null }, { "code": null, "condition": "ต้องตรวจสอบผลลัพธ์ การใช้งาน หรือการชำระบัญชีเดิม", "http_status": 502, "operation_id_source": "actual X-Client-Request-ID", "recovery": "เก็บ ID คำขอจริงและการตอบกลับเดิม อ่านบันทึกเดิมที่เป็นของคุณ อย่าส่งคำขอสร้างซ้ำ", "response_headers": { "x-should-retry": "false" }, "type": "server_error" } ], "lifecycle": { "assets": [ { "http": "GET", "path": "/v1/media/assets" }, { "http": "GET", "path": "/v1/media/assets/{asset_id}" } ], "content": [ { "http": "GET", "path": "/v1/media/assets/{asset_id}/content", "url_source": "exact returned signed content URL" } ], "dedicated_method_polling_or_cancel": false, "mode": "synchronous_result_then_owned_library", "original_POST_adds_task_envelope": false, "status": [ { "http": "GET", "id_source": "exact task_id from an existing owned media record", "path": "/v1/media/tasks/{task_id}" } ], "unknown": "เก็บ X-Client-Request-ID จริงและการตอบกลับทั้งหมด อ่านแอสเซ็ตเดิมที่เป็นของคุณและ URL เนื้อหาที่ลงลายเซ็นตรงตามที่ส่งกลับ ห้ามส่งคำขอสร้างที่ยังไม่แน่ชัดซ้ำ" }, "outputs": { "all_results": "เก็บการตอบกลับและส่วนหัวให้ครบถ้วน เก็บผลลัพธ์จริงทุกรายการ ตัวระบุที่ส่งกลับมาแต่เดิม และฟิลด์ข้อมูลการใช้งานทั้งหมด กู้คืนการดำเนินการเดิมโดยไม่ส่งคำขอสร้างซ้ำ", "family": "text", "fields": [ { "description": null, "name": "text (when present)", "type": null }, { "description": null, "name": "usage (when present)", "type": null } ], "result": "เนื้อหาการตอบกลับเดิมทั้งหมด สถานะ และส่วนหัวที่ส่งต่อ ตัวจัดการนี้ไม่เพิ่มโครงสร้าง JSON ฟิลด์ข้อความ หรือโครงสร้างห่อหุ้มงานแบบสากล" }, "parameters": [ { "default_known": false, "enum": [ "openai/whisper-large-v3-turbo" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "default_known": false, "enum_known": false, "name": "input_audio", "required": true, "type": "object" } ], "request_schema": { "properties": { "input_audio": { "properties": { "data": { "contentEncoding": "base64", "type": "string" }, "format": { "type": "string" } }, "required": [ "data", "format" ], "type": "object" }, "model": { "enum": [ "openai/whisper-large-v3-turbo" ], "type": "string" } }, "required": [ "model", "input_audio" ], "type": "object" }, "schema_template": { "actual_file_preparation_required": true, "body": { "input_audio": { "data": "${BASE64_ACTUAL_WAV_BYTES}", "format": "wav" }, "model": "openai/whisper-large-v3-turbo" }, "content_type": "application/json" } }, "input": { "content_type": "application/json", "material_conditions": [ "ตัวอย่างนี้อ่านไฟล์ PCM WAV จริงของคุณที่ไม่ว่าง เข้ารหัสไบต์ทั้งหมดของไฟล์เป็น base64 และส่ง input_audio.format เป็น wav" ], "material_types": [ "audio" ], "required": [ "model", "input_audio" ] }, "lifecycle": { "assets": [ { "http": "GET", "path": "/v1/media/assets" }, { "http": "GET", "path": "/v1/media/assets/{asset_id}" } ], "content": [ { "http": "GET", "path": "/v1/media/assets/{asset_id}/content", "url_source": "exact returned signed content URL" } ], "dedicated_method_polling_or_cancel": false, "mode": "synchronous_result_then_owned_library", "original_POST_adds_task_envelope": false, "status": [ { "http": "GET", "id_source": "task_id ที่ตรงตามบันทึกสื่อเดิมซึ่งเป็นของคุณ", "path": "/v1/media/tasks/{task_id}" } ], "unknown": "Retain the actual X-Client-Request-ID and complete response. Read the original owned assets and their exact signed content URLs; never resubmit an uncertain creation." }, "method": { "http": "POST", "path": "/v1/audio/transcriptions" }, "output": { "all_results": "Retain the complete response and headers, every actual output, original returned identifiers and all usage fields. Recover the original operation without submitting creation again.", "family": "text", "fields": [ { "description": null, "name": "text (when present)", "type": null }, { "description": null, "name": "usage (when present)", "type": null } ], "result": "Complete original response body, status and forwarded headers. No universal JSON shape, text field or task envelope is added by this handler." } }, "ctx": null, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "quoted_unit": "per input audio second" }, "label": "input audio second", "units": [ { "amount": "0.00000666", "amount_unit": "usd_per_exact_native_unit", "billing_input": true, "estimate_only": false, "key": "audio_input_second", "label": "input audio second", "native_amount_usd_per_unit": "0.00000666", "native_quantity": 1, "public_unit_label": "per input audio second", "quantity": 1, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_second" } ] } ], "examples": [ { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\n: \"${AILOOT_AUDIO_FILE:?Set the path to your actual PCM WAV recording}\"\nexport AILOOT_AUDIO_FILE\npython3 - <<'PY_REQUEST'\nimport base64, io, json, os, wave\nfrom pathlib import Path\naudio = Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()\nif not (audio[:4] == b'RIFF' and audio[8:12] == b'WAVE'):\n raise SystemExit('Supply your actual PCM WAV audio file')\nwith wave.open(io.BytesIO(audio), 'rb') as recording:\n if recording.getcomptype() != 'NONE' or recording.getnframes() <= 0:\n raise SystemExit('Supply a nonempty PCM WAV recording')\nrequest = {'model': 'openai/whisper-large-v3-turbo', 'input_audio': {'data': base64.b64encode(audio).decode('ascii'), 'format': 'wav'}}\nPath('request.json').write_text(json.dumps(request, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \\\n -H \"Authorization: Bearer $AILOOT_API_KEY\" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o response.bin\n# Retain the complete original response, headers and actual X-Client-Request-ID.\n# Read existing owned records for recovery; do not resubmit an uncertain operation.\n", "label": "curl · actual WAV file and complete original result", "language": "bash" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "transcriptions", "hints": [ "The example reads your actual nonempty PCM WAV file, encodes the complete file bytes as base64 and sends input_audio.format as wav.", "The format value in the example is the documented recipe; no model-specific format list, limit or default is asserted.", "Retain the complete response and headers, every actual output, original returned identifiers and all usage fields. Recover the original operation without submitting creation again." ], "http": "POST", "in": null, "input": [ "audio" ], "label": "การถอดเสียง", "max_out": null, "max_reasoning_effort_multiplier": null, "method_aliases": [], "native_endpoint": "audio_transcriptions", "out": null, "output": [ "text" ], "path": "/v1/audio/transcriptions", "price_conditions": [ { "label": "Fast mode", "value": "Not specified", "when": "When fast mode is selected" }, { "label": "Flex mode", "value": "Not specified", "when": "When flex mode is selected" }, { "label": "Maximum reasoning effort", "value": "Not specified", "when": "When maximum reasoning effort uses the default adjustment" } ], "pricing": { "billing_mode": "per_request", "image_input_price": null, "image_output_price": null, "per_request_price": null, "unit_prices": { "audio_input_second": 6.66e-06 } }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "quoted_unit": "per input audio second" }, "label": "input audio second", "units": [ { "amount": "0.00000666", "amount_unit": "usd_per_exact_native_unit", "billing_input": true, "estimate_only": false, "key": "audio_input_second", "label": "input audio second", "native_amount_usd_per_unit": "0.00000666", "native_quantity": 1, "public_unit_label": "per input audio second", "quantity": 1, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_second" } ] } ], "request_model_id": "openai/whisper-large-v3-turbo", "route_label": "Ultra", "status_reads": [ "GET /v1/media/tasks/{task_id}" ], "tiers": [], "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" }, { "amount": "0.00000666", "amount_unit": "usd_per_exact_native_unit", "billing_input": true, "estimate_only": false, "key": "audio_input_second", "label": "input audio second", "native_amount_usd_per_unit": "0.00000666", "native_quantity": 1, "public_unit_label": "per input audio second", "quantity": 1, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_second" } ] } ], "model_aliases": [ { "canonical_model_id": "openai/whisper-large-v3-turbo", "request_model_id": "openai/whisper-large-v3-turbo", "route_label": "Ultra" } ], "name": "OpenAI: Whisper Large V3 Turbo", "price": { "in": null, "in_label": null, "out": null, "out_label": null, "sort_in": null, "sort_out": null, "varies": true }, "short": "Whisper large-v3-turbo เป็นรุ่นถอดเสียงที่เปิดเผยน้ำหนักของ OpenAI ซึ่งทำงานเร็วขึ้นและพัฒนาต่อจาก large-v3 มีดีโคเดอร์สี่ชั้นและ 809 ล้านพารามิเตอร์ มุ่งใช้แปลงเสียงพูดหลายภาษาเป็นข้อความ โดยเอกสารทางการของผู้พัฒนาระบุว่างานที่ Turbo ได้รับการฝึกไม่รวมการแปลเสียงพูดเป็นภาษาอังกฤษ" }, "renderer_schema": { "method_order": "Original DTO methods order; every exact route/format/path/caller survives.", "prices": "Original public DTO fields and original native display HTML; no flattened or normalized offers." }, "representation": "exact-public-dto-and-native-renderer-html", "representationNotes": { "current_reference": { "about_json_pointer": "/aboutHtml", "methods": [ { "contract_json_pointer": "/methods/0/rawMethod/contract", "html_json_pointer": "/methods/0/html", "method_ordinal": 0 } ], "role": "current-semantic-reference" }, "raw_input": { "examples_role": "historical-input-not-current-ready-examples", "json_pointers": [ "/rawModel", "/methods/0/rawMethod" ], "role": "historical-owner-input" }, "schema": "ailoot-native-model-representations-v1" }, "schema": "ailoot-static-model-facts-v1", "schema_version": 1, "shortText": "Whisper large-v3-turbo เป็นรุ่นถอดเสียงที่เปิดเผยน้ำหนักของ OpenAI ซึ่งทำงานเร็วขึ้นและพัฒนาต่อจาก large-v3 มีดีโคเดอร์สี่ชั้นและ 809 ล้านพารามิเตอร์ มุ่งใช้แปลงเสียงพูดหลายภาษาเป็นข้อความ โดยเอกสารทางการของผู้พัฒนาระบุว่างานที่ Turbo ได้รับการฝึกไม่รวมการแปลเสียงพูดเป็นภาษาอังกฤษ", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "09f5abf71608d23ecb0ed7d1b1fca77ccb4e4ce0f0a87924abf6d2b9fd34f5b3", "renderer_sha256": "890edb706fafafdd4f598bb324acf65fada58918b0911b97eb80e68be2ef65d9" }, "sourceRevision": "13a32fe4145689e0efb0745b2502dda27208311887f8c28bf55a5431b867d722" }