{ "aboutHtml": "

Whisper large-v3 เป็นเช็กพอยต์รู้จำเสียงที่ OpenAI เผยแพร่ มีพารามิเตอร์ประมาณ 1.55 พันล้านตัว เป็นโมเดลหลายภาษาแบบตัวเข้ารหัสและตัวถอดรหัส โดยเสียงเข้าสู่ตัวเข้ารหัส แล้วตัวถอดรหัสทำนายข้อความและโทเคนที่เกี่ยวกับงาน งานหลักคือถอดเสียงเป็นข้อความในภาษาต้นฉบับและแปลคำพูดเป็นภาษาอังกฤษ นี่คือตัวตนของโมเดลแบบเปิดค่าน้ำหนัก ซึ่งต้องแยกจากรหัสโมเดลของบริการโฮสต์ รวมถึงกฎการอัปโหลดและรูปแบบคำตอบของบริการนั้น

Large-v3 รักษาสถาปัตยกรรมของเช็กพอยต์ Whisper ขนาดใหญ่รุ่นก่อนหน้า โดยระบุการเปลี่ยนแปลงสองอย่าง ได้แก่ อินพุตสเปกโทรแกรมใช้ช่องความถี่ Mel 128 ช่องแทน 80 ช่อง และเพิ่มโทเคนภาษากวางตุ้ง โมเดลการ์ดของผู้พัฒนาอธิบายการฝึกด้วยเสียงติดป้ายกำกับแบบอ่อนหนึ่งล้านชั่วโมง และเสียงติดป้ายกำกับเทียมสี่ล้านชั่วโมงที่เตรียมด้วย Whisper large-v2 ใช้ข้อมูลผสมนี้ฝึกสองเอพ็อก รุ่นที่เผยแพร่นี้คือเช็กพอยต์ large-v3 โดยเฉพาะ ไม่ใช่ชื่อทั่วไปสำหรับทุกโมเดลในตระกูล Whisper

เวิร์กโฟลว์อนุมานตามเอกสารถอดเสียงเป็นค่าเริ่มต้น โดยคงภาษาที่พูดในเสียงบันทึกไว้ โมเดลตรวจภาษาต้นทางอัตโนมัติได้ หรือรับการระบุภาษาที่ทราบอยู่แล้ว สำหรับการแปล โมเดลหลายภาษาขนาดใหญ่ให้ผลเป็นข้อความภาษาอังกฤษจากคำพูดที่ไม่ใช่ภาษาอังกฤษ ต้องเลือกงานนี้อย่างชัดเจน เพราะข้อความถอดเสียงภาษาเดิมกับคำแปลอังกฤษเป็นผลงานคนละแบบ สำหรับการสัมภาษณ์ ให้รักษาถ้อยคำภาษาต้นฉบับ สำหรับเอกสารอ้างอิงภาษาอังกฤษ ให้ระบุว่าต้องการคำแปลของเนื้อหาที่พูด

การเตรียมเสียงเป็นส่วนหนึ่งของเส้นทางอินพุต ตัวโหลดของ OpenAI ถอดรหัสเสียงบันทึกเป็นรูปคลื่นโมโนและสุ่มตัวอย่างใหม่ที่ 16 kHz ช่วงรับข้อมูลเสียงของโมเดลคือ 30 วินาที ซึ่งเป็นหน้าต่างประมวลผล ไม่ใช่ความยาวสูงสุดของการสัมภาษณ์หรือการบรรยายทั้งเรื่อง การอนุมานเสียงยาวทำได้โดยเลื่อนหน้าต่างไปตามลำดับ หรือแบ่งเสียงยาวเป็นชังก์ที่ซ้อนทับกันแล้วรวมข้อความถอดเสียง โมเดลการ์ดของผู้พัฒนาอธิบายการประมวลผลตามลำดับเมื่อให้ความสำคัญกับความแม่นยำ และการแบ่งชังก์เมื่อเวลาเสร็จของเสียงยาวหนึ่งไฟล์สำคัญกว่า

การตั้งค่าที่เผยแพร่ระบุตำแหน่งตัวถอดรหัส 448 ตำแหน่งสำหรับลำดับการถอดรหัสหนึ่งลำดับ เสียงที่ยาวกว่านั้นจัดการด้วยกระบวนการเสียงยาว ไม่ใช่ถือว่าตัวเลขนี้เป็นขีดจำกัดข้อความถอดเสียงทุกกรณี เวิร์กโฟลว์ตามเอกสารคืนการประทับเวลาระดับเซกเมนต์หรือระดับคำคู่กับข้อความที่รู้จำได้ เอาต์พุตเวลาเหล่านี้ช่วยนำทางในเสียงบันทึกและเตรียมคำบรรยาย ส่วนคอนเทนเนอร์คำบรรยายสุดท้ายหรือรูปแบบไฟล์ข้อความถอดเสียงเป็นตัวเลือกการจัดรูปแบบเอาต์พุตแยกต่างหาก หากจะจัดข้อความให้ตรงกับต้นฉบับ ควรรักษาเวลาของเสียงบันทึกไว้ขณะเตรียมเสียง

บทบาทที่ตั้งใจของ Whisper คือรู้จำและแปลคำพูด ข้อความถอดเสียงการบรรยาย บันทึกสัมภาษณ์ หรือคลังเนื้อหาพูดที่ค้นหาได้เป็นผลลัพธ์ที่ใช้ได้จริง การสรุปหรือการตีความทำเป็นขั้นตอนอื่นบนข้อความต่อได้ โมเดลการ์ดไม่ได้ยืนยันการจำแนกหรือแยกผู้พูดอัตโนมัติอย่างทนทานว่าเป็นเอาต์พุตมาตรฐานของเช็กพอยต์พื้นฐาน หากงานต้องมีป้ายผู้พูด ต้องจัดการข้อกำหนดนั้นแยกจากการอ้างว่าข้อความถอดเสียงแม่นยำ ข้อกำหนดงานที่มีประโยชน์ระบุภาษาต้นทาง ต้องการถอดเสียงหรือแปลอังกฤษ และต้องมีข้อมูลเวลาหรือไม่

ข้อจำกัดสำคัญรวมถึงการสร้างข้อความที่ไม่เคยมีการพูดและข้อความซ้ำ ซึ่งสัมพันธ์กับการฝึกแบบกำกับอย่างอ่อนจากข้อมูลมีเสียงรบกวนและการออกแบบลำดับต่อลำดับ คุณภาพการรู้จำต่างกันตามภาษา สำเนียง และภาษาถิ่น โดยผลจะด้อยกว่าเมื่อมีข้อมูลฝึกน้อย ดังนั้นตัวอย่างที่ใช้ตัดสินความเหมาะสมควรมีเสียงรบกวน ศัพท์เฉพาะ และเสียงพูดซ้อนกันอยู่ด้วย เปรียบเทียบชื่อ ปริมาณ และข้อความสำคัญกับเสียงบันทึก และตรวจช่วงที่ไม่มีคำพูดหรือประโยคซ้ำ แทนการถือว่าข้อความที่อ่านลื่นไหลพิสูจน์ว่าระบบได้ยินทุกคำจริง

ผลลัพธ์ที่ครบถ้วนเก็บข้อความที่รู้จำ ภาษา และข้อมูลเวลาที่ร้องขอ พร้อมการอ้างอิงถึงเสียงบันทึกต้นฉบับ แยกการถอดเสียงจากการแก้ไขภายหลัง ข้อความถอดเสียงที่แก้เพื่อเผยแพร่อาจตัดคำเสริมออก แต่ข้อความที่รู้จำต้องรักษาสิ่งที่โมเดลคืนมาจริง ตัวตนและความสามารถแปลของ large-v3 ต้องแยกจากรุ่น Turbo ที่เร็วกว่าเช่นกัน ความเร็วประมวลผลจริงขึ้นกับภาษา อัตราการพูด ฮาร์ดแวร์ และวิธีอนุมาน ชื่อเช็กพอยต์เพียงอย่างเดียวไม่ได้ยืนยันความหน่วงของบริการโฮสต์ ขนาดอัปโหลดสูงสุด หรือเส้นทางแอปพลิเคชันที่เปิดใช้งานใด ๆ

", "aboutText": "Whisper large-v3 เป็นเช็กพอยต์รู้จำเสียงที่ OpenAI เผยแพร่ มีพารามิเตอร์ประมาณ 1.55 พันล้านตัว เป็นโมเดลหลายภาษาแบบตัวเข้ารหัสและตัวถอดรหัส โดยเสียงเข้าสู่ตัวเข้ารหัส แล้วตัวถอดรหัสทำนายข้อความและโทเคนที่เกี่ยวกับงาน งานหลักคือถอดเสียงเป็นข้อความในภาษาต้นฉบับและแปลคำพูดเป็นภาษาอังกฤษ นี่คือตัวตนของโมเดลแบบเปิดค่าน้ำหนัก ซึ่งต้องแยกจากรหัสโมเดลของบริการโฮสต์ รวมถึงกฎการอัปโหลดและรูปแบบคำตอบของบริการนั้น\n\nLarge-v3 รักษาสถาปัตยกรรมของเช็กพอยต์ Whisper ขนาดใหญ่รุ่นก่อนหน้า โดยระบุการเปลี่ยนแปลงสองอย่าง ได้แก่ อินพุตสเปกโทรแกรมใช้ช่องความถี่ Mel 128 ช่องแทน 80 ช่อง และเพิ่มโทเคนภาษากวางตุ้ง โมเดลการ์ดของผู้พัฒนาอธิบายการฝึกด้วยเสียงติดป้ายกำกับแบบอ่อนหนึ่งล้านชั่วโมง และเสียงติดป้ายกำกับเทียมสี่ล้านชั่วโมงที่เตรียมด้วย Whisper large-v2 ใช้ข้อมูลผสมนี้ฝึกสองเอพ็อก รุ่นที่เผยแพร่นี้คือเช็กพอยต์ large-v3 โดยเฉพาะ ไม่ใช่ชื่อทั่วไปสำหรับทุกโมเดลในตระกูล Whisper\n\nเวิร์กโฟลว์อนุมานตามเอกสารถอดเสียงเป็นค่าเริ่มต้น โดยคงภาษาที่พูดในเสียงบันทึกไว้ โมเดลตรวจภาษาต้นทางอัตโนมัติได้ หรือรับการระบุภาษาที่ทราบอยู่แล้ว สำหรับการแปล โมเดลหลายภาษาขนาดใหญ่ให้ผลเป็นข้อความภาษาอังกฤษจากคำพูดที่ไม่ใช่ภาษาอังกฤษ ต้องเลือกงานนี้อย่างชัดเจน เพราะข้อความถอดเสียงภาษาเดิมกับคำแปลอังกฤษเป็นผลงานคนละแบบ สำหรับการสัมภาษณ์ ให้รักษาถ้อยคำภาษาต้นฉบับ สำหรับเอกสารอ้างอิงภาษาอังกฤษ ให้ระบุว่าต้องการคำแปลของเนื้อหาที่พูด\n\nการเตรียมเสียงเป็นส่วนหนึ่งของเส้นทางอินพุต ตัวโหลดของ OpenAI ถอดรหัสเสียงบันทึกเป็นรูปคลื่นโมโนและสุ่มตัวอย่างใหม่ที่ 16 kHz ช่วงรับข้อมูลเสียงของโมเดลคือ 30 วินาที ซึ่งเป็นหน้าต่างประมวลผล ไม่ใช่ความยาวสูงสุดของการสัมภาษณ์หรือการบรรยายทั้งเรื่อง การอนุมานเสียงยาวทำได้โดยเลื่อนหน้าต่างไปตามลำดับ หรือแบ่งเสียงยาวเป็นชังก์ที่ซ้อนทับกันแล้วรวมข้อความถอดเสียง โมเดลการ์ดของผู้พัฒนาอธิบายการประมวลผลตามลำดับเมื่อให้ความสำคัญกับความแม่นยำ และการแบ่งชังก์เมื่อเวลาเสร็จของเสียงยาวหนึ่งไฟล์สำคัญกว่า\n\nการตั้งค่าที่เผยแพร่ระบุตำแหน่งตัวถอดรหัส 448 ตำแหน่งสำหรับลำดับการถอดรหัสหนึ่งลำดับ เสียงที่ยาวกว่านั้นจัดการด้วยกระบวนการเสียงยาว ไม่ใช่ถือว่าตัวเลขนี้เป็นขีดจำกัดข้อความถอดเสียงทุกกรณี เวิร์กโฟลว์ตามเอกสารคืนการประทับเวลาระดับเซกเมนต์หรือระดับคำคู่กับข้อความที่รู้จำได้ เอาต์พุตเวลาเหล่านี้ช่วยนำทางในเสียงบันทึกและเตรียมคำบรรยาย ส่วนคอนเทนเนอร์คำบรรยายสุดท้ายหรือรูปแบบไฟล์ข้อความถอดเสียงเป็นตัวเลือกการจัดรูปแบบเอาต์พุตแยกต่างหาก หากจะจัดข้อความให้ตรงกับต้นฉบับ ควรรักษาเวลาของเสียงบันทึกไว้ขณะเตรียมเสียง\n\nบทบาทที่ตั้งใจของ Whisper คือรู้จำและแปลคำพูด ข้อความถอดเสียงการบรรยาย บันทึกสัมภาษณ์ หรือคลังเนื้อหาพูดที่ค้นหาได้เป็นผลลัพธ์ที่ใช้ได้จริง การสรุปหรือการตีความทำเป็นขั้นตอนอื่นบนข้อความต่อได้ โมเดลการ์ดไม่ได้ยืนยันการจำแนกหรือแยกผู้พูดอัตโนมัติอย่างทนทานว่าเป็นเอาต์พุตมาตรฐานของเช็กพอยต์พื้นฐาน หากงานต้องมีป้ายผู้พูด ต้องจัดการข้อกำหนดนั้นแยกจากการอ้างว่าข้อความถอดเสียงแม่นยำ ข้อกำหนดงานที่มีประโยชน์ระบุภาษาต้นทาง ต้องการถอดเสียงหรือแปลอังกฤษ และต้องมีข้อมูลเวลาหรือไม่\n\nข้อจำกัดสำคัญรวมถึงการสร้างข้อความที่ไม่เคยมีการพูดและข้อความซ้ำ ซึ่งสัมพันธ์กับการฝึกแบบกำกับอย่างอ่อนจากข้อมูลมีเสียงรบกวนและการออกแบบลำดับต่อลำดับ คุณภาพการรู้จำต่างกันตามภาษา สำเนียง และภาษาถิ่น โดยผลจะด้อยกว่าเมื่อมีข้อมูลฝึกน้อย ดังนั้นตัวอย่างที่ใช้ตัดสินความเหมาะสมควรมีเสียงรบกวน ศัพท์เฉพาะ และเสียงพูดซ้อนกันอยู่ด้วย เปรียบเทียบชื่อ ปริมาณ และข้อความสำคัญกับเสียงบันทึก และตรวจช่วงที่ไม่มีคำพูดหรือประโยคซ้ำ แทนการถือว่าข้อความที่อ่านลื่นไหลพิสูจน์ว่าระบบได้ยินทุกคำจริง\n\nผลลัพธ์ที่ครบถ้วนเก็บข้อความที่รู้จำ ภาษา และข้อมูลเวลาที่ร้องขอ พร้อมการอ้างอิงถึงเสียงบันทึกต้นฉบับ แยกการถอดเสียงจากการแก้ไขภายหลัง ข้อความถอดเสียงที่แก้เพื่อเผยแพร่อาจตัดคำเสริมออก แต่ข้อความที่รู้จำต้องรักษาสิ่งที่โมเดลคืนมาจริง ตัวตนและความสามารถแปลของ large-v3 ต้องแยกจากรุ่น Turbo ที่เร็วกว่าเช่นกัน ความเร็วประมวลผลจริงขึ้นกับภาษา อัตราการพูด ฮาร์ดแวร์ และวิธีอนุมาน ชื่อเช็กพอยต์เพียงอย่างเดียวไม่ได้ยืนยันความหน่วงของบริการโฮสต์ ขนาดอัปโหลดสูงสุด หรือเส้นทางแอปพลิเคชันที่เปิดใช้งานใด ๆ", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "45b0076504425d2df92c37f9f136d5b09ff27c06c071b0104232e74214662fcc", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "th", "methods": [ { "html": "

O

OpenAI: Whisper Large V3

OpenAI /openai/whisper-large-v3

เริ่มต้น

Whisper large-v3 เป็นเช็กพอยต์รู้จำเสียงหลายภาษาแบบเปิดค่าน้ำหนักของ OpenAI สำหรับถอดเสียงและแปลคำพูดเป็นภาษาอังกฤษ โมเดลเปลี่ยนเสียงบันทึกเป็นข้อความ พร้อมการเลือกภาษา การประทับเวลา และการประมวลผลเสียงยาวเกินหน้าต่างเสียง 30 วินาทีตามเอกสาร

อินพุตที่รองรับ: เสียง
ผลลัพธ์: transcription

เกี่ยวกับโมเดล

คำอธิบายนี้ครอบคลุมความสามารถของโมเดล อินพุต เอาต์พุต และตัวเลือกที่ใช้ได้ใน Ailoot แสดงด้านล่างตามเมธอดที่เลือก

Whisper large-v3 เป็นเช็กพอยต์รู้จำเสียงที่ OpenAI เผยแพร่ มีพารามิเตอร์ประมาณ 1.55 พันล้านตัว เป็นโมเดลหลายภาษาแบบตัวเข้ารหัสและตัวถอดรหัส โดยเสียงเข้าสู่ตัวเข้ารหัส แล้วตัวถอดรหัสทำนายข้อความและโทเคนที่เกี่ยวกับงาน งานหลักคือถอดเสียงเป็นข้อความในภาษาต้นฉบับและแปลคำพูดเป็นภาษาอังกฤษ นี่คือตัวตนของโมเดลแบบเปิดค่าน้ำหนัก ซึ่งต้องแยกจากรหัสโมเดลของบริการโฮสต์ รวมถึงกฎการอัปโหลดและรูปแบบคำตอบของบริการนั้น

Large-v3 รักษาสถาปัตยกรรมของเช็กพอยต์ Whisper ขนาดใหญ่รุ่นก่อนหน้า โดยระบุการเปลี่ยนแปลงสองอย่าง ได้แก่ อินพุตสเปกโทรแกรมใช้ช่องความถี่ Mel 128 ช่องแทน 80 ช่อง และเพิ่มโทเคนภาษากวางตุ้ง โมเดลการ์ดของผู้พัฒนาอธิบายการฝึกด้วยเสียงติดป้ายกำกับแบบอ่อนหนึ่งล้านชั่วโมง และเสียงติดป้ายกำกับเทียมสี่ล้านชั่วโมงที่เตรียมด้วย Whisper large-v2 ใช้ข้อมูลผสมนี้ฝึกสองเอพ็อก รุ่นที่เผยแพร่นี้คือเช็กพอยต์ large-v3 โดยเฉพาะ ไม่ใช่ชื่อทั่วไปสำหรับทุกโมเดลในตระกูล Whisper

เวิร์กโฟลว์อนุมานตามเอกสารถอดเสียงเป็นค่าเริ่มต้น โดยคงภาษาที่พูดในเสียงบันทึกไว้ โมเดลตรวจภาษาต้นทางอัตโนมัติได้ หรือรับการระบุภาษาที่ทราบอยู่แล้ว สำหรับการแปล โมเดลหลายภาษาขนาดใหญ่ให้ผลเป็นข้อความภาษาอังกฤษจากคำพูดที่ไม่ใช่ภาษาอังกฤษ ต้องเลือกงานนี้อย่างชัดเจน เพราะข้อความถอดเสียงภาษาเดิมกับคำแปลอังกฤษเป็นผลงานคนละแบบ สำหรับการสัมภาษณ์ ให้รักษาถ้อยคำภาษาต้นฉบับ สำหรับเอกสารอ้างอิงภาษาอังกฤษ ให้ระบุว่าต้องการคำแปลของเนื้อหาที่พูด

การเตรียมเสียงเป็นส่วนหนึ่งของเส้นทางอินพุต ตัวโหลดของ OpenAI ถอดรหัสเสียงบันทึกเป็นรูปคลื่นโมโนและสุ่มตัวอย่างใหม่ที่ 16 kHz ช่วงรับข้อมูลเสียงของโมเดลคือ 30 วินาที ซึ่งเป็นหน้าต่างประมวลผล ไม่ใช่ความยาวสูงสุดของการสัมภาษณ์หรือการบรรยายทั้งเรื่อง การอนุมานเสียงยาวทำได้โดยเลื่อนหน้าต่างไปตามลำดับ หรือแบ่งเสียงยาวเป็นชังก์ที่ซ้อนทับกันแล้วรวมข้อความถอดเสียง โมเดลการ์ดของผู้พัฒนาอธิบายการประมวลผลตามลำดับเมื่อให้ความสำคัญกับความแม่นยำ และการแบ่งชังก์เมื่อเวลาเสร็จของเสียงยาวหนึ่งไฟล์สำคัญกว่า

การตั้งค่าที่เผยแพร่ระบุตำแหน่งตัวถอดรหัส 448 ตำแหน่งสำหรับลำดับการถอดรหัสหนึ่งลำดับ เสียงที่ยาวกว่านั้นจัดการด้วยกระบวนการเสียงยาว ไม่ใช่ถือว่าตัวเลขนี้เป็นขีดจำกัดข้อความถอดเสียงทุกกรณี เวิร์กโฟลว์ตามเอกสารคืนการประทับเวลาระดับเซกเมนต์หรือระดับคำคู่กับข้อความที่รู้จำได้ เอาต์พุตเวลาเหล่านี้ช่วยนำทางในเสียงบันทึกและเตรียมคำบรรยาย ส่วนคอนเทนเนอร์คำบรรยายสุดท้ายหรือรูปแบบไฟล์ข้อความถอดเสียงเป็นตัวเลือกการจัดรูปแบบเอาต์พุตแยกต่างหาก หากจะจัดข้อความให้ตรงกับต้นฉบับ ควรรักษาเวลาของเสียงบันทึกไว้ขณะเตรียมเสียง

บทบาทที่ตั้งใจของ Whisper คือรู้จำและแปลคำพูด ข้อความถอดเสียงการบรรยาย บันทึกสัมภาษณ์ หรือคลังเนื้อหาพูดที่ค้นหาได้เป็นผลลัพธ์ที่ใช้ได้จริง การสรุปหรือการตีความทำเป็นขั้นตอนอื่นบนข้อความต่อได้ โมเดลการ์ดไม่ได้ยืนยันการจำแนกหรือแยกผู้พูดอัตโนมัติอย่างทนทานว่าเป็นเอาต์พุตมาตรฐานของเช็กพอยต์พื้นฐาน หากงานต้องมีป้ายผู้พูด ต้องจัดการข้อกำหนดนั้นแยกจากการอ้างว่าข้อความถอดเสียงแม่นยำ ข้อกำหนดงานที่มีประโยชน์ระบุภาษาต้นทาง ต้องการถอดเสียงหรือแปลอังกฤษ และต้องมีข้อมูลเวลาหรือไม่

ข้อจำกัดสำคัญรวมถึงการสร้างข้อความที่ไม่เคยมีการพูดและข้อความซ้ำ ซึ่งสัมพันธ์กับการฝึกแบบกำกับอย่างอ่อนจากข้อมูลมีเสียงรบกวนและการออกแบบลำดับต่อลำดับ คุณภาพการรู้จำต่างกันตามภาษา สำเนียง และภาษาถิ่น โดยผลจะด้อยกว่าเมื่อมีข้อมูลฝึกน้อย ดังนั้นตัวอย่างที่ใช้ตัดสินความเหมาะสมควรมีเสียงรบกวน ศัพท์เฉพาะ และเสียงพูดซ้อนกันอยู่ด้วย เปรียบเทียบชื่อ ปริมาณ และข้อความสำคัญกับเสียงบันทึก และตรวจช่วงที่ไม่มีคำพูดหรือประโยคซ้ำ แทนการถือว่าข้อความที่อ่านลื่นไหลพิสูจน์ว่าระบบได้ยินทุกคำจริง

ผลลัพธ์ที่ครบถ้วนเก็บข้อความที่รู้จำ ภาษา และข้อมูลเวลาที่ร้องขอ พร้อมการอ้างอิงถึงเสียงบันทึกต้นฉบับ แยกการถอดเสียงจากการแก้ไขภายหลัง ข้อความถอดเสียงที่แก้เพื่อเผยแพร่อาจตัดคำเสริมออก แต่ข้อความที่รู้จำต้องรักษาสิ่งที่โมเดลคืนมาจริง ตัวตนและความสามารถแปลของ large-v3 ต้องแยกจากรุ่น Turbo ที่เร็วกว่าเช่นกัน ความเร็วประมวลผลจริงขึ้นกับภาษา อัตราการพูด ฮาร์ดแวร์ และวิธีอนุมาน ชื่อเช็กพอยต์เพียงอย่างเดียวไม่ได้ยืนยันความหน่วงของบริการโฮสต์ ขนาดอัปโหลดสูงสุด หรือเส้นทางแอปพลิเคชันที่เปิดใช้งานใด ๆ

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-large-v3	ค่าเริ่มต้น—
ฟิลด์`input_audio`	ประเภท`object`	ข้อกำหนดจำเป็น	ค่าและข้อจำกัด	ค่าเริ่มต้น—
ฟิลด์`language`	ประเภท`string`	ข้อกำหนดไม่บังคับ	ค่าและข้อจำกัด	ค่าเริ่มต้น—
ฟิลด์`temperature`	ประเภท`number`	ข้อกำหนดไม่บังคับ	ค่าและข้อจำกัด ขั้นต่ำ: 0 สูงสุด: 1	ค่าเริ่มต้น—
ฟิลด์`response_format`	ประเภท`string`	ข้อกำหนดไม่บังคับ	ค่าและข้อจำกัด json, verbose_json	ค่าเริ่มต้นjson
ฟิลด์`timestamp_granularities`	ประเภท`array`	ข้อกำหนดไม่บังคับ	ค่าและข้อจำกัด	ค่าเริ่มต้น—
ฟิลด์`provider`	ประเภท`object`	ข้อกำหนดไม่บังคับ	ค่าและข้อจำกัด	ค่าเริ่มต้น—

ชุดผสมของสื่ออินพุต

speech_to_text · จำเป็น: actual matching-format audio file

พารามิเตอร์และวงจรการทำงานของเมธอด

พารามิเตอร์	ข้อกำหนด
พารามิเตอร์`content_types`	ข้อกำหนดapplication/json, multipart/form-data
พารามิเตอร์`required`	ข้อกำหนดmodel, input_audio
พารามิเตอร์`material_types`	ข้อกำหนดaudio
พารามิเตอร์`JSON_audio`	ข้อกำหนดไบต์เสียงดิบจริงในรูป base64 พร้อมรูปแบบที่ตรงกัน
พารามิเตอร์`multipart_required`	ข้อกำหนดmodel, file
พารามิเตอร์`multipart_cap_bytes`	ข้อกำหนด26214400
พารามิเตอร์`optional_controls`	ข้อกำหนดlanguage, temperature, response_format, timestamp_granularities, provider
พารามิเตอร์`default_response_format`	ข้อกำหนดjson
พารามิเตอร์`optional_features`	ข้อกำหนดผลลัพธ์แบบละเอียด diarize/keyterms และ URL/เสียงแบบอินไลน์ที่ใหญ่ขึ้นต้องอาศัยความสามารถและอัตราค่าบริการที่ตรงกับโมเดล/ผู้ให้บริการ

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}

ใช้โมเดลที่ตรงตามที่กำหนดและฟิลด์ข้อมูลขาเข้าตามเอกสาร

เก็บการตอบกลับทั้งหมด ผลลัพธ์จริงทุกรายการ และ ID เดิมที่ส่งกลับ

ราคา

ข้อมูลอัตราราคาไม่ได้เพิ่มตัวเลือกคำขอ พารามิเตอร์ที่รองรับระบุไว้สำหรับเมธอดที่เลือก

โหมดรวดเร็ว: ไม่ได้ระบุ เมื่อเลือกโหมดรวดเร็ว
โหมดยืดหยุ่น: ไม่ได้ระบุ เมื่อเลือกโหมด flex
ระดับการใช้เหตุผลสูงสุด: ไม่ได้ระบุ เมื่อใช้การปรับตามค่าเริ่มต้น (default) สำหรับระดับการใช้เหตุผลสูงสุด

อัตราค่าบริการ Ailoot

ราคาตามการตั้งค่า

เทียบค่าบริการแต่ละรายการกับเงื่อนไขที่แสดง เลือกใช้อัตราเดียวสำหรับแต่ละชุดการตั้งค่าที่เป็นตัวเลือกทดแทนกัน

การตั้งค่า	ตารางอัตราค่าบริการ	หน่วยคิดค่าบริการ	ค่าบริการ
การตั้งค่าอัตราค่าบริการโทเคนพื้นฐาน	ตารางอัตราค่าบริการอัตราพื้นฐาน	หน่วยคิดค่าบริการ—	ค่าบริการ ขาเข้า · โทเค็นอินพุต — / 1K โทเค็น ขาออก · โทเค็นเอาต์พุต — / 1K โทเค็น ขาเข้า · การอ่านแคช — / 1K โทเค็น ขาเข้า · การเขียนแคช — / 1K โทเค็น ขาเข้า · การเขียนแคช, 1 ชั่วโมง — / 1K โทเค็น
การตั้งค่าUltra	ตารางอัตราค่าบริการ—	หน่วยคิดค่าบริการต่อวินาทีของเสียงอินพุต	ค่าบริการ ขาเข้า · วินาทีเสียงขาเข้า $0.000015 ต่อวินาทีของเสียงอินพุต

Ailoot กันยอดเงินประมาณการไว้ก่อนส่งคำขอ หลังได้ผลลัพธ์ จะคิดค่าบริการสุดท้ายตามการใช้งานที่วัดได้ การคิดค่าบริการแบบสตรีมใช้บันทึกการใช้งานสุดท้าย วิธีกันยอดเงินและคิดค่าบริการสุดท้าย →

รายละเอียดอัตราอ้างอิง

ตารางอัตราอ้างอิงระดับโมเดลไม่เปลี่ยนเมธอดที่เลือก ยอดประมาณการ หรือค่าบริการ การคิดค่าบริการจริงใช้อัตราของเมธอด Ailoot ที่เลือก

OpenAI: Whisper Large V3

ราคาตามการตั้งค่า

การตั้งค่า	เงื่อนไขคิดค่าบริการ	ค่าบริการ
การตั้งค่าOpenAI: Whisper Large V3 · การตั้งค่าเริ่มต้น	เงื่อนไขคิดค่าบริการการตั้งค่าเริ่มต้น	ค่าบริการ ขาเข้า · วินาทีเสียงขาเข้า US$0.000015 ต่อวินาทีของเสียงอินพุต

ตัวอย่างคำขอ

Ailoot Ultra · การรู้จำเสียงพูด

set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_AUDIO_FILE:?Set the path to your actual WAV recording}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\nimport base64\naudio=Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()\nif not (audio[:4]==b'RIFF' and audio[8:12]==b'WAVE'): raise SystemExit('Supply an actual WAV audio file')\nif len(audio)>26214400: raise SystemExit('Use a documented supported large-file flow')\nrequest={'model': 'openai/whisper-large-v3', 'input_audio': {'data': '${BASE64_ACTUAL_WAV_BYTES}', 'format': 'wav'}}\nrequest['input_audio']['data']=base64.b64encode(audio).decode('ascii')\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# Keep the complete original response and headers. Read every returned segment, word and usage field.\n# Preserve actual operation/task/asset IDs; continue reads of the original result without resubmitting.\n

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}

เก็บผลลัพธ์ที่เสร็จสมบูรณ์ทั้งหมด

เก็บทุกการตอบกลับ ไฟล์ และส่วนเนื้อหาที่ส่งกลับมาอย่างครบถ้วน

JSON ต้นฉบับทั้งหมด ข้อความ/ช่วงข้อความ/คำ/ผู้พูด/เวลาที่มีอยู่ทั้งหมด และการใช้งาน

เมื่อต้องตรวจสอบการตอบกลับต้นฉบับ

เก็บ operation_id/X-Client-Request-ID เดิมและการตอบกลับเดิม อ่านบันทึกงาน/แอสเซ็ตจริงที่เป็นของคุณโดยไม่ส่งซ้ำ ไม่มีการสร้าง URL ตรวจสอบสถานะเสียงเฉพาะ

ฟิลด์การตอบกลับ

ฟิลด์	ประเภท
ฟิลด์`text`	ประเภทstring
ฟิลด์`usage`	ประเภทobject
ฟิลด์`segments[]`	ประเภทobject
ฟิลด์`words[]`	ประเภทobject

ชื่ออื่น

ชื่ออื่นของโมเดล

Ailoot Ultra openai/whisper-large-v3

ชื่อพาธเมธอดอื่น

ใช้พาธเมธอดที่แสดงด้านบน

ID ที่เกี่ยวข้องสำหรับเรียกใช้โมเดล

openai/whisper-large-v3

", "method_identity": { "effective_request_model_id": "openai/whisper-large-v3", "fmt": "transcriptions", "http": "POST", "path": "/v1/audio/transcriptions", "request_model_id": "openai/whisper-large-v3", "route_label": "Ultra" }, "method_key": "Ultra|transcriptions|/v1/audio/transcriptions|openai%2Fwhisper-large-v3", "ordinal": 0, "rawMethod": { "available": null, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Complete original JSON, all available text/segments/words/speakers/timestamps and usage.", "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 URL; never construct token" } ], "mode": "synchronous_result_then_owned_library", "operation_id_is_not_task_id": true, "status": [ { "http": "GET", "id_source": "actual returned task_id or media library record", "path": "/v1/media/tasks/{task_id}" } ], "unknown": "เก็บ operation_id/X-Client-Request-ID เดิมและการตอบกลับเดิม อ่านบันทึกงาน/แอสเซ็ตจริงที่เป็นของคุณโดยไม่ส่งซ้ำ ไม่มีการสร้าง URL ตรวจสอบสถานะเสียงเฉพาะ" }, "material_combinations": [ { "content_types": [ "application/json", "multipart/form-data" ], "mode": "speech_to_text", "required": [ "actual matching-format audio file" ] } ], "outputs": { "all_results": "JSON ต้นฉบับทั้งหมด ข้อความ/ช่วงข้อความ/คำ/ผู้พูด/เวลาที่มีอยู่ทั้งหมด และการใช้งาน", "family": "transcription", "fields": [ { "name": "text", "type": "string" }, { "name": "usage", "type": "object" }, { "name": "segments[]", "optional": true, "type": "object" }, { "name": "words[]", "optional": true, "type": "object" } ], "format": "json" }, "parameters": [ { "availability": "source_interface", "enum": [ "openai/whisper-large-v3" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "data_encoding": "base64 raw actual audio bytes, not data URI", "fields": [ "data", "format" ], "name": "input_audio", "required": true, "type": "object" }, { "availability": "retained_official_STTRequest", "description": "ISO-639-1 code; omitted means auto-detection", "name": "language", "required": false, "type": "string" }, { "availability": "retained_official_STTRequest", "maximum": 1, "minimum": 0, "name": "temperature", "required": false, "type": "number" }, { "availability": "retained_official_STTRequest", "default": "json", "default_known": true, "description": "verbose_json requires exact model/provider support", "enum": [ "json", "verbose_json" ], "enum_known": true, "name": "response_format", "required": false, "type": "string" }, { "availability": "retained_official_STTRequest", "description": "Only used with supported verbose_json", "items": { "enum": [ "segment", "word" ], "type": "string" }, "name": "timestamp_granularities", "required": false, "type": "array" }, { "availability": "retained_official_STTRequest", "description": "Data policy and exact provider options; order/only/ignore are not applied to STT", "name": "provider", "required": false, "type": "object" } ], "request_schema": { "properties": { "input_audio": { "properties": { "data": { "contentEncoding": "base64", "type": "string" }, "format": { "enum": [ "wav", "mp3", "flac", "m4a", "ogg", "webm", "aac" ], "type": "string" } }, "required": [ "data", "format" ], "type": "object" }, "language": { "description": "ISO-639-1 code; omitted means auto-detection", "type": "string" }, "model": { "enum": [ "openai/whisper-large-v3" ], "type": "string" }, "provider": { "description": "Data policy and exact provider options; order/only/ignore are not applied to STT", "properties": { "data_collection": { "enum": [ "allow", "deny", null ], "type": [ "string", "null" ] }, "options": { "type": "object" }, "zdr": { "type": [ "boolean", "null" ] } }, "type": "object" }, "response_format": { "default": "json", "description": "verbose_json requires exact model/provider support", "enum": [ "json", "verbose_json" ], "type": "string" }, "temperature": { "maximum": 1, "minimum": 0, "type": "number" }, "timestamp_granularities": { "description": "Only used with supported verbose_json", "items": { "enum": [ "segment", "word" ], "type": "string" }, "type": "array" } }, "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" }, "content_type": "application/json" } }, "hints": [ "ใช้โมเดลที่ตรงตามที่กำหนดและฟิลด์ข้อมูลขาเข้าตามเอกสาร", "เก็บการตอบกลับทั้งหมด ผลลัพธ์จริงทุกรายการ และ ID เดิมที่ส่งกลับ" ], "input": { "JSON_audio": "ไบต์เสียงดิบจริงในรูป base64 พร้อมรูปแบบที่ตรงกัน", "content_types": [ "application/json", "multipart/form-data" ], "default_response_format": "json", "material_types": [ "audio" ], "multipart_cap_bytes": 26214400, "multipart_required": [ "model", "file" ], "optional_controls": [ "language", "temperature", "response_format", "timestamp_granularities", "provider" ], "optional_features": "ผลลัพธ์แบบละเอียด diarize/keyterms และ URL/เสียงแบบอินไลน์ที่ใหญ่ขึ้นต้องอาศัยความสามารถและอัตราค่าบริการที่ตรงกับโมเดล/ผู้ให้บริการ", "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 URL; never construct token" } ], "mode": "synchronous_result_then_owned_library", "operation_id_is_not_task_id": true, "status": [ { "http": "GET", "id_source": "ค่า task_id ที่ส่งกลับมาจริง หรือระเบียนในคลังสื่อ", "path": "/v1/media/tasks/{task_id}" } ], "unknown": "Retain original operation_id/X-Client-Request-ID and original response. Read actual owned task/asset records without resubmitting; no dedicated audio poll URL is constructed." }, "method": { "http": "POST", "path": "/v1/audio/transcriptions" }, "method_aliases": [], "operation_modes": [ "speech_to_text" ], "output": { "all_results": "Complete original JSON, all available text/segments/words/speakers/timestamps and usage.", "family": "transcription", "format": "json" } }, "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": { "quantity_basis": "actual physical units", "quoted_unit": "per audio input second" }, "label": "Ultra", "units": [ { "amount": "0.000015", "amount_unit": "usd_per_audio_input_second", "billing_input": true, "estimate_only": false, "key": "audio_input_second", "label": "audio input second", "native_amount_usd_per_unit": "0.000015", "native_quantity": 1, "public_unit_label": "per audio input 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: \"${AILOOT_AUDIO_FILE:?Set the path to your actual WAV recording}\"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\nimport base64\naudio=Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()\nif not (audio[:4]==b'RIFF' and audio[8:12]==b'WAVE'): raise SystemExit('Supply an actual WAV audio file')\nif len(audio)>26214400: raise SystemExit('Use a documented supported large-file flow')\nrequest={'model': 'openai/whisper-large-v3', 'input_audio': {'data': '${BASE64_ACTUAL_WAV_BYTES}', 'format': 'wav'}}\nrequest['input_audio']['data']=base64.b64encode(audio).decode('ascii')\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# Keep the complete original response and headers. Read every returned segment, word and usage field.\n# Preserve actual operation/task/asset IDs; continue reads of the original result without resubmitting.\n", "label": "curl · exact native body and complete result", "language": "bash" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "transcriptions", "hints": [ "Use the exact model and documented input fields.", "Keep the complete response, every actual output and original returned IDs." ], "http": "POST", "in": null, "input": [ "audio" ], "label": "Распознавание речи", "max_out": null, "max_reasoning_effort_multiplier": null, "method_aliases": [], "out": null, "output": [ "transcription" ], "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": 1.5e-05 } }, "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": { "quantity_basis": "actual physical units", "quoted_unit": "per audio input second" }, "label": "Ultra", "units": [ { "amount": "0.000015", "amount_unit": "usd_per_audio_input_second", "billing_input": true, "estimate_only": false, "key": "audio_input_second", "label": "audio input second", "native_amount_usd_per_unit": "0.000015", "native_quantity": 1, "public_unit_label": "per audio input 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", "route_label": "Ultra", "status_reads": [ "GET /v1/media/tasks/{task_id}", "GET /v1/media/assets/{asset_id}/content" ], "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": "0.000015", "amount_unit": "usd_per_audio_input_second", "billing_input": true, "estimate_only": false, "key": "audio_input_second", "label": "audio input second", "native_amount_usd_per_unit": "0.000015", "native_quantity": 1, "public_unit_label": "per audio input 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", "nativeProvenance": { "input_facts_canonical_sha256": "c5e548ec2a036826582b2904437bb5f0e1687aaffc168b082c68d09b58a95b77", "input_html_sha256": "c2b669b7c90552f3771e1dc9c3c0932f4b1e2fc9d48a22cffb22b83bf09e945f", "private_audit_sha256": "5034b8f643090502e7933a6be6f03d03456b73cc360863d5792d81bbf9fccaad", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/th/openai-whisper-large-v3/", "description": "Whisper large-v3 เป็นเช็กพอยต์รู้จำเสียงหลายภาษาแบบเปิดค่าน้ำหนักของ OpenAI สำหรับถอดเสียงและแปลคำพูดเป็นภาษาอังกฤษ โมเดลเปลี่ยนเสียงบันทึกเป็นข้อความ พร้อมการเลือกภาษา การประทับเวลา และการประมวลผลเสียงยาวเกินหน้าต่างเสียง 30 วินาทีตามเอกสาร", "locale": "th", "md_url": "https://ailoot.ai/models/th/openai-whisper-large-v3/index.md", "title": "OpenAI: Whisper Large V3 — Ailoot", "url": "https://ailoot.ai/models/th/openai-whisper-large-v3/" }, "rawModel": { "about": "Whisper large-v3 เป็นเช็กพอยต์รู้จำเสียงที่ OpenAI เผยแพร่ มีพารามิเตอร์ประมาณ 1.55 พันล้านตัว เป็นโมเดลหลายภาษาแบบตัวเข้ารหัสและตัวถอดรหัส โดยเสียงเข้าสู่ตัวเข้ารหัส แล้วตัวถอดรหัสทำนายข้อความและโทเคนที่เกี่ยวกับงาน งานหลักคือถอดเสียงเป็นข้อความในภาษาต้นฉบับและแปลคำพูดเป็นภาษาอังกฤษ นี่คือตัวตนของโมเดลแบบเปิดค่าน้ำหนัก ซึ่งต้องแยกจากรหัสโมเดลของบริการโฮสต์ รวมถึงกฎการอัปโหลดและรูปแบบคำตอบของบริการนั้น\n\nLarge-v3 รักษาสถาปัตยกรรมของเช็กพอยต์ Whisper ขนาดใหญ่รุ่นก่อนหน้า โดยระบุการเปลี่ยนแปลงสองอย่าง ได้แก่ อินพุตสเปกโทรแกรมใช้ช่องความถี่ Mel 128 ช่องแทน 80 ช่อง และเพิ่มโทเคนภาษากวางตุ้ง โมเดลการ์ดของผู้พัฒนาอธิบายการฝึกด้วยเสียงติดป้ายกำกับแบบอ่อนหนึ่งล้านชั่วโมง และเสียงติดป้ายกำกับเทียมสี่ล้านชั่วโมงที่เตรียมด้วย Whisper large-v2 ใช้ข้อมูลผสมนี้ฝึกสองเอพ็อก รุ่นที่เผยแพร่นี้คือเช็กพอยต์ large-v3 โดยเฉพาะ ไม่ใช่ชื่อทั่วไปสำหรับทุกโมเดลในตระกูล Whisper\n\nเวิร์กโฟลว์อนุมานตามเอกสารถอดเสียงเป็นค่าเริ่มต้น โดยคงภาษาที่พูดในเสียงบันทึกไว้ โมเดลตรวจภาษาต้นทางอัตโนมัติได้ หรือรับการระบุภาษาที่ทราบอยู่แล้ว สำหรับการแปล โมเดลหลายภาษาขนาดใหญ่ให้ผลเป็นข้อความภาษาอังกฤษจากคำพูดที่ไม่ใช่ภาษาอังกฤษ ต้องเลือกงานนี้อย่างชัดเจน เพราะข้อความถอดเสียงภาษาเดิมกับคำแปลอังกฤษเป็นผลงานคนละแบบ สำหรับการสัมภาษณ์ ให้รักษาถ้อยคำภาษาต้นฉบับ สำหรับเอกสารอ้างอิงภาษาอังกฤษ ให้ระบุว่าต้องการคำแปลของเนื้อหาที่พูด\n\nการเตรียมเสียงเป็นส่วนหนึ่งของเส้นทางอินพุต ตัวโหลดของ OpenAI ถอดรหัสเสียงบันทึกเป็นรูปคลื่นโมโนและสุ่มตัวอย่างใหม่ที่ 16 kHz ช่วงรับข้อมูลเสียงของโมเดลคือ 30 วินาที ซึ่งเป็นหน้าต่างประมวลผล ไม่ใช่ความยาวสูงสุดของการสัมภาษณ์หรือการบรรยายทั้งเรื่อง การอนุมานเสียงยาวทำได้โดยเลื่อนหน้าต่างไปตามลำดับ หรือแบ่งเสียงยาวเป็นชังก์ที่ซ้อนทับกันแล้วรวมข้อความถอดเสียง โมเดลการ์ดของผู้พัฒนาอธิบายการประมวลผลตามลำดับเมื่อให้ความสำคัญกับความแม่นยำ และการแบ่งชังก์เมื่อเวลาเสร็จของเสียงยาวหนึ่งไฟล์สำคัญกว่า\n\nการตั้งค่าที่เผยแพร่ระบุตำแหน่งตัวถอดรหัส 448 ตำแหน่งสำหรับลำดับการถอดรหัสหนึ่งลำดับ เสียงที่ยาวกว่านั้นจัดการด้วยกระบวนการเสียงยาว ไม่ใช่ถือว่าตัวเลขนี้เป็นขีดจำกัดข้อความถอดเสียงทุกกรณี เวิร์กโฟลว์ตามเอกสารคืนการประทับเวลาระดับเซกเมนต์หรือระดับคำคู่กับข้อความที่รู้จำได้ เอาต์พุตเวลาเหล่านี้ช่วยนำทางในเสียงบันทึกและเตรียมคำบรรยาย ส่วนคอนเทนเนอร์คำบรรยายสุดท้ายหรือรูปแบบไฟล์ข้อความถอดเสียงเป็นตัวเลือกการจัดรูปแบบเอาต์พุตแยกต่างหาก หากจะจัดข้อความให้ตรงกับต้นฉบับ ควรรักษาเวลาของเสียงบันทึกไว้ขณะเตรียมเสียง\n\nบทบาทที่ตั้งใจของ Whisper คือรู้จำและแปลคำพูด ข้อความถอดเสียงการบรรยาย บันทึกสัมภาษณ์ หรือคลังเนื้อหาพูดที่ค้นหาได้เป็นผลลัพธ์ที่ใช้ได้จริง การสรุปหรือการตีความทำเป็นขั้นตอนอื่นบนข้อความต่อได้ โมเดลการ์ดไม่ได้ยืนยันการจำแนกหรือแยกผู้พูดอัตโนมัติอย่างทนทานว่าเป็นเอาต์พุตมาตรฐานของเช็กพอยต์พื้นฐาน หากงานต้องมีป้ายผู้พูด ต้องจัดการข้อกำหนดนั้นแยกจากการอ้างว่าข้อความถอดเสียงแม่นยำ ข้อกำหนดงานที่มีประโยชน์ระบุภาษาต้นทาง ต้องการถอดเสียงหรือแปลอังกฤษ และต้องมีข้อมูลเวลาหรือไม่\n\nข้อจำกัดสำคัญรวมถึงการสร้างข้อความที่ไม่เคยมีการพูดและข้อความซ้ำ ซึ่งสัมพันธ์กับการฝึกแบบกำกับอย่างอ่อนจากข้อมูลมีเสียงรบกวนและการออกแบบลำดับต่อลำดับ คุณภาพการรู้จำต่างกันตามภาษา สำเนียง และภาษาถิ่น โดยผลจะด้อยกว่าเมื่อมีข้อมูลฝึกน้อย ดังนั้นตัวอย่างที่ใช้ตัดสินความเหมาะสมควรมีเสียงรบกวน ศัพท์เฉพาะ และเสียงพูดซ้อนกันอยู่ด้วย เปรียบเทียบชื่อ ปริมาณ และข้อความสำคัญกับเสียงบันทึก และตรวจช่วงที่ไม่มีคำพูดหรือประโยคซ้ำ แทนการถือว่าข้อความที่อ่านลื่นไหลพิสูจน์ว่าระบบได้ยินทุกคำจริง\n\nผลลัพธ์ที่ครบถ้วนเก็บข้อความที่รู้จำ ภาษา และข้อมูลเวลาที่ร้องขอ พร้อมการอ้างอิงถึงเสียงบันทึกต้นฉบับ แยกการถอดเสียงจากการแก้ไขภายหลัง ข้อความถอดเสียงที่แก้เพื่อเผยแพร่อาจตัดคำเสริมออก แต่ข้อความที่รู้จำต้องรักษาสิ่งที่โมเดลคืนมาจริง ตัวตนและความสามารถแปลของ large-v3 ต้องแยกจากรุ่น Turbo ที่เร็วกว่าเช่นกัน ความเร็วประมวลผลจริงขึ้นกับภาษา อัตราการพูด ฮาร์ดแวร์ และวิธีอนุมาน ชื่อเช็กพอยต์เพียงอย่างเดียวไม่ได้ยืนยันความหน่วงของบริการโฮสต์ ขนาดอัปโหลดสูงสุด หรือเส้นทางแอปพลิเคชันที่เปิดใช้งานใด ๆ", "alias_of": null, "aliases": [], "author": "OpenAI", "available": null, "canonical_model": "openai/whisper-large-v3", "capabilities": { "context_length": 0, "manufacturer_input": [ "audio" ], "manufacturer_output": [ "transcription" ] }, "card_routes": [ { "label": "Ultra", "rates": [ { "amount": "0.000015", "amount_unit": "usd_per_audio_input_second", "billing_input": true, "estimate_only": false, "key": "audio_input_second", "label": "audio input second", "native_amount_usd_per_unit": "0.000015", "native_quantity": 1, "public_unit_label": "per audio input second", "quantity": "1", "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_second" } ], "summary": "ดูราคาตามการกำหนดค่าแบบครบถ้วนในรายละเอียด" } ], "ctx": null, "declared_tariff_references": [ { "client_selectable": false, "key": "ee57dbbfe5ae56bdd0d7", "label": "OpenAI: Whisper Large V3", "profiles": [ { "basis": "", "dimensions": { "conditions": "การตั้งค่าเริ่มต้น" }, "label": "OpenAI: Whisper Large V3 · การตั้งค่าเริ่มต้น", "units": [ { "amount": "0.0000150", "amount_unit": "usd_per_exact_physical_unit", "billing_input": false, "key": "e474c121b23c5635611dfde4", "label": "Input audio seconds", "public_unit_label": "per input audio second", "quantity": "1", "rate_role": "declared_tariff_rate", "side": "in", "unit": "input_audio_second" } ] } ] } ], "entity_type": "model", "formats": [ "transcriptions" ], "id": "openai/whisper-large-v3", "input": [ "audio" ], "kind": "transcription", "max_out": null, "methods": [ { "available": null, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Complete original JSON, all available text/segments/words/speakers/timestamps and usage.", "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 URL; never construct token" } ], "mode": "synchronous_result_then_owned_library", "operation_id_is_not_task_id": true, "status": [ { "http": "GET", "id_source": "actual returned task_id or media library record", "path": "/v1/media/tasks/{task_id}" } ], "unknown": "เก็บ operation_id/X-Client-Request-ID เดิมและการตอบกลับเดิม อ่านบันทึกงาน/แอสเซ็ตจริงที่เป็นของคุณโดยไม่ส่งซ้ำ ไม่มีการสร้าง URL ตรวจสอบสถานะเสียงเฉพาะ" }, "material_combinations": [ { "content_types": [ "application/json", "multipart/form-data" ], "mode": "speech_to_text", "required": [ "actual matching-format audio file" ] } ], "outputs": { "all_results": "JSON ต้นฉบับทั้งหมด ข้อความ/ช่วงข้อความ/คำ/ผู้พูด/เวลาที่มีอยู่ทั้งหมด และการใช้งาน", "family": "transcription", "fields": [ { "name": "text", "type": "string" }, { "name": "usage", "type": "object" }, { "name": "segments[]", "optional": true, "type": "object" }, { "name": "words[]", "optional": true, "type": "object" } ], "format": "json" }, "parameters": [ { "availability": "source_interface", "enum": [ "openai/whisper-large-v3" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "data_encoding": "base64 raw actual audio bytes, not data URI", "fields": [ "data", "format" ], "name": "input_audio", "required": true, "type": "object" }, { "availability": "retained_official_STTRequest", "description": "ISO-639-1 code; omitted means auto-detection", "name": "language", "required": false, "type": "string" }, { "availability": "retained_official_STTRequest", "maximum": 1, "minimum": 0, "name": "temperature", "required": false, "type": "number" }, { "availability": "retained_official_STTRequest", "default": "json", "default_known": true, "description": "verbose_json requires exact model/provider support", "enum": [ "json", "verbose_json" ], "enum_known": true, "name": "response_format", "required": false, "type": "string" }, { "availability": "retained_official_STTRequest", "description": "Only used with supported verbose_json", "items": { "enum": [ "segment", "word" ], "type": "string" }, "name": "timestamp_granularities", "required": false, "type": "array" }, { "availability": "retained_official_STTRequest", "description": "Data policy and exact provider options; order/only/ignore are not applied to STT", "name": "provider", "required": false, "type": "object" } ], "request_schema": { "properties": { "input_audio": { "properties": { "data": { "contentEncoding": "base64", "type": "string" }, "format": { "enum": [ "wav", "mp3", "flac", "m4a", "ogg", "webm", "aac" ], "type": "string" } }, "required": [ "data", "format" ], "type": "object" }, "language": { "description": "ISO-639-1 code; omitted means auto-detection", "type": "string" }, "model": { "enum": [ "openai/whisper-large-v3" ], "type": "string" }, "provider": { "description": "Data policy and exact provider options; order/only/ignore are not applied to STT", "properties": { "data_collection": { "enum": [ "allow", "deny", null ], "type": [ "string", "null" ] }, "options": { "type": "object" }, "zdr": { "type": [ "boolean", "null" ] } }, "type": "object" }, "response_format": { "default": "json", "description": "verbose_json requires exact model/provider support", "enum": [ "json", "verbose_json" ], "type": "string" }, "temperature": { "maximum": 1, "minimum": 0, "type": "number" }, "timestamp_granularities": { "description": "Only used with supported verbose_json", "items": { "enum": [ "segment", "word" ], "type": "string" }, "type": "array" } }, "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" }, "content_type": "application/json" } }, "hints": [ "ใช้โมเดลที่ตรงตามที่กำหนดและฟิลด์ข้อมูลขาเข้าตามเอกสาร", "เก็บการตอบกลับทั้งหมด ผลลัพธ์จริงทุกรายการ และ ID เดิมที่ส่งกลับ" ], "input": { "JSON_audio": "ไบต์เสียงดิบจริงในรูป base64 พร้อมรูปแบบที่ตรงกัน", "content_types": [ "application/json", "multipart/form-data" ], "default_response_format": "json", "material_types": [ "audio" ], "multipart_cap_bytes": 26214400, "multipart_required": [ "model", "file" ], "optional_controls": [ "language", "temperature", "response_format", "timestamp_granularities", "provider" ], "optional_features": "ผลลัพธ์แบบละเอียด diarize/keyterms และ URL/เสียงแบบอินไลน์ที่ใหญ่ขึ้นต้องอาศัยความสามารถและอัตราค่าบริการที่ตรงกับโมเดล/ผู้ให้บริการ", "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 URL; never construct token" } ], "mode": "synchronous_result_then_owned_library", "operation_id_is_not_task_id": true, "status": [ { "http": "GET", "id_source": "ค่า task_id ที่ส่งกลับมาจริง หรือระเบียนในคลังสื่อ", "path": "/v1/media/tasks/{task_id}" } ], "unknown": "Retain original operation_id/X-Client-Request-ID and original response. Read actual owned task/asset records without resubmitting; no dedicated audio poll URL is constructed." }, "method": { "http": "POST", "path": "/v1/audio/transcriptions" }, "method_aliases": [], "operation_modes": [ "speech_to_text" ], "output": { "all_results": "Complete original JSON, all available text/segments/words/speakers/timestamps and usage.", "family": "transcription", "format": "json" } }, "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": { "quantity_basis": "actual physical units", "quoted_unit": "per audio input second" }, "label": "Ultra", "units": [ { "amount": "0.000015", "amount_unit": "usd_per_audio_input_second", "billing_input": true, "estimate_only": false, "key": "audio_input_second", "label": "audio input second", "native_amount_usd_per_unit": "0.000015", "native_quantity": 1, "public_unit_label": "per audio input 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 WAV recording}\"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\nimport base64\naudio=Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()\nif not (audio[:4]==b'RIFF' and audio[8:12]==b'WAVE'): raise SystemExit('Supply an actual WAV audio file')\nif len(audio)>26214400: raise SystemExit('Use a documented supported large-file flow')\nrequest={'model': 'openai/whisper-large-v3', 'input_audio': {'data': '${BASE64_ACTUAL_WAV_BYTES}', 'format': 'wav'}}\nrequest['input_audio']['data']=base64.b64encode(audio).decode('ascii')\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# Keep the complete original response and headers. Read every returned segment, word and usage field.\n# Preserve actual operation/task/asset IDs; continue reads of the original result without resubmitting.\n", "label": "curl · exact native body and complete result", "language": "bash" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "transcriptions", "hints": [ "Use the exact model and documented input fields.", "Keep the complete response, every actual output and original returned IDs." ], "http": "POST", "in": null, "input": [ "audio" ], "label": "Распознавание речи", "max_out": null, "max_reasoning_effort_multiplier": null, "method_aliases": [], "out": null, "output": [ "transcription" ], "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": 1.5e-05 } }, "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": { "quantity_basis": "actual physical units", "quoted_unit": "per audio input second" }, "label": "Ultra", "units": [ { "amount": "0.000015", "amount_unit": "usd_per_audio_input_second", "billing_input": true, "estimate_only": false, "key": "audio_input_second", "label": "audio input second", "native_amount_usd_per_unit": "0.000015", "native_quantity": 1, "public_unit_label": "per audio input 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", "route_label": "Ultra", "status_reads": [ "GET /v1/media/tasks/{task_id}", "GET /v1/media/assets/{asset_id}/content" ], "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": "0.000015", "amount_unit": "usd_per_audio_input_second", "billing_input": true, "estimate_only": false, "key": "audio_input_second", "label": "audio input second", "native_amount_usd_per_unit": "0.000015", "native_quantity": 1, "public_unit_label": "per audio input 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", "request_model_id": "openai/whisper-large-v3", "route_label": "Ultra" } ], "name": "OpenAI: Whisper Large V3", "price": { "in": null, "in_label": null, "out": null, "out_label": null, "sort_in": null, "sort_out": null, "varies": true }, "pricing_profiles": [ { "applicability": { "client_selectable": false, "native_profile_selection_pending": true, "scope": "hosted_reference" }, "dimensions": { "variant": null }, "label": "Ultra", "units": [ { "amount": "0.0000616666666666", "amount_unit": "usd_per_audio_input_second", "conditions": { "variant": null }, "key": "pricing.prompt", "label": "prompt", "profile_index": 0, "quantity": "1", "rate_role": "binding_component_rate", "side": "in", "unit": "audio_input_second" }, { "amount": "0", "amount_unit": "usd_per_not_separately_charged_output", "conditions": { "variant": null }, "key": "pricing.completion", "label": "completion", "profile_index": 0, "quantity": "1", "rate_role": "binding_component_rate", "side": "out", "unit": "not_separately_charged_output" } ] } ], "public_id": "openai/whisper-large-v3", "short": "Whisper large-v3 เป็นเช็กพอยต์รู้จำเสียงหลายภาษาแบบเปิดค่าน้ำหนักของ OpenAI สำหรับถอดเสียงและแปลคำพูดเป็นภาษาอังกฤษ โมเดลเปลี่ยนเสียงบันทึกเป็นข้อความ พร้อมการเลือกภาษา การประทับเวลา และการประมวลผลเสียงยาวเกินหน้าต่างเสียง 30 วินาทีตามเอกสาร" }, "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 เป็นเช็กพอยต์รู้จำเสียงหลายภาษาแบบเปิดค่าน้ำหนักของ OpenAI สำหรับถอดเสียงและแปลคำพูดเป็นภาษาอังกฤษ โมเดลเปลี่ยนเสียงบันทึกเป็นข้อความ พร้อมการเลือกภาษา การประทับเวลา และการประมวลผลเสียงยาวเกินหน้าต่างเสียง 30 วินาทีตามเอกสาร", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "44e826f0a4601b822e1792ca2d98b436f56998418a3a02541d84821ea61a9fac", "renderer_sha256": "890edb706fafafdd4f598bb324acf65fada58918b0911b97eb80e68be2ef65d9" }, "sourceRevision": "eec2c5ac6476eef10ccb5b8224efd5654b17bfb034c593c641b74585a1f7d287" }