Source: https://ailoot.ai/models/th/openai-whisper-large-v3/
Canonical: https://ailoot.ai/models/th/openai-whisper-large-v3/
Language: th

# OpenAI: Whisper Large V3

[Markdown](https://ailoot.ai/models/th/openai-whisper-large-v3/index.md) · [JSON](https://ailoot.ai/models/th/openai-whisper-large-v3/facts.json)

## [OpenAI: Whisper Large V3](https://ailoot.ai/models/th/openai-whisper-large-v3/)

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

- [**Ailoot Ultra · การรู้จำเสียงพูด** `POST /v1/audio/transcriptions` `openai/whisper-large-v3`](https://ailoot.ai/models/th/openai-whisper-large-v3/#method-0)

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

**Ailoot Ultra · การรู้จำเสียงพูด** `POST /v1/audio/transcriptions` `openai/whisper-large-v3`

[`openai/whisper-large-v3`](https://ailoot.ai/models/th/#m=openai%2Fwhisper-large-v3&route=Ultra&caller=openai%2Fwhisper-large-v3&fmt=transcriptions)

OpenAI /`openai/whisper-large-v3`

### เริ่มต้น

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

อินพุตที่รองรับ

เสียง

ผลลัพธ์

transcription

### ใช้งานได้ใน Ailoot · อินพุตและเมธอด

**Ailoot Ultra · การรู้จำเสียงพูด** `POST /v1/audio/transcriptions`

ขาเข้า

`audio`

ขาออก

`transcription`

รูปแบบเอาต์พุต

json

| ฟิลด์ | ประเภท | ข้อกำหนด | ค่าและข้อจำกัด | ค่าเริ่มต้น |
| --- | --- | --- | --- | --- |
| ฟิลด์`model` | ประเภท`string` | ข้อกำหนดจำเป็น | ค่าและข้อจำกัด openai/whisper-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 →](https://ailoot.ai/docs/th/billing/reserve/)

#### 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

curl · เนื้อหาคำขอแบบเนทีฟที่ตรงตามต้นฉบับและผลลัพธ์ที่ครบถ้วน

```bash
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_AUDIO_FILE:?Set the path to your actual WAV recording}"
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
import base64
audio=Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()
if not (audio[:4]==b'RIFF' and audio[8:12]==b'WAVE'): raise SystemExit('Supply an actual WAV audio file')
if len(audio)>26214400: raise SystemExit('Use a documented supported large-file flow')
request={'model': 'openai/whisper-large-v3', 'input_audio': {'data': '${BASE64_ACTUAL_WAV_BYTES}', 'format': 'wav'}}
request['input_audio']['data']=base64.b64encode(audio).decode('ascii')
Path('request.json').write_text(json.dumps(request,ensure_ascii=False),encoding='utf-8')
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \
  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
  --data-binary @request.json -D response-headers.txt -o response.bin
# Keep the complete original response and headers. Read every returned segment, word and usage field.
# Preserve actual operation/task/asset IDs; continue reads of the original result without resubmitting.
```

### 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`](https://ailoot.ai/models/th/#m=openai%2Fwhisper-large-v3&route=Ultra&caller=openai%2Fwhisper-large-v3&fmt=transcriptions)

#### ชื่อพาธเมธอดอื่น

ใช้พาธเมธอดที่แสดงด้านบน

#### ID ที่เกี่ยวข้องสำหรับเรียกใช้โมเดล

[`openai/whisper-large-v3`](https://ailoot.ai/models/th/#m=openai%2Fwhisper-large-v3&route=Ultra&caller=openai%2Fwhisper-large-v3&fmt=transcriptions)

FAQ · OpenAI: Whisper Large V3

มีอินพุตและผลลัพธ์ใดบ้าง?

`POST /v1/audio/transcriptions` · `openai/whisper-large-v3`: `audio` → `transcription`

คำขอใช้ฟิลด์ใดบ้าง?

`POST /v1/audio/transcriptions` · `openai/whisper-large-v3`: `model`, `input_audio`, `language`, `temperature`, `response_format`, `timestamp_granularities`, `provider`

มีข้อจำกัดใดบ้าง?

`POST /v1/audio/transcriptions` · `openai/whisper-large-v3`: `temperature.minimum`: `0`; `temperature.maximum`: `1`

เชื่อม Ailoot กับ Claude Code, OpenCode, Hermes หรือแอปของคุณ

## บริษัทและพอร์ตโฟลิโอโครงการของบริษัท

บริษัทและพอร์ตโฟลิโอโครงการของบริษัท: ลูกค้าหลายล้านราย; ยอดขายระดับหลายพันล้านต่อเดือน.

## ซื้อโทเคนพร้อมส่วนลด

ส่วนลดสมาชิกสำหรับงานประจำ โค้ดโปรโมชั่นลดซื้อโทเคนสูงสุด 50%

สมาชิก

เลือกแพ็กเกจมีส่วนลดสำหรับคำขอประจำ

โค้ดลดสูงสุด 50%

ใส่โค้ดขณะซื้อ ราคาคำนวณใหม่ตามโปรโมชั่นที่ใช้

รายจ่ายในประวัติ

เก็บโมเดล โทเคน และยอดสำหรับทุกคำขอ

[เลือกสมาชิก](https://ailoot.ai/docs/th/billing/subscriptions/) · [ดูราคาโมเดล](https://ailoot.ai/models/th/)

## เชื่อม API กับผลิตภัณฑ์ ที่คุณขาย

SaaS แอป และบอต ตามข้อเสนอและสัญญาอนุญาต Ailoot หากขายต่อให้ขอใบอนุญาตรีเซลเลอร์

แอปเชิงพาณิชย์

ใส่การสร้างข้อความ ภาพ วิดีโอ และเสียงในฟีเจอร์เสียเงินของบริการคุณ

ใบอนุญาตรีเซลเลอร์

ส่งคำอธิบายโครงการและรูปแบบการเข้าถึง ขอเงื่อนไขใช้และขายต่อเป็นลายลักษณ์อักษร

เอกสารบนเว็บไซต์

อ่านข้อเสนอ สัญญาอนุญาต และนโยบายประมวลผลข้อมูลก่อนเชื่อมได้

[ขอใบอนุญาตขายต่อ](mailto:support@ailoot.ai) · [ข้อเสนอและสัญญาอนุญาต](https://ailoot.ai/legal/offer?lang=th)

## Ailoot · บริษัทและพอร์ตโฟลิโอโครงการของบริษัท





Ailoot อาศัยประสบการณ์การดำเนินงานที่สั่งสม ฐานลูกค้าขนาดใหญ่ บริการที่เสถียร และการติดตาม KPI อย่างต่อเนื่อง





บริษัทและพอร์ตโฟลิโอโครงการของบริษัท: ลูกค้าหลายล้านราย; ยอดขายระดับหลายพันล้านต่อเดือน.





Ailoot นำประสบการณ์การดำเนินงานนี้มาใช้เพื่อให้เข้าถึงฟังก์ชัน AI ผ่าน API ในผลิตภัณฑ์ของลูกค้า เอเจนต์ แอปพลิเคชัน และระบบอัตโนมัติ