Deepgram: Nova-3
Nova-3 — yozilgan va oqimda kelayotgan audioni matnga aylantirish uchun Deepgram’ning umumiy maqsadli modeli. U bir tilli nutqni tanish, tillar almashadigan belgilangan ko‘p tilli rejim va keyterm orqali yo‘naltirishni qo‘llab, so‘z vaqtlari hamda ishonch ma’lumotlari bilan transkript qaytaradi.
Model haqida
Bu tavsif model imkoniyatlarini yoritadi. Ailoot da tanlangan usul uchun mavjud kirish, chiqish va parametrlar quyida keltirilgan.
Nova-3 — audioni matnga aylantirish uchun Deepgram’ning umumiy maqsadli nutqni tanish modeli. Ishlab chiqaruvchi uni yig‘ilishlar, tadbir subtitrlari, ko‘p so‘zlovchili yozuvlar va shovqin yoki uzoq mikrofon kabi murakkab sharoitlar uchun tavsiya qiladi; oldindan yozilgan yoki oqimli transkripsiyadan foydalaniladi. Foydali natija — manba audioga bog‘liq qolgan vaqt va ishonch ma’lumotli tanilgan nutq.
Til jarayonini tanlang
Hujjatlashtirilgan odatiy til ingliz tili. Bir tilli so‘rov aytilgan til yoki qo‘llanadigan locale’ni tanlaydi. Joriy umumiy model jadvalida ingliz tilining hududiy variantlari, ispan, fransuz, nemis, rus, portugal, yapon, italyan, niderland, arab tillari, xitoy yozuvlari va ko‘plab boshqa tillar, jumladan qozoq tili bor. Har qanday locale nomi qabul qilinadi deb o‘ylash o‘rniga ishlab chiqaruvchi qo‘llaydigan kodlardan tanlang.
Ko‘p tilli sozlama tillar almashishi uchun alohida jarayondir. Joriy Nova-3 jadvali shu rejim uchun o‘nta tilni ko‘rsatadi: ingliz, ispan, fransuz, nemis, hind, rus, portugal, yapon, italyan va niderland. Bu to‘plam kattaroq bir tilli ro‘yxat bilan bir xil emas. Qo‘llanadigan tillar almashadigan yozuvda butun suhbatni aloqasiz bitta til sozlamasiga majburlash o‘rniga ko‘p tilli rejimni tayyorlang. Tarjima yoki xulosa versiyasini tayyorlashdan oldin aytilgan nutqni saqlang.
Yozilgan audio va transkriptni tayyorlash
Deepgram fayl jarayoni yuklangan audio baytlarini yoki audio fayliga havolani qabul qiladi. So‘rov tugaganda qaytgan transkriptni saqlang; ishlab chiqaruvchi transkriptlarni keyin olish uchun saqlamaydi. Hujjatlashtirilgan odatiy kirish formatlari va kodlashlari MP3, MP4, MP2, AAC, WAV, FLAC, PCM, M4A, Ogg, Opus va WebM’ni o‘z ichiga oladi. Yozuv bilan haqiqiy format va kanal ma’lumotini saqlang. Yozuvga barqaror identifikator bering va natijani to‘g‘ri manba hamda kanal ma’lumotiga bog‘lang. Yig‘ilishda asl tovushni tinglab ishtirokchilar nomlari va texnik atamalarni tekshiring. Ma’ruza yoki tadbirda keyingi subtitr yoki qidiruv natijasi tegishli parchani topishi uchun audio ketma-ketligini saqlang.
Ishlab chiqaruvchining oldindan yozilgan audio qo‘llanmasi 2 GB maksimal fayl hajmini ko‘rsatadi va katta video faylidan audio oqimini ajratishni tavsiya qiladi. Nova so‘rovlari uchun o‘n daqiqali qayta ishlash taymauti ham hujjatlashtirilgan. Bu yozuv davomiyligining o‘n daqiqali maksimumi emas, so‘rov qancha vaqt qayta ishlanishiga tegishli. Foydali natija mo‘ljallangan yozuvning oxirini ham o‘z ichiga oladi; faqat qisman saqlangan transkriptni to‘liq matn deb bilmaslik kerak.
So‘zlar, vaqtlar va ishonchni o‘qing
Hujjatlashtirilgan JSON javobida transkript muqobillari va tanilgan so‘zlar bor; har bir so‘zning audio boshidan soniyalardagi boshlanish va tugash vaqti hamda ishonch qiymati beriladi. Ko‘p so‘zlovchili transkriptda ishlab chiqaruvchining ixtiyoriy so‘zlovchilarga ajratishi har bir so‘zga so‘zlovchi yorlig‘ini tayinlaydi. Oldindan yozilgan audio uchun so‘zlovchi bo‘yicha ishonch qiymati ham qaytadi; oqimli jarayonda so‘zlovchi yorlig‘i qaytadi. Shu yorliqlarni yozuvdagi ovozlar bilan tekshiring. Umumiy transkript ishonchi ham 0–1 shkalada beriladi. Aqlli formatlash so‘ralsa, natija tinish belgilari va bosh harflarni tinish belgili so‘zlar sifatida, o‘qiladigan paragraf ma’lumoti bilan berishi mumkin.
Maydonlarni ma’nosiga ko‘ra ishlating. So‘z vaqti tanilgan nutq joyini ko‘rsatadi; ishonch modelning ishonchlilik ko‘rsatkichi, qiyin nom yoki miqdor to‘g‘ri eshitilganining isboti emas. Subtitr tayyorlashda vaqtni tekshirilgan ifoda bilan saqlang va chegaralarni tovush bo‘yicha tekshiring. O‘qiladigan tahririy versiyada noaniq so‘zlarni sezdirmay mantiqli hikoyaga almashtirish o‘rniga, o‘zgarishlarni tanilgan transkriptdan farqlanadigan saqlang.
Oqimli tanish va yakuniy segmentlar
Nova oqimli jarayoni audio kelishi bilan vaqtinchalik va yakuniy matnni qaytaradi. is_final ko‘rsatkichi qayta tuzatilishi mumkin bo‘lgan matnni yakunlangan segmentdan ajratadi. speech_final ko‘rsatkichi nutq segmenti tugashini aniqlashga tegishli. Shu signallarni shunchaki bo‘sh bo‘lmagan transkript olishdan ajrating va to‘liq yozuv tayyorlashda yakuniy segmentlarni audio tartibida saqlang.
Nova-3 umumiy ASR modeli, modelning o‘zida suhbat navbatini aniqlashga ega alohida Flux suhbat modeli emas. Nova transkript yakuniyligini va nutq tugash nuqtalarini belgilaydi; Flux o‘z suhbat navbati holati hodisalarini beradi. Audio oldindan yozilganmi yoki jonli kelayaptimi — shunga qarab transkripsiya jarayonini tanlang; saqlanadigan artefakt sifatida haqiqiy yakuniy chiqishdan foydalaning.
Muhim lug‘at uchun keyterm
Nova-3’ning hujjatlashtirilgan Keyterm Prompting imkoniyati bir tilli va ko‘p tilli transkripsiyani qo‘llaydi, modelni qayta o‘qitmasdan tanishni muhim atamalarga yo‘naltiradi. Haqiqatan aytilishi mumkin bo‘lgan tegishli nomlar, mahsulot atamalari, qisqartmalar yoki ko‘p so‘zli iboralarni bering. Qo‘llanma jami keyterm kirishini 500 token bilan cheklaydi va oddiy so‘zlarni tanlamasdan qo‘shish o‘rniga eng muhim lug‘atga e’tibor qaratishni tavsiya qiladi.
Ishlab chiqaruvchi sintaksisi oddiy atamalar va har atama uchun alohida keyterm yozuvidan foydalanadi. Ko‘p so‘zli ibora bitta ibora bo‘lib qoladi. Eski keyword vaznlari yoki kuchaytirgichlar, alohida atamalarni vergul, nuqtali vergul yoki yangi qator bilan birlashtirish teng usul emas: interfeys ularni bitta literal qiymat sifatida qabul qilib, mo‘ljallangan kuchaytirishni bermasligi mumkin. Nomlarning bosh harflarini to‘g‘ri yozing, keyin transkriptni tekshiring; audio konteksti va aqlli formatlash yakuniy yozma shaklni baribir o‘zgartirishi mumkin.
Model oilasi chegaralari va foydali natijalar
Umumiy Nova-3 profili alohida nomlangan Medical va Pharma variantlaridan farq qiladi. Lug‘at bilan yo‘naltirish uni boshqa nashrga aylantirmaydi; maxsus modellarning til qamrovi yoki xulqini umumiy model uchun taxmin qilmaslik kerak. Qo‘shimcha transkript qayta ishlash imkoniyatlari ishlab chiqaruvchining nutq jarayonidagi tanlovlardir; tanish so‘ralmagan xulosa, tarjima yoki boshqa artefaktni yaratganining dalili emas.
Foydali Nova-3 natijasi qidiriladigan yig‘ilish transkripti, so‘z vaqtlari bilan subtitrga tayyor matn yoki ko‘p tilli suhbat yozuvi bo‘lishi mumkin. Audio identifikatori, tanlangan til jarayoni, yakuniy matn va foydali ishonch yoki vaqt maydonlarini saqlang. Noaniq nomlar, sonlar, ustma-ust ovozlar va til almashishlarini asl yozuv bo‘yicha tekshiring; keyingi mazmunni qayta ishlash bosqichi uchun haqiqatan tanilgan nutqni mavjud qoldiring.
Ailoot Ultra · Nutqni tanish POST /v1/audio/transcriptions deepgram/nova-3
deepgram/nova-3Boshlash
Nova-3 — yozilgan va oqimda kelayotgan audioni matnga aylantirish uchun Deepgram’ning umumiy maqsadli modeli. U bir tilli nutqni tanish, tillar almashadigan belgilangan ko‘p tilli rejim va keyterm orqali yo‘naltirishni qo‘llab, so‘z vaqtlari hamda ishonch ma’lumotlari bilan transkript qaytaradi.
- Qabul qilinadigan kirish ma’lumotlari
- Audio
- Natijalar
- transcription
Ailoot da mavjud · kirish ma’lumotlari va usullar
Ailoot Ultra · Nutqni tanish POST /v1/audio/transcriptions
- Kirish
audio- Chiqish
transcription- Chiqish formati
- json
| Maydon | Tur | Talab | Qiymatlar va cheklovlar | Standart |
|---|---|---|---|---|
Maydonmodel | Turstring | TalabMajburiy | Qiymatlar va cheklovlar deepgram/nova-3 | Standart— |
Maydoninput_audio | Turobject | TalabMajburiy | Qiymatlar va cheklovlar | Standart— |
Maydonlanguage | Turstring | TalabIxtiyoriy | Qiymatlar va cheklovlar | Standart— |
Maydontemperature | Turnumber | TalabIxtiyoriy | Qiymatlar va cheklovlar Eng kam: 0 Eng ko‘p: 1 | Standart— |
Maydonresponse_format | Turstring | TalabIxtiyoriy | Qiymatlar va cheklovlar json, verbose_json | Standartjson |
Maydontimestamp_granularities | Turarray | TalabIxtiyoriy | Qiymatlar va cheklovlar | Standart— |
Maydonprovider | Turobject | TalabIxtiyoriy | Qiymatlar va cheklovlar | Standart— |
Kirish materiallari birikmalari
speech_to_text · Majburiy: actual matching-format audio file
Usul parametrlari va hayot sikli
| Parametr | Parametr talablari |
|---|---|
Parametrcontent_types | Parametr talablariapplication/json, multipart/form-data |
Parametrrequired | Parametr talablarimodel, input_audio |
Parametrmaterial_types | Parametr talablariaudio |
ParametrJSON_audio | Parametr talablarihaqiqiy xom audio baytlari base64 ko‘rinishida va mos format |
Parametrmultipart_required | Parametr talablarimodel, file |
Parametrmultipart_cap_bytes | Parametr talablari26214400 |
Parametroptional_controls | Parametr talablarilanguage, temperature, response_format, timestamp_granularities, provider |
Parametrdefault_response_format | Parametr talablarijson |
Parametroptional_features | Parametr talablariBatafsil chiqish, diarize/keyterms va URL/kattaroq ichki audio uchun aynan shu model/provayder imkoniyati va tarifi zarur. |
Hayot sikli: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · Amalda qaytarilgan task_id yoki media kutubxonasidagi yozuv
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Aniq model va hujjatdagi kirish maydonlaridan foydalaning.
To‘liq javobni, har bir haqiqiy chiqish natijasini va dastlab qaytarilgan ID larni saqlang.
Tariflar
Tarif ma’lumotlari so‘rov imkoniyatlarini qo‘shmaydi. Qo‘llab-quvvatlanadigan parametrlar tanlangan usulda ko‘rsatilgan.
- Tezkor rejim
- Ko‘rsatilmagan Tezkor rejim tanlanganda
- Flex rejimi
- Ko‘rsatilmagan flex rejimi tanlanganda
- Maksimal fikrlash darajasi
- Ko‘rsatilmagan Maksimal fikrlash darajasi uchun standart (default) tuzatish qo‘llanganda
Ailoot tariflari
Sozlamalar bo‘yicha narxlar
Har bir to‘lovni ko‘rsatilgan shartlarga moslang. Har bir muqobil sozlamalar to‘plami uchun bitta tarifdan foydalaning.
| Sozlama | Tariflar jadvali | Hisob birligi | To‘lov |
|---|---|---|---|
| SozlamaTokenlar uchun bazaviy tariflar | Tariflar jadvaliAsosiy tarif | Hisob birligi— | To‘lov Kirish · Kirish tokenlari — / 1K token Chiqish · Chiqish tokenlari — / 1K token Kirish · Keshdan o‘qish — / 1K token Kirish · Keshga yozish — / 1K token Kirish · Keshga yozish, 1 soat — / 1K token |
| SozlamaUltra | Tariflar jadvali— | Hisob birligikirish audiosining soniyasi uchun | To‘lov Kirish · Kirish audiosi soniyasi $0.0001433333333334 kirish audiosining soniyasi uchun |
Ailoot so‘rovdan oldin taxminiy summani band qiladi. Natijadan keyin o‘lchangan sarf asosidagi yakuniy to‘lovni yechadi. Oqimli javob bo‘yicha yakuniy hisob-kitob yakuniy sarf yozuviga asoslanadi. Summani band qilish va to‘lovni hisoblash tartibi →
Ma’lumot uchun tarif tafsilotlari
Modelning ma’lumot jadvallari usul tanlash, narx hisobi yoki to‘lovlarni o‘zgartirmaydi. Amaldagi to‘lovlar tanlangan Ailoot usuli tariflari bo‘yicha hisoblanadi.
Deepgram: Nova-3
Sozlamalar bo‘yicha narxlar
| Sozlama | To‘lovni hisoblash shartlari | To‘lov |
|---|---|---|
| SozlamaDeepgram: Nova-3 · Standart sozlama | To‘lovni hisoblash shartlariStandart konfiguratsiya | To‘lov Kirish · Kirish audiosi soniyalari ≈0,000143 US$ kirish audiosining soniyasi uchun |
So‘rov namunalari
Ailoot Ultra · Nutqni tanish
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': 'deepgram/nova-3', '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.
Natijalarni olish va saqlash
Ailoot Ultra · Nutqni tanish
json
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
Barcha tayyor natijalarni saqlash
Qaytarilgan har bir to‘liq javob, fayl va kontent qismini saqlang.
To‘liq dastlabki JSON, mavjud barcha matn/segmentlar/so‘zlar/so‘zlovchilar/vaqt belgilari va foydalanish ma’lumoti.
Asl javobni tekshirish kerak bo‘lsa
Dastlabki operation_id/X-Client-Request-ID va dastlabki javobni saqlang. Qayta yubormasdan haqiqiy, egalik qilinadigan vazifa/aktiv yozuvlarini o‘qing; audio holatini so‘rash uchun maxsus URL tuzilmaydi.
Javob maydonlari
| Maydon | Tur |
|---|---|
Maydontext | Turstring |
Maydonusage | Turobject |
Maydonsegments[] | Turobject |
Maydonwords[] | Turobject |
Taxalluslar
Model taxalluslari
Ailoot Ultra deepgram/nova-3
Usul yo‘llari taxalluslari
Yuqorida ko‘rsatilgan usul yo‘llaridan foydalaning.
Chaqirish uchun tegishli ID lar
FAQ · Deepgram: Nova-3
- Qanday kirish ma’lumotlari va natijalar mavjud?
POST /v1/audio/transcriptions·deepgram/nova-3:audio→transcription- So‘rov qaysi maydonlardan foydalanadi?
POST /v1/audio/transcriptions·deepgram/nova-3:model,input_audio,language,temperature,response_format,timestamp_granularities,provider- Qanday cheklovlar amal qiladi?
POST /v1/audio/transcriptions·deepgram/nova-3:temperature.minimum:0;temperature.maximum:1