Fish Audio: Transcribe 1 Pro

Transcribe 1 Pro 60 daqiqagacha yozuvlarni so‘zlovchi belgilari va ixtiyoriy so‘z darajasidagi vaqtlar bilan matnga aylantiradi. U taxmin qilingan hissiyot va ovoz hodisasi belgilarini saqlab, intervyu, yig‘ilish va podkastlarni tekshirish, qidirish yoki subtitrga tayyorlashni osonlashtiradi.

Ailoot Ultra · Nutqni tanish POST /v1/audio/transcriptions fish-audio/transcribe-1-pro

Model haqida

Bu tavsif model imkoniyatlarini yoritadi. Ailoot da tanlangan usul uchun mavjud kirish, chiqish va parametrlar quyida keltirilgan.

Transcribe 1 Pro — qisqa kliplar, ko‘p so‘zlovchili suhbatlar va uzun yozuvlar uchun Fish Audio’ning nutqni matnga aylantirish modeli. U yozilgan audioni oladi va ixtiyoriy vaqtlar hamda tuzilmali so‘zlovchi navbatlari bilan transkript qaytaradi. Farqlovchi xususiyatlari — matnda so‘zlovchi almashishi belgilanishi va hissiyot yoki ovoz hodisalari haqidagi belgilar; ular oddiy so‘zlar ketma-ketligidan ko‘ra yozuvning ko‘proq suhbat tuzilmasini saqlaydi.

Intervyu, yig‘ilish yoki podkastda butun suhbatni bitta faylda saqlang, shunda qayta gapirgan so‘zlovchilar javob ichida izchil yorliqlarini saqlashi mumkin. Foydali tekshiruv artefakti — asl yozuvga bog‘langan, navbatlari alohida ko‘rsatilgan va iqtibosni tekshirish uchun vaqt belgisi mavjud transkript. Xulosa yoki amallar ro‘yxati keyingi ilova bosqichidir: og‘zaki manba taqqoslash uchun mavjud qolishi uchun uni transkriptdan ajrating.

Ishlab chiqaruvchi 60 daqiqagacha yozuvlarni qabul qiladi va uzun fayllarni MP3, Opus yoki AAC kabi siqilgan audio bilan qayta ishlashni tavsiflaydi. Qo‘llanadigan formatlar WAV, MP3, M4A yoki MP4 ichidagi AAC, FLAC, Opus yoki Vorbis’li Ogg, WebM/Matroska va MOV’ni o‘z ichiga oladi. Video faylida birinchi audio yo‘lagidan foydalanadi. AIFF, CAF, WMA, AMR, AC-3 va sarlavhasiz xom PCM qo‘llanmaydi. Har so‘rovda bitta audio fayl beriladi; natija butun yozuv transkripsiya qilingandan keyin keladi, uzun yozuv esa bir necha daqiqa olishi mumkin. Taxminan 0,08 soniyadan qisqa kliplar rad etiladi.

Ishlab chiqaruvchi javobida to‘liq matn, yozuvning soniyalardagi davomiyligi va segments massivi bor. Pro matn ichida <|speaker:0|> va <|speaker:1|> kabi yorliqlar bilan so‘zlovchi almashishini belgilaydi; yorliq keyingi belgigacha bo‘lgan matnga qo‘llanadi. Bular bitta javob ichidagi identifikatorlar, so‘rovlar orasida moslashtiriladigan tasdiqlangan nom yoki shaxslar emas. Transkriptda so‘zlovchi belgisi bo‘lmasa, qo‘llanma uni bitta so‘zlovchili natija deb ko‘radi. Birinchi belgidan oldingi matnni tashlash o‘rniga birinchi navbat bilan saqlang.

So‘z darajasidagi vaqt belgilari ixtiyoriy. Ishlab chiqaruvchi so‘rovida ignore_timestamps odatda true; false qilish text hamda soniyalarda berilgan start va end vaqtlariga ega segments’ni so‘raydi. Segment odatda bitta so‘z, xitoy va yapon tillarida esa bitta yoki bir nechta belgidir. Segment matni tinish belgilari, so‘zlovchi belgilari va hodisa belgilarini tashlaydi, aytilgan qiymatni to‘liq transkriptdan boshqacha normallashtirishi mumkin. So‘z segmentining boshlanish va tugash vaqti bir xil bo‘lishi mumkin. Bo‘sh segments massivi vaqtlar so‘ralmaganini, nutq topilmaganini yoki vaqtlar vaqtincha mavjud emasligini anglatishi mumkin. Ikkala satr belgi-belgi teng deb taxmin qilish o‘rniga, o‘qiladigan ifoda uchun to‘liq transkriptni, moslash uchun segments’ni ishlating.

diarize sozlamasi odatda auto. Vaqtlar so‘ralganda va diarize false bo‘lmaganda Pro speaker_turns’ni ham qaytaradi. Har navbat so‘zlovchi yorlig‘i, matn va boshlanish/tugash vaqtlarini saqlaydi; matn ichidagi so‘zlovchi belgisini olmasdan tinish belgilari hamda saqlangan boshqa belgilarni qoldiradi. So‘z vaqtlari mavjud bo‘lmasa, navbat vaqtlari taxminiy bo‘lib, butun yozuvni qamrashi mumkin; qo‘shni navbatlar albatta uzluksiz yoki ustma-ust tushmaydigan bo‘lishi shart emas. diarize’ni o‘chirish tuzilmali navbat ro‘yxatini olib tashlaydi, lekin to‘liq matnda so‘zlovchi belgilarini saqlaydi. Ma’lum so‘zlovchilar soni yoki minimal va maksimal son uzun yozuvni so‘zlovchilarga ajratishda imkon qadar yo‘l ko‘rsatishi mumkin. Aniq sonni son chegaralari bilan birlashtirib bo‘lmaydi; diarize o‘chirilganda son ishoralarini ishlatib bo‘lmaydi.

Hissiyot va ovoz hodisasi belgilari tanilgan nutq yonida, masalan [laughter] kabi kvadrat qavsdagi matn sifatida ko‘rinadi. Ular audiodan chiqarilgan taxminlar, transkripsiyadan oldin foydalanuvchi qo‘shishi kerak bo‘lgan so‘zlar emas. Pro’ning tag_audio_events sozlamasi odatda true; uni o‘chirish vaqtlarni o‘zgartirmasdan transkript va navbat matnidan shu belgilarni olib tashlaydi. Alohida hissiyot maydoni yoki qat’iy hissiyot qiymatlari ro‘yxati yo‘q. Gap qanday yangragani muhim bo‘lsa izohli transkriptni, keyingi artefaktga faqat aytilgan so‘zlar kerak bo‘lsa belgilarsiz versiyani saqlang.

Til avtomatik aniqlanadi. Ixtiyoriy kichik harfli ISO 639-1 ishorasi tarjimani majburlamaydi va Pro transkriptini o‘zgartirmaydi. Til aniqlanmasa, qaytgan til kodi audio bo‘yicha tasdiqlamasdan ishorani aks ettirishi mumkin. Ishlab chiqaruvchi aralash tilli yozuvdagi barcha tillar ro‘yxatini emas, bitta tilni bildiradi. Qidiriladigan arxiv tayyorlashda, ayniqsa suhbatning turli qismlari til almashtirganda, asl ifoda va til metama’lumotlarini birga saqlang.

Subtitrda har so‘z uchun bittadan subtitr yaratish o‘rniga, ketma-ket vaqti bor so‘zlarni o‘qiladigan SRT yoki WebVTT cue’lariga guruhlang. Cue’larni pauzalar atrofida ajrating va uzunligi hamda ko‘rsatish vaqtini pleyer va auditoriyaga mos tanlang. So‘zlovchi navbati chegaralari turli so‘zlovchilarni alohida cue’larda saqlashi mumkin. Bo‘sh vaqt natijasini va tugashi boshlanishidan keyin bo‘lishi kerak bo‘lgan cue’larni tekshiring. Subtitr formati, nomsiz so‘zlovchi yorliqlariga beriladigan nomlar va keyingi xulosalar transkripsiya natijasidan quriladigan ilova artefaktlaridir.

Amaliy yozuv jarayonida transkripsiyadan oldin oddiy o‘qiladigan transkript, izohli suhbat navbatlari yoki vaqti bor subtitrlar kerakligini belgilang. Audio identifikatorini natija bilan saqlang, tinish belgilari va boshqa belgilar muhim bo‘lsa qaytgan to‘liq matnni qoldiring, navigatsiya uchun tuzilmali vaqt maydonlarini ishlating. Pro’ning uzun yozuv va ko‘p so‘zlovchili imkoniyatlari umumiy qisqa yozuvli Transcribe 1 modelidan farq qiladi; chegaralari va boshqaruvlarini o‘zaro almashtiriladigan deb bilmaslik kerak.

Ailoot Ultra · Nutqni tanish POST /v1/audio/transcriptions fish-audio/transcribe-1-pro

fish-audio/transcribe-1-pro

Fish Audio /fish-audio/transcribe-1-pro

Boshlash

Qabul qilinadigan kirish ma’lumotlari: Audio
Natijalar: Matn

Ailoot da mavjud · kirish ma’lumotlari va usullar

Ailoot Ultra · Nutqni tanish POST /v1/audio/transcriptions

Kirish: audio
Chiqish: text
Chiqish formati: json

Maydon	Tur	Talab	Qiymatlar va cheklovlar	Standart
Maydon`model`	Tur`string`	TalabMajburiy	Qiymatlar va cheklovlar fish-audio/transcribe-1-pro	Standart—
Maydon`input_audio`	Tur`object`	TalabMajburiy	Qiymatlar va cheklovlar Aniq kalitlar: data, format	Standart—
Maydon`input_audio.data`	Tur`base64_string`	TalabMajburiy	Qiymatlar va cheklovlar Dekodlangan baytlarning eng ko‘p soni: 26 214 400 Qat’iy Base64: Ha	Standart—
Maydon`input_audio.format`	Tur`string`	TalabMajburiy	Qiymatlar va cheklovlar Shartlar: Fayl tekshiruvida aniqlangan haqiqiy formatga teng bo‘lishi kerak	Standart—
Maydon`response_format`	Tur`string`	TalabIxtiyoriy	Qiymatlar va cheklovlar json	Standart—

Kirish materiallari birikmalari

speech_to_text · Majburiy: input_audio.data, input_audio.format

Usul parametrlari va hayot sikli

Parametr	Parametr talablari
Parametr`content_type`	Parametr talablariapplication/json
Parametr`required`	Parametr talablarimodel, input_audio
Parametr`additional_properties`	Parametr talablarifalse
Parametr`parameters`	Parametr talablari{"name":"model","type":"string","required":true,"enum":["fish-audio/transcribe-1-pro"]}, {"name":"input_audio","type":"object","required":true,"exact_keys":["data","format"],"data":"haqiqiy qo‘llab-quvvatlanadigan audio baytlarining qat’iy base64 ko‘rinishi","format":"tekshiruvda aniqlangan aniq fayl formati; haqiqiy baytlarga mos bo‘lishi kerak"}, {"name":"response_format","type":"string","required":false,"enum":["json"]}
Parametr`max_audio_bytes`	Parametr talablari26214400
Parametr`multipart_for_this_profile`	Parametr talablarifalse
Parametr`material_types`	Parametr talablariaudio

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}

To‘liq javobni va dastlab qaytarilgan ID larni saqlang.

Natijasi noma’lum yaratish so‘rovini hech qachon qayta yubormang.

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
SozlamaKirish audiosi soniyasi	Tariflar jadvali—	Hisob birligikirish audiosining soniyasi uchun	To‘lov Kirish · Kirish audiosi soniyasi $0.0002 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.

Fish Audio: Transcribe 1 Pro

Sozlamalar bo‘yicha narxlar

Sozlama	To‘lovni hisoblash shartlari	To‘lov
SozlamaFish Audio: Transcribe 1 Pro · Standart sozlama	To‘lovni hisoblash shartlariStandart konfiguratsiya	To‘lov Kirish · Kirish audiosi soniyalari 0,0002 US$ kirish audiosining soniyasi uchun

So‘rov namunalari

Ailoot Ultra · Nutqni tanish

curl · Haqiqiy audio baytlari va tekshirib aniqlangan format

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_AUDIO_FILE:?Set your actual audio file}"
: "${AILOOT_AUDIO_FORMAT:?Set its actual probed file format}"
export AILOOT_AUDIO_FILE AILOOT_AUDIO_FORMAT
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "fish-audio/transcribe-1-pro", "response_format": "json"}')
import base64
f=Path(os.environ['AILOOT_AUDIO_FILE'])
raw=f.read_bytes()
if not raw or len(raw)>26214400:raise SystemExit('Use actual audio bytes within 25 MiB')
fmt=os.environ['AILOOT_AUDIO_FORMAT'].strip()
if not fmt:raise SystemExit('Use the actual probed format; the server checks it against the bytes')
p['input_audio']={'data':base64.b64encode(raw).decode(),'format':fmt}
Path('request.json').write_text(json.dumps(p,ensure_ascii=False))
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 result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
r=json.loads(Path('result.json').read_text())
print(json.dumps(r,ensure_ascii=False,indent=2))
print('Keep the complete JSON and response headers; do not resubmit an unknown creation.')
PY_RESULT

Natijalarni olish va saqlash

Ailoot Ultra · Nutqni tanish

json

GET /v1/media/tasks/{task_id}
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}

Barcha tayyor natijalarni saqlash

Qaytarilgan har bir to‘liq javob, fayl va kontent qismini saqlang.

To‘liq JSON, javob sarlavhalari, matn va haqiqatda qaytarilgan har bir foydalanish maydonini saqlang. Javob yoki egalik qilinadigan kutubxonadagi haqiqiy vazifa/aktiv identifikatorlaridan foydalaning; operation_id — task_id emas.

Asl javobni tekshirish kerak bo‘lsa

Ma’lumotlarni solishtirib tekshirish uchun dastlabki operation_id/X-Client-Request-ID ni saqlang va so‘rovni qayta yubormang; audio holatini davriy tekshirish uchun alohida yo‘nalish yo‘q.

Javob maydonlari

Maydon	Tur	Ma’nosi
Maydon`text`	Turstring	Ma’nosiMatnga o‘girilgan nutq.
Maydon`usage`	Turobject	Ma’nosiAudiodan foydalanish.
Maydon`usage.seconds`	Turnumber	Ma’nosiAudioning soniyalardagi davomiyligi.
Maydon`duration`	Turnumber	Ma’nosiAudioning soniyalardagi davomiyligi.
Maydon`task_id`	Turstring	Ma’nosiTranskript vazifasi ID si; bo‘sh bo‘lmagan transkript saqlanib, e’lon qilinib, unga imzolangan mazmun URL i biriktirilganda asset_url bilan qaytariladi.
Maydon`asset_url`	Turstring	Ma’nosiImzolangan transkript mazmuni URL i; bo‘sh bo‘lmagan transkript saqlanib, e’lon qilinib, unga imzolangan mazmun URL i biriktirilganda task_id bilan qaytariladi.

Xatolar va keyingi qadamlar

Javob	Shart	Keyingi qadam
Javob400 · `invalid_request_error`	ShartMajburiy maydonlar, material ifodasi yoki parametr qiymati noto‘g‘ri	Keyingi qadamYangi yaratish so‘rovidan oldin ko‘rsatilgan maydonlarni tuzating.
Javob`server_error`	ShartQaytarilgan javob operatsiya yoki natijani tekshirish kerakligini bildiradi	Keyingi qadamDastlab qaytarilgan operatsiya/vazifa ID sini, so‘rov sarlavhalarini va javobni saqlang; aynan shu operatsiya uchun qo‘llab-quvvatlanadigan o‘qish so‘rovlarini davom ettiring. Yaratish so‘rovini qayta yubormang.

Taxalluslar

Model taxalluslari

Ailoot Ultra fish-audio/transcribe-1-pro

Usul yo‘llari taxalluslari

Yuqorida ko‘rsatilgan usul yo‘llaridan foydalaning.

Chaqirish uchun tegishli ID lar

fish-audio/transcribe-1-pro

FAQ · Fish Audio: Transcribe 1 Pro

Qanday kirish ma’lumotlari va natijalar mavjud?: POST /v1/audio/transcriptions · fish-audio/transcribe-1-pro: audio → text
So‘rov qaysi maydonlardan foydalanadi?: POST /v1/audio/transcriptions · fish-audio/transcribe-1-pro: model, input_audio, response_format

Fish Audio: Transcribe 1 Pro