Meta: Muse Voice Transcribe 1.0

Muse Voice Transcribe 1.0 — Meta’ning diktovka, aniqlangan nutq navbatlari va so‘zlovchilar ajratilgan transkriptlar uchun mo‘ljallangan nutqni matnga aylantirish modeli. U til va lug‘at bo‘yicha ko‘rsatmalar, tillarni almashtirib gapirish hamda nutq navbati darajasidagi vaqt ma’lumotlarini qo‘llab-quvvatlaydi; tayyor audio lavha va jonli audio uchun alohida ish jarayonlari mavjud.

Ailoot Ultra · Transkripsiya POST /v1/audio/transcriptions meta/muse-voice-transcribe-1.0

Model haqida

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

Muse Voice Transcribe 1.0 — Meta’ning nutqni matnga ko‘chirish, nutq bo‘laklari chegaralarini aniqlash va nutq navbatlarini so‘zlovchilarga bog‘lash uchun mo‘ljallangan audioni idrok etish modeli. U Muse Spark modellar oilasiga kiradi va modelning o‘zida nutqni tanish, so‘zlovchilarni ajratish hamda nutq yakunini aniqlashni birlashtiradi. Natija — tanlangan rejimda mavjud vaqt va so‘zlovchi ma’lumotlari bilan birga qaytariladigan tanilgan matn.

Model audioni 80 millisekundlik bo‘laklarda qayta ishlab, tinglashni davom ettirish yoki matn chiqarish kerakligini hal qiladi. Moslashuvchan kechikish so‘zni aniqlash qiyinroq bo‘lganida qo‘shimcha audioni kutishga imkon beradi. Shu tariqa nutq kelib turgan vaqtda oraliq matn, keyin esa tugallangan transkripsiya natijalari hosil bo‘ladi. Oraliq taxmin va tugallangan nutq navbatini tinglash jarayonining turli bosqichlari sifatida ko‘ring.

Uch rejimdan birini tanlang. Push-to-talk — ovozli so‘rov yoki qisqa diktovka parchasi kabi bitta boshqariladigan nutq bo‘lagi uchun standart rejim. Endpointing modelga nutq navbatlari chegaralarini aniqlash va aniqlangan har bir segment uchun bitta tugallangan transkript qaytarish imkonini beradi. Diarization tanilgan nutqni so‘zlovchi yorliqlariga bog‘laydi; u ovozli buyruqlarda navbatlarni eng tez almashishga emas, bir nechta so‘zlovchi qatnashgan yozuvlarga mo‘ljallangan.

Tayyor audio lavha uchun faylni transkripsiya qilish jarayoni bitta so‘rovda to‘liq transkript qaytaradi. Standart natija transkript va audio davomiyligini o‘z ichiga olgan JSON bo‘lib, endpointing va diarization rejimlarida turns massivi ham mavjud. Har bir nutq navbati identifikator, millisekundlarda boshlanish va tugash vaqti hamda tanilgan matnni o‘z ichiga olishi mumkin. So‘zlovchi yorliqlari diarization rejimida beriladi. Push-to-talk to‘liq transkriptni qaytaradi, ammo o‘sha massivda aniqlangan nutq navbatlari bo‘lmaydi. Ishlab chiqaruvchining yozib olingan fayllar interfeysi oddiy matn yoki transkripsiya hodisalari oqimini ham qaytarishi mumkin. Oddiy matnda aniqlangan navbatlar alohida satrlarda saqlanadi va so‘zlovchi yorliqlari ham bo‘lishi mumkin; hodisalar oqimi oxirgi hodisasidan keyin tugaydi va alohida JSON xulosasi berilmaydi. Uning delta oraliq rejimi matnni bosqichma-bosqich qaytaradi, yakuniy transkript hodisasi esa to‘liq matnni o‘z ichiga oladi.

16 yoki 24 kHz chastotada diskretlangan, bir kanalli, 16 bitli butun sonli PCM audioni o‘z ichiga olgan RIFF/WAVE faylini tayyorlang. Modelning asl chastotasi 24 kHz, interfeys esa 16 kHz ni ham qabul qiladi. Yozuvni yuborishdan oldin boshqa konteynerlar yoki kodlash turlarini qo‘llab-quvvatlanadigan shu WAV shakliga aylantiring. Fayl transkripsiyasi profili 10 daqiqagacha audioni va jami 32 MB gacha so‘rov tanasini qabul qiladi. Keyinchalik tinglab tekshirish uchun asl yozuvni va bajarilgan konvertatsiyani qaytgan transkript bilan bog‘langan holda saqlang.

Jonli audio jarayoni 16 yoki 24 kHz chastotali, taxminan real vaqt tezligida uzatiladigan, ishorali 16 bitli little-endian bir kanalli xom PCM dan foydalanadi. Uning hujjatlashtirilgan sessiya muddati 60 daqiqa. Meta bir soatdan ortiq davom etadigan asl audio kirishini tasvirlaydi; hujjatlarda ko‘rsatilgan fayl va jonli sessiya chegaralari esa alohida interfeys chegaralari bo‘lib qoladi. Audio allaqachon to‘liq yozilganmi yoki hali yozib olinayotganiga qarab fayl yoki jonli jarayonni tanlang; turli sessiyalar natijalarini o‘z kirish segmentlari bilan bog‘lab saqlang.

Muse Voice Transcribe 70 dan ortiq tilda o‘qitilgan, hujjatlashtirilgan nutqni tanish interfeysida esa 25 ta qo‘llab-quvvatlanadigan til sanab o‘tilgan. Ular qatoriga ingliz, fransuz, nemis, ispan, arab, mandarin xitoy, hind, yapon, koreys, italyan va portugal tillari kiradi. U bir gap ichida yoki gaplar orasida til almashishini taniydi. Til bo‘yicha ko‘rsatmada audioda kutilayotgan tillarni sanash mumkin, biroq bu ko‘rsatma tanishni yo‘naltiradi, transkriptni bitta tilga majburan o‘tkazmaydi.

Lug‘at bo‘yicha ko‘rsatmalar yozuvda muhim bo‘lgan mahsulot atamalari, qisqartmalar, ismlar yoki joy nomlarini tanishda yordam beradi. Eshitilishi kutilayotgan haqiqiy so‘zlarni va ularning yozilishini bering. Kalit so‘zlar ro‘yxati tanishni shu so‘zlar tomon yo‘naltiradi, ammo aynan shu imloni kafolatlamaydi; shu sababli hal qiluvchi atamalarni audio bilan solishtirib tekshiring. Til ko‘rsatmalari va kalit so‘zlar transkripsiya boshida tanlanadi; sessiya davomida ularning ma’nosini o‘zgartirish o‘rniga, ularni aynan shu yozuvga mos saqlang.

Model 20 dan ortiq so‘zlovchi qatnashgan suhbatlarda diarization ni qo‘llab-quvvatlaydi. A va B kabi yorliqlar bitta transkripsiya ichidagi so‘zlovchilarni ajratadi. Ular tasdiqlangan ismlar emas va boshqa sessiyada shu yorliq aynan o‘sha odamni anglatishini isbotlamaydi. Dastlabki uchrashuv tahlili uchun so‘zlovchilarga bog‘langan nutq navbatlarini so‘rang, yozuvni saqlang va atrofdagi ish jarayoni orqali haqiqiy ishtirokchi ismlarini biriktirishdan oldin muhokamani shu yorliqlar yordamida tartiblang.

Jonli oraliq transkriptlar yangi nutq kelishi bilan o‘zgarishi mumkin. Cumulative rejimida har bir oraliq natija oldingi taxminning yana bir nusxasini qo‘shish o‘rniga uni almashtiradi. Aniqlangan nutq yakuni chegarani belgilaydi, tugallangan nutq navbati natijasi esa yakuniy matnni beradi va oxirgi oraliq matndan farq qilishi mumkin. Ustma-ust kelgan nutq navbatlarini o‘z identifikatorlariga bog‘lab saqlang va transkriptni tugallangan deb hisoblashdan oldin tugallangan natijalarni qabul qilib oling. Jonli kirish tugaganda kirish yakuni haqida signal bering va ishlab chiqaruvchi kutilayotgan natijalarni chiqarishni tugatguncha qabul qilishni davom ettiring. Ulanishni darhol yopish bu natijalarning yo‘qolishiga olib kelishi mumkin; aniqlangan nutq chegarasi butun sessiyani emas, bitta nutq navbatini tugatadi.

Vaqt ma’lumotlari nutq navbati darajasida beriladi. Bu profil so‘z darajasidagi vaqt belgilarini yoki ishonch ballarini taqdim etmaydi; audioni qayta ishlashdagi taraqqiyot esa muayyan so‘zning vaqt belgisi emas. Tovush hodisalarini aniqlash, hissiyotlarni aniqlash va transkriptni qayta formatlash ham hujjatlashtirilgan chiqish profiliga kirmaydi. So‘zlovchi vaqt jadvali yoki segmentlar bo‘yicha tekshiruv uchun qaytgan nutq navbati oraliqlaridan foydalaning; keyingi alohida tahrirlash bosqichi matndan tartibliroq qaydlar tuzsa, tanilgan so‘zlarni ham saqlab qoling.

Foydali natijalar qatoriga tugallangan diktovka parchasi, ovozli so‘rov transkripti, so‘zlovchilari ajratilgan suhbat yoki nutq bo‘laklari vaqt jadvali kiradi. Ismlar, sonlar va texnik atamalarni asl yozuv bilan solishtiring, rejim va vaqt bog‘lanishlarini saqlang hamda to‘liq nutq navbatlarini tekshirish uchun ochiq qoldiring. Transkripsiya audiodan nimalar tanilganini ko‘rsatadi; og‘zaki savolga javob berish, uni tarjima qilish yoki uchrashuv qaydlariga aylantirish esa ilovaning keyingi bosqichiga tegishli.

Ailoot Ultra · Transkripsiya POST /v1/audio/transcriptions meta/muse-voice-transcribe-1.0

meta/muse-voice-transcribe-1.0

Meta /meta/muse-voice-transcribe-1.0

Boshlash

Qabul qilinadigan kirish ma’lumotlari: Audio
Natijalar: Matn

Ailoot da mavjud · kirish ma’lumotlari va usullar

Ailoot Ultra · Transkripsiya POST /v1/audio/transcriptions

Kirish: audio
Chiqish: text

Maydon	Tur	Talab	Qiymatlar va cheklovlar	Standart
Maydon`model`	Tur`string`	TalabMajburiy	Qiymatlar va cheklovlar meta/muse-voice-transcribe-1.0	Standart—
Maydon`input_audio`	Tur`object`	TalabMajburiy	Qiymatlar va cheklovlar	Standart—

Usul parametrlari va hayot sikli

Parametr	Parametr talablari
Parametr`content_type`	Parametr talablariapplication/json
Parametr`required`	Parametr talablarimodel, input_audio
Parametr`material_types`	Parametr talablariaudio
Parametr`material_conditions`	Parametr talablariMisol haqiqiy, bo‘sh bo‘lmagan PCM WAV faylingizni o‘qiydi, faylning barcha baytlarini base64 ko‘rinishida kodlaydi va input_audio.format qiymatini wav qilib yuboradi.

Hayot sikli: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · mavjud, egalik qilinadigan media yozuvidan aniq task_id

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

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

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 $0.0001 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 →

So‘rov namunalari

Ailoot Ultra · Transkripsiya

curl · Haqiqiy WAV fayli va to‘liq asl natija

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_AUDIO_FILE:?Set the path to your actual PCM WAV recording}"
export AILOOT_AUDIO_FILE
python3 - <<'PY_REQUEST'
import base64, io, json, os, wave
from pathlib import Path
audio = Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()
if not (audio[:4] == b'RIFF' and audio[8:12] == b'WAVE'):
    raise SystemExit('Supply your actual PCM WAV audio file')
with wave.open(io.BytesIO(audio), 'rb') as recording:
    if recording.getcomptype() != 'NONE' or recording.getnframes() <= 0:
        raise SystemExit('Supply a nonempty PCM WAV recording')
request = {'model': 'meta/muse-voice-transcribe-1.0', 'input_audio': {'data': base64.b64encode(audio).decode('ascii'), 'format': 'wav'}}
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
# Retain the complete original response, headers and actual X-Client-Request-ID.
# Read existing owned records for recovery; do not resubmit an uncertain operation.

Natijalarni olish va saqlash

Ailoot Ultra · Transkripsiya

To‘liq dastlabki javob tanasi, holat va uzatilgan sarlavhalar. Bu ishlovchi universal JSON tuzilmasi, matn maydoni yoki vazifa o‘rovini qo‘shmaydi.

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 javob va sarlavhalarni, amalda qaytarilgan barcha natijalarni, dastlab qaytarilgan identifikatorlarni hamda barcha usage maydonlarini saqlang. Yaratish so‘rovini qayta yubormasdan dastlabki operatsiyani tiklang.

Asl javobni tekshirish kerak bo‘lsa

Haqiqiy X-Client-Request-ID va to‘liq javobni saqlang. Egalik qilinadigan dastlabki aktivlar va ularning aniq imzolangan mazmun URL larini o‘qing; natijasi noaniq yaratishni hech qachon qayta yubormang.

Javob maydonlari

Maydon	Tur
Maydon`text (when present)`	Tur
Maydon`usage (when present)`	Tur

Xatolar va keyingi qadamlar

Javob	Shart	Keyingi qadam
Javob400 · `invalid_request_error`	ShartJSON tanasi yoki ochiq ko‘rsatilgan kanonik model ID si yaroqsiz.	Keyingi qadamJavobni saqlang va ko‘rsatilgan so‘rov maydonini tuzating.
Javob401 · `authentication_error`	ShartAiloot API kaliti yaroqsiz.	Keyingi qadamRuxsat berilgan Ailoot API kalitingizdan foydalaning.
Javob403 · `permission_error`	ShartKalit guruhi bu usulga ruxsat bermaydi.	Keyingi qadamQaytarilgan xato tafsilotlarini saqlang.
Javob404 · `not_found_error`	ShartTanlangan usul uchun ruxsat etilgan yo‘nalish yo‘q.	Keyingi qadamQaytarilgan xato tafsilotlarini saqlang.
Javob422 · `price_unavailable`	ShartQabul qilingan tarif zarur kirish miqdorini yoki chegarasini aniqlay olmaydi.	Keyingi qadamJavobni saqlang; qabul qilingan tarif talab qiladigan kirish ko‘rinishidan foydalaning.
Javob503 ·	ShartZarur saqlov, yo‘nalish, usul narxi yoki mablag‘ni band qilish imkoniyati mavjud emas.	Keyingi qadamTo‘liq dastlabki javobni saqlang. Noaniq mablag‘ band qilish qayta yuborishga ruxsat bermaydi.
Javob502 · `server_error`	ShartDastlabki natija, foydalanish ma’lumoti yoki hisob-kitobni tekshirish talab qilinadi.	Keyingi qadamHaqiqiy so‘rov ID si va dastlabki javobni saqlang. Mavjud, egalik qilinadigan yozuvni o‘qing; yaratishni qayta yubormang.

Taxalluslar

Model taxalluslari

Ailoot Ultra meta/muse-voice-transcribe-1.0

Usul yo‘llari taxalluslari

Yuqorida ko‘rsatilgan usul yo‘llaridan foydalaning.

Chaqirish uchun tegishli ID lar

meta/muse-voice-transcribe-1.0

FAQ · Meta: Muse Voice Transcribe 1.0

Qanday kirish ma’lumotlari va natijalar mavjud?: POST /v1/audio/transcriptions · meta/muse-voice-transcribe-1.0: audio → text
So‘rov qaysi maydonlardan foydalanadi?: POST /v1/audio/transcriptions · meta/muse-voice-transcribe-1.0: model, input_audio

Meta: Muse Voice Transcribe 1.0