gpt-4o-transcribe-diarize

GPT-4o Transcribe Diarize yozib olingan nutqni so‘zlovchi yorliqlari va vaqt ko‘rsatkichlari bilan segmentlarga ajratilgan matnga aylantiradi. U kim qachon gapirganini ko‘rsatadigan transkript kerak bo‘lgan yig‘ilishlar, intervyular va ko‘p kishili yozuvlar uchun mos; ma’lum so‘zlovchilar uchun qisqa ovoz namunalari ham berilishi mumkin.

Ailoot Ultra · Nutqni tanish POST /v1/audio/transcriptions openai/gpt-4o-transcribe-diarize

Model haqida

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

GPT-4o Transcribe Diarize — OpenAI kompaniyasining so‘zlovchilarni ajratish imkoniyati ichki tarzda mavjud bo‘lgan avtomatik nutqni tanish modeli. U suhbatdagi transkripsiya qilingan audio segmentlarini turli so‘zlovchilar bilan bog‘laydi. Foydali natija — faqat uzluksiz so‘zlar bloki emas, so‘zlovchi va vaqt bo‘yicha tartiblangan transkript. U yig‘ilish, intervyu yoki ko‘p kishili muhokama kabi so‘zlovchi yorliqlari kerak bo‘lgan yozib olingan nutq uchun mo‘ljallangan.

Tugallangan yozuvni tayyorlang

Transkripsiya qilinishi kerak bo‘lgan yozuvni bering. Hujjatlashtirilgan fayl jarayoni MP3, MP4, MPEG, MPGA, M4A, WAV va WebM ni qabul qiladi; fayl hajmi 25 MB bilan cheklangan. So‘zlovchining gapirish navbati, ism yoki noaniq iborani haqiqiy audio bilan tekshirish uchun manba yozuvni saqlang.

Yig‘ilishda gapirish navbatlarini ajratishga yordam beradigan qisqa pauzalarni kesib tashlamasdan, suhbat ketma-ketligini saqlang. Intervyuda vazifa savol va javob o‘rtasidagi bog‘lanishni talab qilsa, ularni birga qoldiring. Audioni tayyorlash nutqni eshitiladigan qilishi, lekin so‘zlovchilar belgilangan natija uchun muhim ma’lumotlarni olib tashlamasligi kerak.

Bu fayldan transkripsiya qilish jarayonidir. Tugallangan yozuvni qayta ishlash va hali kelayotgan audio oqimini tanish turli vazifalar; modelning so‘zlovchini belgilash imkoniyati Realtime transkripsiya sessiyalarida qo‘llanmaydi.

So‘zlovchilar belgilangan transkriptni so‘rang

diarized_json natija formati so‘zlovchini belgilovchi yorliqlar hamda boshlanish va tugash vaqti mavjud segmentlarni qaytaradi. Har bir segmentda uning transkripsiya qilingan matni ham bor. So‘zlarni yozuvning tegishli qismi bilan bog‘lash uchun bu maydonlarni birga saqlang.

Foydali yig‘ilish transkriptida segmentlar ketma-ketligini saqlang va har bir so‘zlovchining gaplarini vaqti bilan ko‘rsating. Keyingi vazifa shu transkript asosida bayonnoma yoki bajariladigan ishlar ro‘yxatini tayyorlashi mumkin, ammo so‘zlovchilarni ajratishning o‘zi yig‘ilishda nima kelishilganini hal qilmaydi va tekshirilgan qisqacha bayon yaratmaydi.

So‘zlovchi yorliqlari modelning nutqni guruhlashini ifodalaydi. Odamlar bir-birining gapini bo‘lganda, qisqa gapirganda yoki bir vaqtda gapirganda o‘tishlarni tekshiring. Yaxshi tuzilgan natija yozuv bo‘ylab yurish va tekshirishga yordam beradi, ammo muayyan gapni bir so‘zlovchiga nisbat berishni baribir asl audioni tinglab tekshirish kerak bo‘lishi mumkin.

Ma’lum so‘zlovchilar uchun ovoz namunalari

Hujjatlashtirilgan jarayon nomi ko‘rsatilgan to‘rttagacha so‘zlovchi namunasini qabul qilishi mumkin. Har bir namuna asosiy yuklashda qo‘llanadigan formatdagi 2–10 soniyalik qisqa audio parchadir. Segmentlarni ma’lum so‘zlovchilar bilan bog‘lash uchun ismlar va namunalar birga beriladi.

Kerakli so‘zlovchi aniq eshitiladigan namunani tayyorlang va uning ismini transkriptdagi mo‘ljallangan yorliqlar bilan izchil qo‘llang. Intervyuda boshlovchining namunasi barcha ishtirokchilarni anonim yorliqqa aylantirmasdan, so‘zlovchilar belgilangan natijani tartibga solishga yordam berishi mumkin. Namuna gapni so‘zlovchiga nisbat berish uchun kirish ma’lumotidir; u umumiy ovoz klonlash operatsiyasi yoki shaxs kimligining isboti emas.

So‘zlovchini nomlashni aytilgan so‘zlarni tahrirlash bilan aralashtirmang. Foydali chiqish yozuv mazmunini va haqiqiy gapirish navbatlari tartibini saqlashi kerak.

Bo‘laklash va model chegaralari

30 soniyadan uzun audio uchun ishlab chiqaruvchi bo‘laklash strategiyasini talab qiladi: avtomatik bo‘laklash yoki ovoz faolligini aniqlash konfiguratsiyasi. Bu talab yozuvning eng katta davomiyligi emas. U uzunroq kirish ma’lumoti qayta ishlash uchun qanday bo‘linishini ifodalaydi.

Model kartasida 16,000 tokenli kontekst oynasi va ko‘pi bilan 2,000 chiqish tokeni ko‘rsatilgan. Bular fayl jarayonidagi 25 MB yuklash chegarasi va bo‘laklash chegaraviy nuqtasidan alohida model token limitlaridir. Ularni har bir yozuvga birdek qo‘llanadigan, o‘ylab topilgan daqiqalar soniga aylantirmaslik kerak.

Uzunroq transkriptni yig‘ish yoki tekshirishda vaqt ko‘rsatkichlari va segment identifikatsiyasini saqlang. Yozuv yuborilishidan oldin bo‘lingan bo‘lsa, mahalliy vaqt belgisi butun suhbatdagi o‘rni bilan chalkashmasligi uchun har bir qismning asl audio bilan bog‘lanishini saqlang.

Yakunlangan segmentlarni oqimli uzatish

Fayldan transkripsiya qilish jarayoni yozuv qayta ishlanayotganda matnni oqimli uzatishi mumkin. So‘zlovchilar belgilangan oqimda yakunlangan segmentlar segment hodisalarini hosil qiladi. Matnning qo‘shimcha qismlarida segment identifikatori bo‘ladi, ammo qisman tayyor so‘zlovchi tayinlovlari bo‘lmaydi; so‘zlovchi segment yakunlanganda tayinlanadi.

Bu farq natijani ko‘rsatishda muhim. Model segmentni tugatmasidan oldin noaniq so‘zlovchi yorlig‘ini biriktirmasdan, dastlabki matn va yakunlangan so‘zlovchi navbatini turli holatlar sifatida ko‘rsating. Transkript keyingi tahrir yoki tahlil uchun kerak bo‘lsa, tugallangan natijani saqlang.

Model va chiqish chegaralari

Bu profil so‘zlovchilarni ajratish modeli bo‘lib, odatiy GPT-4o transkripsiyasi, Mini transkripsiyasi, nutq sintezi va jonli suhbat modellaridan farq qiladi. U transkripsiya promptlarini qo‘llamaydi; terminlarni ko‘rib chiqish yoki tuzatishni asl audio bilan tekshiriladigan alohida bosqich sifatida bajaring. Ishlab chiqaruvchi interfeysi yozib olingan audioni matnga transkripsiya qiladi. U audio javob yaratmaydi va yozuvni alohida audio tarjima jarayoni orqali tarjima qilmaydi.

Modeldan mazmun ham, so‘zlovchilar tuzilishi ham kerak bo‘lgan transkriptlar uchun foydalaning. Ismlar, texnik terminlar, sonlar, gapirish navbatlari chegaralari va so‘zlovchiga nisbat berishlarni yozuv bilan tekshiring. Tuzatish bitta aniq ibora yoki so‘zlovchi tayinloviga qaratilishi uchun audio, tanlangan natija formati, namunalar va tugallangan transkriptni saqlang.

Ailoot Ultra · Nutqni tanish POST /v1/audio/transcriptions openai/gpt-4o-transcribe-diarize

openai/gpt-4o-transcribe-diarize

OpenAI /openai/gpt-4o-transcribe-diarize

Boshlash

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
Maydon`model`	Tur`string`	TalabMajburiy	Qiymatlar va cheklovlar openai/gpt-4o-transcribe-diarize	Standart—
Maydon`file`	Tur`file`	TalabMajburiy	Qiymatlar va cheklovlar Baytlarning eng ko‘p soni: 26 214 400 MIME turlari: audio/mpeg Fayl kengaytmasi: .mp3 Eng ko‘p davomiylik, soniya: 30	Standart—
Maydon`response_format`	Tur`string`	TalabMajburiy	Qiymatlar va cheklovlar diarized_json	Standart—

Kirish materiallari birikmalari

diarized_transcription

Usul parametrlari va hayot sikli

Parametr	Parametr talablari
Parametr`content_type`	Parametr talablarimultipart/form-data
Parametr`required`	Parametr talablarimodel, file, response_format
Parametr`file_formats`	Parametr talablarimp3
Parametr`max_audio_seconds`	Parametr talablari30
Parametr`max_bytes`	Parametr talablari26214400
Parametr`response_format`	Parametr talablaridiarized_json
Parametr`other_options`	Parametr talablarifalse
Parametr`material_types`	Parametr talablariaudio
Parametr`additional_properties`	Parametr talablarifalse
Parametr`form_string_maximum_bytes`	Parametr talablari256

Usul taxalluslari: /audio/transcriptions

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}

Haqiqiy yozuv va mos formatdan foydalaning.

To‘liq transkriptni, segmentlarni, so‘zlovchi ID larini va vaqt ma’lumotini 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 birligi/ 1K audio token	To‘lov Kirish · Kirish audiosi tokeni $0.012 / 1K audio token
SozlamaUltra	Tariflar jadvali—	Hisob birligi/ 1K audio token	To‘lov Chiqish · Chiqish audiosi tokeni $0.02 / 1K audio token

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 · Nutqni tanish

curl · Saqlangan yaratish so‘rovining aynan o‘zi

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_AUDIO_FILE:?Set the path to your actual MP3 recording}"
export AILOOT_AUDIO_FILE
python3 - <<'PY_REQUEST'
import os
from pathlib import Path
p=Path(os.environ["AILOOT_AUDIO_FILE"])
if not p.is_file() or p.suffix.lower()!=".mp3":raise SystemExit("Choose an existing MP3 recording")
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \
  -H "Authorization: Bearer $AILOOT_API_KEY" \
  --form-string model=openai/gpt-4o-transcribe-diarize -F "file=@$AILOOT_AUDIO_FILE" --form-string response_format=diarized_json \
  -D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
print(json.dumps(json.loads(Path("result.json").read_text())))
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}

Boshqa kontentni o‘qish

O‘zingizga tegishli har bir qaytarilgan transkriptni saqlashMedia kutubxonasiVazifa holatiMaterial tafsilotlari

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
export AILOOT_API_KEY
python3 - <<'PY_ASSETS'
import json,os,subprocess
from pathlib import Path
from urllib.parse import urljoin,urlsplit
r=json.loads(Path('result.json').read_text())
urls=[]
if isinstance(r.get('asset_url'),str) and r['asset_url']:urls.append(('transcript',r['asset_url']))
for label,path in urls:
    u=urljoin('https://api.ailoot.ai',path);z=urlsplit(u)
    if z.scheme!='https' or z.netloc!='api.ailoot.ai' or z.username or z.password:raise SystemExit('Use the actual returned Ailoot owned content URL')
    target=Path('owned-'+label+'.bin')
    subprocess.run(['curl','--fail-with-body','--silent','--show-error',u,'-H','Authorization: Bearer '+os.environ['AILOOT_API_KEY'],'-D',str(target)+'.headers','-o',str(target)],check=True)
print('All returned owned URLs saved; complete metadata, timing and usage remain in the JSON.')
PY_ASSETS

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \
  -H "Authorization: Bearer $AILOOT_API_KEY" -o media-assets.json

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_MEDIA_TASK_ID:?Set the actual ID returned by the response or media-library metadata}"
export AILOOT_MEDIA_TASK_ID
resource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_MEDIA_TASK_ID"],safe=""))')
curl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/tasks/$resource_id" \
  -H "Authorization: Bearer $AILOOT_API_KEY" -o media-task.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
print(json.dumps(json.loads(Path("media-task.json").read_text())))
PY_RESULT

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_ASSET_ID:?Set the actual ID returned by the response or media-library metadata}"
export AILOOT_ASSET_ID
resource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_ASSET_ID"],safe=""))')
curl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/assets/$resource_id" \
  -H "Authorization: Bearer $AILOOT_API_KEY" -o media-asset.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
print(json.dumps(json.loads(Path("media-asset.json").read_text())))
PY_RESULT

Barcha tayyor natijalarni saqlash

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

Faqat matnni emas, to‘liq JSON ni saqlang; mavjud har bir segment/so‘zlovchi/vaqt belgisini va haqiqiy vazifa/aktiv identifikatorini saqlang.

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
Maydon`text`	Turstring
Maydon`segments[]`	Turobject
Maydon`task_id`	Turstring
Maydon`asset_url`	Turstring
Maydon`usage`	Turobject
Maydon`segments[].speaker`	Turstring
Maydon`segments[].start`	Turnumber
Maydon`segments[].end`	Turnumber

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 openai/gpt-4o-transcribe-diarize

Usul yo‘llari taxalluslari

/audio/transcriptions

Chaqirish uchun tegishli ID lar

openai/gpt-4o-transcribe-diarize

FAQ · gpt-4o-transcribe-diarize

Qanday kirish ma’lumotlari va natijalar mavjud?: POST /v1/audio/transcriptions · openai/gpt-4o-transcribe-diarize: audio → transcription
So‘rov qaysi maydonlardan foydalanadi?: POST /v1/audio/transcriptions · openai/gpt-4o-transcribe-diarize: model, file, response_format

gpt-4o-transcribe-diarize