OpenAI: Whisper Large V3 Turbo

Whisper large-v3-turbo — OpenAI kompaniyasining large-v3 dan olingan, to‘rtta dekoder qatlami va 809 million parametrga ega, vaznlari ochiq tezkorroq transkripsiya nashri. U ko‘p tilli nutqni matnga aylantirishga yo‘naltirilgan; ishlab chiqaruvchining rasmiy hujjatlari nutqni ingliz tiliga tarjima qilishni Turbo o‘qitilgan vazifadan chiqaradi.

Ailoot Ultra · Transkripsiya POST /v1/audio/transcriptions openai/whisper-large-v3-turbo

Model haqida

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

Whisper large-v3-turbo, Turbo deb ham ataladi, OpenAI kompaniyasining Whisper large-v3 dan olingan optimallashtirilgan transkripsiya modeli. Uning dekoderi 32 qatlamdan to‘rttaga kamaytirilgan, enkoder esa 32 qatlamligicha qolgan. E’lon qilingan model taxminan 809 million parametrga ega. Ishlab chiqaruvchining maqsadi boshqa audio yaratish rejimi emas, aniqlikdagi kichik murosa bilan tezroq nutqni tanishdir. Yozib olingan nutq kirish, tanilgan matn esa natijadir.

Reliz e’loni Turbo tayyorlanishini alohida distillatsiya qilingan Whisper modelidan ajratadi: Turbo tarjima ma’lumotlarini qo‘shmasdan, ko‘p tilli transkripsiya ma’lumotlarida qo‘shimcha ikki epoxa davomida nozik sozlangan. Bu farq amaliy jihatdan muhim. OpenAI repozitoriysi Turbo inglizcha bo‘lmagan nutqni ingliz tiliga tarjima qilish uchun o‘qitilmaganini va tarjima vazifasi so‘ralganda ham asl tilni qaytarishi mumkinligini aytadi. Bu nashrdan o‘sha tildagi transkript uchun foydalaning; tarjima talabi boshqa mos modelga yoki transkripsiyadan keyingi alohida bosqichga tegishli.

Manba tilini aniqlash va tilni aniq tanlash foydali transkripsiya variantlari bo‘lib qoladi. Yozuv tili allaqachon ma’lum bo‘lsa, topshiriqda ayting; aks holda hujjatlashtirilgan ish jarayoni uni aniqlashi mumkin. Tahririy tozalashni so‘rashdan oldin ismlar, miqdorlar va aytilgan so‘zlarni saqlang. Keyingi amalda uchrashuv qaydi, intervyu transkripti yoki ma’ruza matnidan qidirish, unga izoh qo‘shish yoki uni umumlashtirish mumkin. Turbo ning nutqni tanish vazifasini ovoz sintezi, ovozga taqlid yoki yozuvdagi odamlar haqidagi semantik baho bilan adashtirmaslik kerak.

OpenAI ning audio o‘qish vositasi kirish fayllarini 16 kHz chastotali mono namunalarga dekodlaydi, model esa 128 ta Mel chastota oralig‘i bilan 30 soniyali akustik oynadan foydalanadi. Uzunroq yozuvlar uzun audio uchun inferensiyani talab qiladi. Ketma-ket qayta ishlash oynalar bo‘ylab tartib bilan yuradi; qismlarga bo‘lingan yondashuv ustma-ust keladigan parchalarni transkripsiya qilib, chegaralarini birlashtiradi. Model kartasi bitta uzun faylni qayta ishlashda natijani tez olish asosiy ustuvorlik bo‘lsa, ikkinchi usulni foydali deb taqdim etadi; ketma-ket ishlash esa aniqlikka yo‘naltirilgan muqobildir. Oyna ham, model nomi ham hostingga yuklash uchun o‘zgarmas eng katta fayl hajmini belgilamaydi.

Aniq Turbo konfiguratsiyasi bitta dekodlash ketma-ketligi uchun 448 dekoder pozitsiyasini ko‘rsatadi. Hujjatlashtirilgan inferensiya ish jarayoni transkript bilan birga segment yoki so‘z vaqtlarini ham berishi mumkin; vaqt belgilari navigatsiya va keyingi subtitr formatlashga yordam beradi. Bu avtomatik ravishda subtitr fayli formatini yoki ishonchli so‘zlovchi belgilarini qo‘shmaydi. Oddiy transkript yoki vaqtli segmentlar kerakligini ayting va bahsli parchalarni tekshirish uchun asl yozuvni saqlang. Uzun yozuvlarni qayta ishlash va yakuniy formatlash model nusxasi identifikatsiyasidan alohida.

Turbo dekodlash ishini kamaytiradi, lekin haqiqiy vaqt uskuna, yozuv uzunligi, til, gapirish sur’ati va inferensiya tanlovlariga bog‘liq. Ishlab chiqaruvchi hamma joyda bir xil xatti-harakat emas, ayrim tillar, jumladan tay va kanton tillarida sifat ko‘proq pasayishini qayd etadi. Tezlikka yo‘naltirilgan murosani barcha materialga mos deb qabul qilishdan oldin kerakli tildagi namunaviy parchani taqqoslang. Arxivni qayta ishlash vazifasida tekshirish namunasiga faqat toza boshlang‘ich gapni emas, murakkab lug‘at, pauzalar va shovqinli yoki ustma-ust nutqli parchalarni ham kiriting.

E’lon qilingan karta Whisper ning muhim tanish cheklovlarini saqlaydi: taxmin qilingan matnda aytilmagan so‘zlar bo‘lishi va takroriy matn paydo bo‘lishi mumkin. Natijalar tillar, talaffuzlar va lahjalar bo‘yicha farq qiladi, ayniqsa o‘qitish qamrovi kam joylarda. Karta bazaviy modeldagi so‘zlovchilarni vaqt bo‘yicha ajratish yoki ularni tasniflashni ishonchli standart imkoniyatlar deb tasdiqlamaydi. Amaliy tekshiruv manbaga sodiqlikka qaratiladi: muhim ismlar va sonlar, tushib qolgan nutq, jimlikdagi kutilmagan matn va takrorlar. O‘qiladigan transkript aniq tanish kafolati emas, yozuv bilan solishtiriladigan natija bo‘lib qoladi.

Foydali tayyor natija — so‘ralgan vaqt belgilari va o‘z yozuviga aniq bog‘lanishi bor manba tilidagi transkript. O‘zgartirishlar kuzatilishi uchun tanilgan versiyani tahrirlangan nashr versiyasidan ajrating. Nashrlarni taqqoslaganda large-v3-turbo nomini saqlang: u to‘liq large-v3 modeli emas va large-v3 ning ingliz tiliga tarjima vazifasini avtomatik meros qilib olmasligi kerak. Bu vaznlari ochiq model identifikatsiyasi hostingdagi whisper-1 xizmatining yuklash chegaralari, javob formatlari yoki jonli oqimli uzatish va’dalarini ham olib kelmaydi. Hujjatlashtirilgan transkripsiya murosasi haqiqiy material va kerakli natija olish muddatiga mos bo‘lganda Turbo ni tanlang.

Ailoot Ultra · Transkripsiya POST /v1/audio/transcriptions openai/whisper-large-v3-turbo

openai/whisper-large-v3-turbo

OpenAI /openai/whisper-large-v3-turbo

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 openai/whisper-large-v3-turbo	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 $0.00000666 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': 'openai/whisper-large-v3-turbo', '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 openai/whisper-large-v3-turbo

Usul yo‘llari taxalluslari

Yuqorida ko‘rsatilgan usul yo‘llaridan foydalaning.

Chaqirish uchun tegishli ID lar

openai/whisper-large-v3-turbo

FAQ · OpenAI: Whisper Large V3 Turbo

Qanday kirish ma’lumotlari va natijalar mavjud?: POST /v1/audio/transcriptions · openai/whisper-large-v3-turbo: audio → text
So‘rov qaysi maydonlardan foydalanadi?: POST /v1/audio/transcriptions · openai/whisper-large-v3-turbo: model, input_audio

OpenAI: Whisper Large V3 Turbo