OpenAI: GPT Transcribe
GPT Transcribe chuyển lời nói đã ghi âm thành văn bản theo ngôn ngữ gốc, với prompt ngữ cảnh, gợi ý từ khóa nguyên văn và gợi ý nhiều ngôn ngữ. OpenAI mô tả chép lời tệp hoàn chỉnh, trả kết quả tệp theo luồng và chép lời sau khi chốt lượt âm thanh Realtime.
Về mô hình
Mô tả này trình bày khả năng của mô hình. Đầu vào, đầu ra và tùy chọn có trên Ailoot được liệt kê bên dưới cho phương thức đã chọn.
GPT Transcribe là mô hình chuyển lời nói thành văn bản của OpenAI cho tệp âm thanh hoàn chỉnh, bản chép lời tệp trả theo luồng và lượt âm thanh đã chốt trong phiên Realtime. Mô hình nhận âm thanh cùng ngữ cảnh văn bản tùy chọn và trả văn bản được nhận dạng. Nhà sản xuất định vị mô hình để chép chính xác lời nói đã ghi âm theo ngôn ngữ gốc, gồm từ vựng chuyên ngành, bản ghi đa ngôn ngữ và việc chuyển ngôn ngữ trong lúc nói. Đầu ra hữu ích là bản chép lời vẫn gắn với bản ghi, kèm siêu dữ liệu ngôn ngữ được phát hiện khi mô hình dự đoán đủ tin cậy.
Chuẩn bị bản ghi hoàn chỉnh
Quy trình chép lời tệp của OpenAI chấp nhận tệp tải lên tối đa 25 MB. Tài liệu endpoint hiện tại liệt kê đầu vào FLAC, MP3, MP4, MPEG, MPGA, M4A, OGG, WAV và WebM, đồng thời khuyên có đủ siêu dữ liệu tệp để xác định định dạng, gồm đuôi tên tệp và loại nội dung phù hợp. Với bản ghi lớn hơn, hướng dẫn khuyên nén hoặc chia thành các tệp không quá 25 MB. Tránh cắt ngang câu, vì bỏ lời nói xung quanh có thể làm nhận dạng kém chính xác. Giữ các phần theo thứ tự và giữ vị trí của chúng trong bản ghi gốc.
Với cuộc họp, phỏng vấn hoặc bài trình bày đã ghi âm, cung cấp âm thanh thực tế và xác định chủ đề cùng thuật ngữ có khả năng xuất hiện. Kết quả hữu ích là lời nói được nhận dạng, không phải tóm tắt suy đoán từ thảo luận. Giữ mã bản ghi cùng văn bản trả về để người kiểm tra tên, số hoặc cụm từ chưa rõ có thể quay về đúng nguồn. Bản chép lời sau đó có thể làm tài liệu cho quy trình tóm tắt, dịch hoặc biên tập riêng.
Ngữ cảnh, gợi ý từ khóa và ngôn ngữ dự kiến
Nhà sản xuất phân biệt ba loại hướng dẫn. Prompt cung cấp ngữ cảnh tự do về chủ đề hoặc hoàn cảnh bản ghi. Từ khóa cung cấp từ hoặc cụm từ nguyên văn dự kiến có trong lời nói. Danh sách ngôn ngữ xác định các ngôn ngữ dự kiến được nói. Với thảo luận sản phẩm song ngữ, mô tả hoàn cảnh trong prompt, liệt kê tên sản phẩm liên quan làm từ khóa và cung cấp các ngôn ngữ dự kiến. Đây là gợi ý nhận dạng, không phải chỉ dẫn chèn từ vựng chưa ai nói.
GPT Transcribe dùng trường số nhiều languages thay cho trường số ít language cũ; OpenAI nói không gửi cả hai. Hướng dẫn chấp nhận mã ISO 639-1 được hỗ trợ, một số mã ISO 639-3 và mã ngôn ngữ khu vực của tiếng Trung, đồng thời từ chối giá trị không được hỗ trợ hoặc sai định dạng. Mỗi từ khóa phải nằm trên một dòng và không chứa dấu ngoặc góc, ký tự về đầu dòng hoặc ký tự xuống dòng. Từ khóa không hợp lệ hoặc prompt quá dài có thể khiến toàn bộ yêu cầu bị từ chối. Giữ ngữ cảnh liên quan và kiểm tra tên được gợi ý có thực sự xuất hiện trong âm thanh, thay vì coi danh sách gợi ý là bản chép lời.
Đầu ra JSON và dự đoán ngôn ngữ được phát hiện
Kết quả tệp được ghi là JSON chứa bản chép lời và các ngôn ngữ được phát hiện. Các dự đoán ngôn ngữ đó là đầu ra của mô hình, không phải bản sao gợi ý ngôn ngữ đã cung cấp. Danh sách ngôn ngữ rỗng là kết quả hợp lệ khi mô hình không dự đoán đủ tin cậy; nó không xác lập rằng bản ghi im lặng hoặc việc chép lời thất bại. Giữ văn bản được nhận dạng và siêu dữ liệu ngôn ngữ riêng để xử lý sau dùng từng phần đúng ý nghĩa.
Trả bản chép lời tệp theo luồng
Tệp hoàn chỉnh có thể tạo văn bản chép lời từng phần trong lúc xử lý. OpenAI mô tả sự kiện transcript.text.delta cho văn bản từng phần và transcript.text.done cho toàn bộ bản chép lời tệp; sự kiện cuối còn chứa các ngôn ngữ được phát hiện. Đây là truyền đầu ra của bản ghi đã được cung cấp theo luồng. Cách này hữu ích để hiển thị tiến độ tệp tải lên dài, còn sự kiện cuối xác định văn bản cần giữ làm kết quả hoàn chỉnh.
Lượt đã chốt trong phiên Realtime
GPT Transcribe còn có quy trình Realtime chuyên biệt qua WebSocket. Âm thanh được thêm vào bộ đệm đầu vào, rồi ứng dụng chủ động chốt một lượt âm thanh. Việc chép lời bắt đầu cho phần đã chốt đó và có thể phát các phần cập nhật trước sự kiện hoàn tất, kèm thông tin ngôn ngữ được phát hiện. Mô hình tự động dùng các lượt đã chép trước đó làm ngữ cảnh trong luồng phiên này của nhà sản xuất. Điều này khác phát liên tục văn bản phụ đề trực tiếp ngay khi âm thanh từ micro đến; OpenAI dùng tên GPT Live Transcribe cho quy trình liên tục đó.
Với nhiều lượt, giữ mã mục đầu vào cùng bản chép lời tương ứng. OpenAI cảnh báo sự kiện hoàn tất của các lượt khác nhau không nhất thiết đến theo thứ tự lời nói, nên gắn từng kết quả cuối với đầu vào đã chốt của nó, thay vì sắp hội thoại chỉ theo thời điểm hoàn tất. Thành phẩm hữu ích là bản chép lời có thứ tự ghép từ đúng các mục cuối, còn văn bản tạm thời được coi là tiến độ, không phải phát ngôn hoàn chỉnh riêng.
Đầu ra chuyên biệt và giới hạn thực chất
Cấu hình này không cung cấp cam kết chung về phụ đề, dấu thời gian, bản dịch hoặc nhãn người nói. Hướng dẫn chuyển đổi của OpenAI phân biệt các khả năng chuyên biệt đó: định dạng phụ đề gốc và thời điểm từng từ cần mô hình và định dạng tương thích, còn nhãn người nói dùng GPT-4o Transcribe Diarize. Kết quả tệp của GPT Transcribe là JSON, không phải phản hồi SRT, VTT hay dấu thời gian chi tiết có thể thay thế trực tiếp. Thẻ mô hình cụ thể không công bố hạn mức ngữ cảnh hay đầu ra tối đa bằng số, nên không được mặc định cửa sổ token của mô hình chat cho chép lời âm thanh.
Đối chiếu từ khó, số, giọng địa phương, tiếng ồn nền và việc đổi ngôn ngữ với bản ghi. Kiểm tra gợi ý liên quan cải thiện nhận dạng mà không đưa vào thuật ngữ chưa được nói, và bản chép lời cuối chứa cả đoạn kết âm thanh. Với kết quả đa ngôn ngữ, giữ nguyên lời đã nói trước khi chuẩn bị bất kỳ bản dịch nào. Các kiểm tra này giúp bản chép lời hữu ích làm tài liệu nguồn, đồng thời phân biệt rõ gợi ý ngữ cảnh, ngôn ngữ được phát hiện và lời nói đã nhận dạng.
Ailoot Ultra · Phiên âm POST /v1/audio/transcriptions openai/gpt-transcribe
openai/gpt-transcribeBắt đầu
GPT Transcribe chuyển lời nói đã ghi âm thành văn bản theo ngôn ngữ gốc, với prompt ngữ cảnh, gợi ý từ khóa nguyên văn và gợi ý nhiều ngôn ngữ. OpenAI mô tả chép lời tệp hoàn chỉnh, trả kết quả tệp theo luồng và chép lời sau khi chốt lượt âm thanh Realtime.
- Đầu vào được chấp nhận
- Âm thanh
- Kết quả
- Văn bản
Có trên Ailoot · đầu vào & phương thức
Ailoot Ultra · Phiên âm POST /v1/audio/transcriptions
- Đầu vào
audio- Đầu ra
text
| Trường | Loại | Yêu cầu | Giá trị & giới hạn | Mặc định |
|---|---|---|---|---|
Trườngmodel | Loạistring | Yêu cầuBắt buộc | Giá trị & giới hạn openai/gpt-transcribe | Mặc định— |
Trườnginput_audio | Loạiobject | Yêu cầuBắt buộc | Giá trị & giới hạn | Mặc định— |
Tham số phương thức và vòng đời
| Tham số | Hợp đồng |
|---|---|
Tham sốcontent_type | Hợp đồngapplication/json |
Tham sốrequired | Hợp đồngmodel, input_audio |
Tham sốmaterial_types | Hợp đồngaudio |
Tham sốmaterial_conditions | Hợp đồngVí dụ đọc tệp PCM WAV thực tế, không rỗng của bạn, mã hóa toàn bộ byte của tệp thành base64 và gửi input_audio.format với giá trị wav. |
Vòng đời: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · task_id chính xác từ bản ghi đa phương tiện hiện có thuộc quyền sở hữu
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Bảng giá
Thông tin biểu giá không bổ sung tùy chọn yêu cầu. Các tham số được hỗ trợ nằm trong phương thức đã chọn.
- Chế độ nhanh
- Chưa chỉ định Khi chọn chế độ nhanh
- Chế độ Flex
- Chưa chỉ định Khi chọn chế độ flex
- Mức độ suy luận tối đa
- Chưa chỉ định Khi áp dụng mức điều chỉnh mặc định (default) cho mức độ suy luận tối đa
Mức phí Ailoot
Giá theo cấu hình
Đối chiếu từng khoản phí với điều kiện hiển thị. Dùng một mức phí cho mỗi nhóm cấu hình thay thế.
| Cấu hình | Biểu mức phí | Đơn vị tính phí | Phí |
|---|---|---|---|
| Cấu hìnhGiá cơ sở cho token | Biểu mức phíMức phí cơ bản | Đơn vị tính phí— | Phí Đầu vào · Token đầu vào — / 1K token Đầu ra · Token đầu ra — / 1K token Đầu vào · Đọc bộ nhớ đệm — / 1K token Đầu vào · Ghi bộ nhớ đệm — / 1K token Đầu vào · Ghi bộ nhớ đệm, 1 giờ — / 1K token |
| Cấu hìnhGiây âm thanh đầu vào | Biểu mức phí— | Đơn vị tính phímỗi giây âm thanh đầu vào | Phí Đầu vào · Giây âm thanh đầu vào $0.00015 mỗi giây âm thanh đầu vào |
Ailoot tạm giữ một khoản ước tính trước yêu cầu. Sau khi có kết quả, phí cuối cùng được quyết toán theo mức sử dụng đo được. Việc quyết toán khi truyền luồng dùng bản ghi mức sử dụng cuối cùng. Cách hoạt động của cơ chế tạm giữ và quyết toán →
Ví dụ yêu cầu
Ailoot Ultra · Phiên âm
set -eu
: "${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/gpt-transcribe', '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.
Nhận và lưu kết quả
Ailoot Ultra · Phiên âm
Toàn bộ nội dung phản hồi gốc, trạng thái và các tiêu đề được chuyển tiếp. Trình xử lý này không bổ sung cấu trúc JSON chung, trường văn bản hoặc cấu trúc bao tác vụ.
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
Lưu tất cả kết quả đã hoàn tất
Lưu mọi phản hồi hoàn chỉnh, tệp và phần nội dung được trả về.
Giữ lại toàn bộ phản hồi và các header, mọi đầu ra thực tế, các định danh gốc đã trả về và mọi trường usage. Khôi phục thao tác gốc mà không gửi lại yêu cầu tạo.
Nếu cần kiểm tra phản hồi gốc
Giữ lại X-Client-Request-ID thực tế và toàn bộ phản hồi. Đọc các tài sản gốc thuộc quyền sở hữu và URL nội dung đã ký chính xác của chúng; tuyệt đối không gửi lại yêu cầu tạo chưa rõ kết quả.
Trường phản hồi
| Trường | Loại |
|---|---|
Trườngtext (when present) | Loại |
Trườngusage (when present) | Loại |
Lỗi và bước tiếp theo
| Phản hồi | Điều kiện | Bước tiếp theo |
|---|---|---|
Phản hồi400 · invalid_request_error | Điều kiệnNội dung JSON hoặc ID mô hình chuẩn được chỉ định rõ không hợp lệ. | Bước tiếp theoGiữ lại phản hồi và sửa trường yêu cầu được chỉ ra. |
Phản hồi401 · authentication_error | Điều kiệnKhóa API Ailoot không hợp lệ. | Bước tiếp theoDùng khóa API Ailoot được cấp phép của bạn. |
Phản hồi403 · permission_error | Điều kiệnNhóm của khóa không được phép sử dụng phương thức này. | Bước tiếp theoGiữ lại chi tiết lỗi được trả về. |
Phản hồi404 · not_found_error | Điều kiệnPhương thức đã chọn chưa có tuyến được phép sử dụng. | Bước tiếp theoGiữ lại chi tiết lỗi được trả về. |
Phản hồi422 · price_unavailable | Điều kiệnBiểu giá đã chấp nhận không thể xác định số lượng đầu vào hoặc giới hạn cần thiết. | Bước tiếp theoGiữ lại phản hồi; dùng biểu diễn đầu vào mà biểu giá đã chấp nhận yêu cầu. |
Phản hồi503 · | Điều kiệnKho lưu trữ, tuyến, giá phương thức hoặc khoản tiền giữ trước cần thiết không khả dụng. | Bước tiếp theoGiữ lại toàn bộ phản hồi ban đầu. Khoản giữ trước chưa rõ trạng thái không cho phép gửi lại. |
Phản hồi502 · server_error | Điều kiệnKết quả, mức sử dụng hoặc quyết toán ban đầu cần được kiểm tra. | Bước tiếp theoGiữ lại ID yêu cầu thực tế và phản hồi ban đầu. Đọc bản ghi hiện có thuộc quyền sở hữu; không gửi lại yêu cầu tạo. |
Bí danh
Bí danh mô hình
Ailoot Ultra openai/gpt-transcribe
Bí danh đường dẫn phương thức
Dùng các đường dẫn phương thức hiển thị ở trên.
ID gọi liên quan
FAQ · OpenAI: GPT Transcribe
- Có những đầu vào và kết quả nào?
POST /v1/audio/transcriptions·openai/gpt-transcribe:audio→text- Yêu cầu sử dụng những trường nào?
POST /v1/audio/transcriptions·openai/gpt-transcribe:model,input_audio