Deepgram: Nova-3
Nova-3 是 Deepgram 用於錄製及串流音訊的通用語音轉文字模型。它支援單語辨識、明定的多語言語碼轉換模式及關鍵詞提示，回傳附逐字時間與信心資訊的逐字稿。
關於模型
此說明介紹模型的能力。Ailoot 可用的輸入、輸出與選項，依所選方法列於下方。
Nova-3 是 Deepgram 將音訊轉成文字的通用語音辨識模型。提供者建議用於會議、活動字幕、多說話者錄音，以及雜訊或遠距麥克風等困難條件，可採預錄或串流轉錄。實用結果是連結來源音訊的辨識語音，並附時間與信心資訊。
選擇語言流程
文件所載預設語言是英文。單語請求選擇口述語言或支援地區變體。現行通用模型表包含英文區域變體、西班牙文、法文、德文、俄文、葡萄牙文、日文、義大利文、荷蘭文、阿拉伯文、中文書寫形式及許多其他語言，包括哈薩克文。請從提供者支援的代碼選擇，不要假設任意地區名稱都可接受。
多語言設定是獨立的語碼轉換流程。現行 Nova-3 表為它列出十種語言：英文、西班牙文、法文、德文、印地文、俄文、葡萄牙文、日文、義大利文與荷蘭文。此集合不同於較大的單語清單。錄音在支援語言間交替時，請準備多語言模式，不要將整段對話強制放入不相符的單語設定。請先保留實際口述內容，再準備翻譯或摘要版本。
錄製音訊與逐字稿準備
Deepgram 檔案流程接受上傳音訊位元組或音訊檔案參照。請求完成時請儲存回傳逐字稿；提供者不保存逐字稿供後續取回。文件記載的常見輸入格式與編碼包括 MP3、MP4、MP2、AAC、WAV、FLAC、PCM、M4A、Ogg、Opus、WebM。請將實際格式與聲道資訊和錄音一起保留。為錄音設定穩定識別碼，讓結果連結至正確來源及聲道資訊。會議請在聆聽原音時核對參與者姓名與技術用語；講座或活動則保留音訊順序，讓後續字幕或搜尋結果定位相關段落。
提供者的預錄指南列出最大檔案大小為 2 GB，並建議從大型影片檔擷取音軌。也記載 Nova 請求的十分鐘處理逾時。此逾時是請求處理時間，不是錄音最長十分鐘。實用結果應包含預期錄音的結尾；只保留部分的逐字稿不應視為完整文字。
閱讀單字、時間與信心
文件所載 JSON 回應包含候選逐字稿與辨識單字，每個單字附自音訊開始計算的開始及結束秒數與信心值。多說話者逐字稿可透過提供者可選的說話者分離，為每個單字指派說話者標籤。預錄說話者分離還回傳說話者信心，串流說話者分離則回傳說話者標籤。請對照錄音聲音審查標籤。整體逐字稿信心也以 0–1 尺度回報。要求智慧格式化時，結果可包含帶標點的單字形式，保留標點與大小寫，並提供可讀段落資訊。
請依欄位意義使用。單字時間定位辨識語音，信心則是模型對可靠性的指示，不是困難姓名或數量已被正確聽出的證明。準備字幕時，請將時間和審閱過的措辭一起保留，並對照聲音檢查邊界。若準備可讀的編輯版本，請讓修改與辨識逐字稿可區分，不要暗中將不確定單字換成看似合理的故事。
串流辨識與最終片段
Nova 串流流程會隨音訊到達回傳文字，包括暫時與最終結果。is_final 指標區分仍可能修改的文字與已定稿片段。speech_final 指標則涉及口述片段的終點判定。請將這些訊號與單純收到非空逐字稿區分；準備完整記錄時，按音訊順序保留最終片段。
Nova-3 是一般 ASR，不是另一個具有模型原生輪次偵測的 Flux 對話模型。Nova 標示逐字稿定稿狀態與語音終點；Flux 提供自己的對話輪次狀態事件。請依音訊已錄製或正即時到達選擇轉錄流程，並將實際最終輸出作為保留產物。
為重要詞彙使用 Keyterms
Nova-3 文件所載 Keyterm Prompting 支援單語與多語言轉錄，不需重新訓練模型即可讓辨識偏向重要詞彙。請提供可能實際被說出的相關姓名、產品用語、縮寫或多字詞組。指南將合計 keyterm 輸入限制為 500 token，建議聚焦最重要詞彙，不要不加選擇地加入常見詞。
提供者語法使用純詞彙，每個詞彙各有獨立 keyterm 項目。多字詞組維持一個詞組。舊式 keyword 權重或強化符號，以及用逗號、分號或換行連接獨立詞彙，都不等價：介面可能將其當成單一字面值接受，卻沒有預期加權效果。姓名請使用正確大小寫，之後仍須檢查逐字稿，因為音訊上下文與智慧格式化仍可能改變最終書寫形式。
模型家族邊界與實用結果
通用 Nova-3 規格不同於另名的 Medical 與 Pharma 選項。詞彙提示不會使它變成另一版本，也不應將專用模型的語言範圍或行為套用至通用模型。額外逐字稿處理功能是提供者語音流程中的選擇，不是辨識已產生未曾要求的摘要、翻譯或其他產物的證據。
實用 Nova-3 交付物可以是可搜尋會議逐字稿、附逐字時間的字幕準備文字，或多語言對話記錄。請保留音訊識別碼、所選語言流程、最終文字，以及有用的信心或時間欄位。請對照原始錄音檢查不清楚的姓名、數字、重疊聲音與語言切換，讓實際辨識語音仍可供下一個內容處理步驟使用。
Ailoot Ultra · 語音辨識 POST /v1/audio/transcriptions deepgram/nova-3
deepgram/nova-3入門
Nova-3 是 Deepgram 用於錄製及串流音訊的通用語音轉文字模型。它支援單語辨識、明定的多語言語碼轉換模式及關鍵詞提示，回傳附逐字時間與信心資訊的逐字稿。
- 接受的輸入
- 音訊
- 結果
- transcription
Ailoot 可用 · 輸入與方法
Ailoot Ultra · 語音辨識 POST /v1/audio/transcriptions
- 輸入
audio- 輸出
transcription- 輸出格式
- json
| 欄位 | 類型 | 要求 | 值與限制 | 預設值 |
|---|---|---|---|---|
欄位model | 類型string | 要求必填 | 值與限制 deepgram/nova-3 | 預設值— |
欄位input_audio | 類型object | 要求必填 | 值與限制 | 預設值— |
欄位language | 類型string | 要求選填 | 值與限制 | 預設值— |
欄位temperature | 類型number | 要求選填 | 值與限制 最小值: 0 最大值: 1 | 預設值— |
欄位response_format | 類型string | 要求選填 | 值與限制 json, verbose_json | 預設值json |
欄位timestamp_granularities | 類型array | 要求選填 | 值與限制 | 預設值— |
欄位provider | 類型object | 要求選填 | 值與限制 | 預設值— |
輸入素材組合
speech_to_text · 必填： actual matching-format audio file
方法參數與生命週期
| 參數 | 規格 |
|---|---|
參數content_types | 規格application/json, multipart/form-data |
參數required | 規格model, input_audio |
參數material_types | 規格audio |
參數JSON_audio | 規格以 base64 編碼的實際原始音訊位元組，以及相符的格式 |
參數multipart_required | 規格model, file |
參數multipart_cap_bytes | 規格26214400 |
參數optional_controls | 規格language, temperature, response_format, timestamp_granularities, provider |
參數default_response_format | 規格json |
參數optional_features | 規格詳細輸出、diarize/keyterms，以及 URL／較大的內嵌音訊，均須符合確切模型／供應商的能力與費率。 |
生命週期： synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · 實際回傳的 task_id 或媒體庫紀錄
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
請使用完全相符的模型與文件記載的輸入欄位。
請保留完整回應、每個實際輸出，以及原始回傳的 ID。
方案
費率資訊不會增加請求選項。支援的參數列於所選方法中。
- 快速模式
- 未指定 選取快速模式時
- flex 模式
- 未指定 選取 flex 模式時
- 最高推理強度
- 未指定 最高推理強度採用 default 調整值時
Ailoot 費率
各設定的價格
請逐一核對各項費用與所列條件。每組互為替代選項的設定只套用一種費率。
| 設定 | 費率表 | 計費單位 | 費用 |
|---|---|---|---|
| 設定基礎 token 費率 | 費率表基本費率 | 計費單位— | 費用 輸入 · 輸入 Token — / 1K Token 輸出 · 輸出 Token — / 1K Token 輸入 · 讀取快取 — / 1K Token 輸入 · 寫入快取 — / 1K Token 輸入 · 寫入快取，1 小時 — / 1K Token |
| 設定Ultra | 費率表— | 計費單位每秒輸入音訊 | 費用 輸入 · 輸入音訊秒數 $0.0001433333333334 每秒輸入音訊 |
Ailoot 會在請求前預留估算金額。取得結果後，依實測用量結算最終費用。串流結算採用最終用量紀錄。預留金額與結算的運作方式 →
參考費率詳情
模型層級的參考費率表不會變更方法選擇、報價或費用。實際計費採用所選 Ailoot 方法的費率。
Deepgram: Nova-3
各設定的價格
| 設定 | 計費條件 | 費用 |
|---|---|---|
| 設定Deepgram: Nova-3 · 預設設定 | 計費條件預設設定 | 費用 輸入 · 輸入音訊秒數 ≈US$0.000143 每秒輸入音訊 |
請求範例
Ailoot Ultra · 語音辨識
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_AUDIO_FILE:?Set the path to your actual WAV recording}"
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
import base64
audio=Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()
if not (audio[:4]==b'RIFF' and audio[8:12]==b'WAVE'): raise SystemExit('Supply an actual WAV audio file')
if len(audio)>26214400: raise SystemExit('Use a documented supported large-file flow')
request={'model': 'deepgram/nova-3', 'input_audio': {'data': '${BASE64_ACTUAL_WAV_BYTES}', 'format': 'wav'}}
request['input_audio']['data']=base64.b64encode(audio).decode('ascii')
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
# Keep the complete original response and headers. Read every returned segment, word and usage field.
# Preserve actual operation/task/asset IDs; continue reads of the original result without resubmitting.
接收並儲存結果
Ailoot Ultra · 語音辨識
json
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
保留所有已完成的結果
請保留所有完整傳回的回應、檔案與內容區塊。
完整的原始 JSON、所有可用的文字／片段／單字／說話者／時間戳記與用量。
需要檢查原始回應時
請保留原始 operation_id/X-Client-Request-ID 與原始回應。請讀取實際的自有工作／資產紀錄，切勿重新提交；此處不會組出專用的音訊輪詢 URL。
回應欄位
| 欄位 | 類型 |
|---|---|
欄位text | 類型string |
欄位usage | 類型object |
欄位segments[] | 類型object |
欄位words[] | 類型object |
別名
模型別名
Ailoot Ultra deepgram/nova-3
方法路徑別名
請使用上方列出的 API 方法路徑。
相關呼叫用 ID
FAQ · Deepgram: Nova-3
- 可以使用哪些輸入與結果？
POST /v1/audio/transcriptions·deepgram/nova-3:audio→transcription- 請求使用哪些欄位？
POST /v1/audio/transcriptions·deepgram/nova-3:model,input_audio,language,temperature,response_format,timestamp_granularities,provider- 適用哪些限制？
POST /v1/audio/transcriptions·deepgram/nova-3:temperature.minimum:0;temperature.maximum:1