Distil-Whisper large-v3
Free.ai (self-hosted)
·
stt
·
~500 Prometium minute
Distil-Whisper large-v3 is a spraak- tot- teks model gebou deur HuggingFace. Sterkste by Real-time transcription, large-volume batch STT.. Self-geëneer op Free.ai GPUs - hardloop vry teen jou daaglikse vormbad (500 Proformations per minuut). Vrygestel onder MIT - kommersiële gebruik wat op Free.ai toegelaat is.
Gebruik via API
OpenAI- versoenbaar met REST API. Genereer 'n sleutel en noem hierdie model in sekondes.
curl -X POST https://api.free.ai/v1/stt/ \
-H "Authorization: Bearer sk-free-..." \
-H "Content-Type: application/json" \
-d '{"model":"distil-whisper-large-v3","audio_url":"https://..."}'Vrae wat dikwels gevra word
Distil-Whisper large-v3 tran Intifs gepraat klank in teks. Oplaai 'n Mp3, WAV, M4A, of video lêer en Distil-Whisper large-v3 gee terug die volledige transkripsie plus opsionele SRT/VTT sub titles met tyetamps.
Distil-Whisper large-v3 handles dozens of languages - Whisper-family models cover 90+, others vary. Pick "auto-detect" or specify the language for highest accuracy.
Word-error tempo is 5-10% op skoon Engelse oudio, 10-20% op lawaaierige of aksent-oudio. Groot variante van dieselfde argitektuur doen betekenisvol beter op moeilike gevalle - kies groter wanneer die oudio grof is.
Ja - elke deel sluit begin/end timestampe in. Voer uit as SRT of VTT en die kerekaart reguit op jou video.
Distil-Whisper large-v3 runs on our own GPUs against your daily free pool first; $5 → 200,000 paid tokens after that. About ~500 tokens per minute.
MP3, WAV, M4A, FLAC, OG, plus video (MP4, MOV, WebM) - ons onttrek die oudio. Max 500 mb per oplaai. Langer lêers? Skei met /audio/cut/ of gebruik /v1/st/bat/.
Luidspreker diarisering is 'n aparte herhaling ą skakel "diariseer" op /trantint /. Distil-Whisper large-v3 hanteer die transkripsie; diarisering etikette elke deel met Luidder 1 / Speaker 2 / etc.
Ja - /bat/ aanvaar 'n gids van oudio lêers. Elke transkripsie lande in /accote/?tab=historie met die oorspronklike lêernaam. Vir kabinet- boom bewaar gebruik die API.
Ja - POST jou oudio na /v1/stint/ met model= "Distil-Whisper large-v3". Gee terug JSON met teks + segmente + woord-vlak maaltampe. /api/ het die volledige verwysing.
Self-gegasheerde modelle hou oudio op ons GPUs; premies deur met 'n DPA. Audio word uitgevee na die deel-venster (24h anon, 7d getekende-in). Ons oefen nie op jou invoers nie.
Ja - Free.ai gee kommersiële gebruik van transkripsie. Jy het regte nodig op die oudio wat jy opgelaai het (jou eie opname, gelisensieerde materiaal of inhoud met toestemming).
Real-time factor is roughly 0.05-0.2× - a 60-minute podcast transcribes in 3-12 minutes. Premium models often finish faster. Use the queue button to close the tab.