Distil-Whisper large-v3
Free.ai (self-hosted)
·
stt
·
~500 Μάρκες ανά minute
Distil-Whisper large-v3 is a μοντέλο ομιλίας προς κείμενο built by HuggingFace. Πιο δυνατά στο Real-time transcription, large-volume batch STT.. Αυτό-φιλοξενούνται σε Free.ai GPUs ~ τρέχει δωρεάν ενάντια σας καθημερινή πισίνα μάρκα (500 μάρκες ανά λεπτό). Κυκλοφόρησε κάτω από MIT __] εμπορική χρήση επιτρέπεται στις Free.ai.
Χρήση μέσω API
OpenAI συμβατό REST API. Δημιουργήστε ένα κλειδί και καλέστε αυτό το μοντέλο σε δευτερόλεπτα.
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://..."}'Παρόμοια μοντέλα
Συχνές Ερωτήσεις
Ανεβάστε ένα αρχείο MP3, WAV, M4A, ή βίντεο και Distil-Whisper large-v3 επιστρέφει το πλήρες αντίγραφο συν τους προαιρετικούς υπότιτλους SRT/VTT με χρονοσφραγίσεις.
Distil-Whisper large-v3 manages of languages Whisper- family models cover 90+, Parakeet covers ~25, others variable. Pick "auto-detection" or determinate the language for highest decision.
Word-error rate είναι 5 pay10% σε καθαρό αγγλικό ήχο, 10 ppl20% σε θορυβώδη ή τονισμένο ήχο. Μεγάλες παραλλαγές της ίδιας αρχιτεκτονικής κάνουν σημαντικά καλύτερα σε δύσκολες περιπτώσεις, επιλέξτε μεγαλύτερο όταν ο ήχος είναι τραχύς.
Κάθε τμήμα περιλαμβάνει χρονοσφραγίσεις έναρξης/τέλους. Εξαγωγή ως SRT ή VTT και τους χρόνους χάρτη κατ 'ευθείαν στο βίντεό σας.
Distil-Whisper large-v3 τρέχει με δικά μας GPUs ενάντια καθημερινά δωρεάν πισίνα σας πρώτα? $ 5 → 200.000 πληρωμένα μάρκες μετά από αυτό. Περίπου ~500 μάρκες ανά λεπτό.
MP3, WAV, M4A, FLAC, OGG, συν βίντεο (MP4, MOV, WebM)
Η διαγραφή ομιλητών είναι ένα ξεχωριστό πέρασμα που ενεργοποιεί το "Diarize" στο /trancribe/. Distil-Whisper large-v3 χειρίζεται τη μεταγραφή. Διαιρώντας ετικέτες κάθε τμήμα με τον Ηχείο 1 / Ηχείο 2 / κ.λπ.
Κάθε αντίγραφο προσγειώνεται στο /λογαριασμό/?tab=ιστορία με το αρχικό όνομα αρχείου. Για τη διατήρηση του φακέλου-δέντρου χρησιμοποιήστε το API.
Ναι ~ ΠΩΤΑ τον ήχο σας στο /v1/sttt/transcribe/ with model="Distil-Whisper large-v3". Επιστρέφει JSON με κείμενο + τμήματα + χρονοσφραγίδες σε επίπεδο λέξεων. /api/ έχει την πλήρη αναφορά.
Αυτο-φιλοξενούμενα μοντέλα διατηρούν τον ήχο στις GPUs μας; premium περάσει μέσα με ένα DPA. Ήχος διαγράφεται μετά το παράθυρο μετοχών (24h anon, 7d υπογεγραμμένο-in). Δεν εκπαιδεύονται στις εισόδους σας.
Ναι. Free.ai. Χρειάζεστε δικαιώματα στον ήχο που ανεβάσατε (το δικό σας ηχογραφημένο, αδειοδοτημένο υλικό ή περιεχόμενο με συγκατάθεση).
Ο παράγοντας σε πραγματικό χρόνο είναι περίπου 0.05.0.2× Ένα 60-λεπτά podcast transcripts σε 3 201212 λεπτά. Premium μοντέλα συχνά τελειώνουν γρηγορότερα. Χρησιμοποιήστε το κουμπί αναμονής για να κλείσετε την καρτέλα.