Distil-Whisper large-v3
Free.ai (self-hosted)
·
stt
·
~500 Μάρκες ανά minute
Distil-Whisper large-v3 είναι a μοντέλο ομιλίας προς κείμενο κατασκευής από HuggingFace. Πιο δυνατό 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 στο πλαίσιο MIT - εμπορική χρήση επιτρέπεται στο Free.ai.
Χρήση μέσω API
OpenAI-συμβατικό 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
Distil-Whisper large-v3 transcribes spoken audio into text. Upload an MP3, WAV, M4A, or video file and Distil-Whisper large-v3 returns the full transcript plus optional SRT/VTT subtitles with timestamps.
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 rate είναι 5-10% σε καθαρό αγγλικό ήχο, 10-20% σε θόρυβο ή τονισμένο ήχου. Μεγάλες παραλλαγές της ίδιας αρχιτεκτονικής κάνουν σημαντικά καλύτερα σε δύσκολες περιπτώσεις - επιλέξτε μεγαλύτερη όταν ο ήχος είναι τραχύς.
Ναι - κάθε τμήμα περιλαμβάνει σφραγίδες έναρξης/ λήξης χρόνου. Εξαγωγή ως SRT ή VTT και οι χρόνοι χάρτη κατ 'ευθείαν στο βίντεο σας.
Distil-Whisper large-v3 τρέχει με τη δική μας GPUs ενάντια καθημερινά δωρεάν πισίνα σας πρώτα; $ 5 → 200.000 πληρωμένα μάρκα μετά από αυτό. Περίπου ~500 μάρκες ανά λεπτό.
MP3, WAV, M4A, FLAC, OGG, συν βίντεο (MP4, MOV, WebM) - εξάγουμε τον ήχο. Max 500 MB ανά αποστολή. Μακρότερα αρχεία; Χωρίστε με /audio/cut/ ή χρήση /v1/stt/batch/.
Η διαποίηση ομιλητών είναι ένα ξεχωριστό πέρασμα - εναλλαγή "διακρίνει" στο /trancegraph/. Distil-Whisper large-v3 χειρίζεται τη μεταγραφή; διακρίνει ετικέτες κάθε τμήμα με τον Ηχείο 1 / Ηχείο 2 / κ.λπ.
Ναι - / batch/ δέχεται ένα φάκελο αρχείων ήχου. Κάθε αντίγραφο προσγειώνεται στο /account/?tab=ιστορία με το αρχικό όνομα αρχείου. Για τη διατήρηση του φακέλου-δέντρου χρησιμοποιήστε το API.
Ναι - ΠΩΜΑ σας ήχου /v1/stt/trancegraph/ with model="Distil-Whisper large-v3". Επιστρέφει JSON με κείμενο + τμήματα + χρονοσφραγίσεις λέξεων-level. /api/ έχει την πλήρη αναφορά.
Τα αυτοξεχωρισμένα μοντέλα διατηρούν τον ήχο στις GPU μας. premium περνάνε με DPA. Το Audio διαγράφεται μετά το παράθυρο μετοχών (24h anon, 7d υπογεγραμμένο-in).
Ναι - Free.ai χορηγεί εμπορική χρήση των μεταγραφών. Χρειάζεστε δικαιώματα στον ήχο που ανεβάσατε (το δικό σας υλικό εγγραφής, άδεια, ή περιεχόμενο με συγκατάθεση).
Ο συντελεστής πραγματικού χρόνου είναι περίπου 0.05-0.2× - ένα 60 λεπτά podcast traffers σε 3-12 λεπτά. Premium μοντέλα συχνά τελειώνουν γρηγορότερα.