گزارش اشکال / درخواست ویژگی

Distil-Whisper large-v3

Free.ai (self-hosted) · stt · ~500 توکنها در هر minute

پروندۀ صوتی یا ویدئویی را رها کنید، یا نشانی وب را در زیر بچسبانید

~500 توکنها در هر minute

Distil-Whisper large-v3 is a مدل گفتار به متن built by HuggingFace. «بهترین فیلم‌های سال ۲۰۱۵» ‎(فارسی)‎. Free.ai GPUs self-hosted — freely runs against your daily token pool (500 tokens در دقیقه). Released under MIT — commercial use permitted on Free.ai.

استفاده از طریق API

API REST سازگار با OpenAI. یک کلید تولید کنید و این مدل را در چند ثانیه فراخوانی کنید.

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://..."}'
مستندات API دریافت کلید API

مدل‌های مشابه

ElevenLabs STT
Fal Speech-to-Text
Wizper (Whisper v3)
مرور همۀ مدلها →

پرسشهای متداول

Distil-Whisper large-v3 رونوشت صدای گفتار را به متن تبدیل می‌کند. یک MP3، WAV، M4A یا پرونده ویدئو را بارگذاری کنید و Distil-Whisper large-v3 رونوشت کامل را به علاوه زیرنویس‌های اختیاری SRT/VTT با مهرهای زمانی برمی‌گرداند.

Distil-Whisper large-v3 ده‌ها زبان را پشتیبانی می‌کند — مدل‌های Whisper-family ۹۰+ را پوشش می‌دهند، Parakeet حدود ۲۵ زبان را پوشش می‌دهد، بقیه متفاوت هستند.

نرخ خطای کلمه ۵–۱۰٪ در صدای انگلیسی تمیز، ۱۰–۲۰٪ در صدای پر سر و صدا یا با لهجه است.

بله — هر بخش شامل علامت زمان آغاز/پایان است. صادرات به عنوان SRT یا VTT و نقشه زمان مستقیماً روی ویدئو شما.

Distil-Whisper large-v3 بر روی GPUهای خودمان در برابر استخر روزانه رایگان شما اجرا می‌شود؛ $5 → ۲۰۰۰۰۰ توکن پرداختی بعد از آن.

MP3, WAV, M4A, FLAC, OGG, plus video (MP4, MOV, WebM) — ما صدا را استخراج می‌کنیم. حداکثر ۵۰۰ مگابایت در بارگذاری. پرونده‌های طولانی‌تر؟ با /audio/cut/ تقسیم کنید یا از /v1/stt/batch/ استفاده کنید.

Distil-Whisper large-v3 رونویسی را انجام می‌دهد؛ دیاریزاسیون هر بخش را با برچسب‌های Speaker 1 / Speaker 2 / و غیره برچسب می‌زند.

بله — /batch/ یک پوشه پرونده‌های صوتی را می‌پذیرد. هر رونوشت در /account/?tab=history با نام پرونده اصلی قرار می‌گیرد. برای حفظ درخت پوشه از API استفاده کنید.

بله — POST audio خود را به /v1/stt/transcribe/ با model="Distil-Whisper large-v3". با متن + بخش‌ها + تایمز سطح کلمه JSON را برمی‌گرداند. /api/ دارای مرجع کامل است.

مدل‌های خود میزبانی‌کننده صدا را در GPUهای ما نگه می‌دارند؛ Premium با DPA از طریق آن عبور می‌کند. صدا پس از پنجره اشتراک حذف می‌شود (۲۴ ساعت بدون اطلاع، ۷ روز ثبت نام). ما ورودی‌های شما را آموزش نمی‌دهیم.

Yes — Free.ai grants commercial use of transcripts. You need rights to the audio you uploaded (your own recording, licensed material, or content with consent).

فاکتور زمان واقعی تقریباً ۰٫۰۵–۰٫۲× است — یک پادکست ۶۰ دقیقه ای در ۳–۱۲ دقیقه رونوشت می‌شود. مدل‌های پریمیوم اغلب سریعتر تمام می‌شوند.

دوست Free.ai رو به دوستانت بگو

رتبه بندی این صفحه