Distil-Whisper large-v3
Free.ai (self-hosted)
·
stt
·
~500 tokens por minute
Distil-Whisper large-v3 é a modelo de voz a texto construído por HuggingFace. Máis forte en Real-time transcription, large-volume batch STT.. Auto- hospedado en GPUs Free.ai - executa libremente contra o seu conxunto diario de tokens (500 tokens por minuto). Publicado baixo MIT - uso comercial permitido baixo Free.ai.
Usar a API
API REST compatíbel con OpenAI. Xere unha chave e chame a este modelo en segundos.
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://..."}'Modelos semellantes
Preguntas frecuentes
Distil-Whisper large-v3 transcribe a fala do audio a texto. Sube un ficheiro MP3, WAV, M4A ou de vídeo e Distil-Whisper large-v3 devolve a transcrición completa e, se queres, subtítulos SRT/VTT con marcas de tempo.
Distil-Whisper large-v3 xestiona ducias de linguas - os modelos da familia Whisper cobren 90+ outros varían. Escolla « auto- detección » ou especifique a lingua para a maior precisión.
A taxa de erros por palabra é do 5-10% con audio en inglés limpo e do 10-20% con audio ruidoso ou con acento. As variantes grandes da mesma arquitectura funcionan claramente mellor nos casos difíciles: escolle unha maior cando o audio sexa complicado.
Si, cada segmento inclúe marcas de tempo de inicio e fin. Expórtao como SRT ou VTT e os tempos axústanse directamente ao teu vídeo.
Distil-Whisper large-v3 funciona nas nosas propias GPU e consome primeiro o teu pool diario gratuíto; despois, $5 → 200,000 tokens de pago. Uns ~500 tokens por minuto.
MP3, WAV, M4A, FLAC, OGG, ademais de vídeo (MP4, MOV, WebM), do que extraemos o audio. Máximo 500 MB por subida. Ficheiros máis longos? Divídeos con /audio/cut/ ou usa /v1/stt/batch/.
A diarización de falantes é un paso á parte: activa “diarize” en /transcribe/. Distil-Whisper large-v3 encárgase da transcrición; a diarización etiqueta cada segmento como Speaker 1 / Speaker 2 / etc.
Si, /batch/ acepta un cartafol de ficheiros de audio. Cada transcrición aparece en /account/?tab=history co nome de ficheiro orixinal. Para conservar a estrutura de cartafoles usa a API.
Si, envía o teu audio por POST a /v1/stt/transcribe/ con model="Distil-Whisper large-v3". Devolve JSON con texto, segmentos e marcas de tempo por palabra. En /api/ tes a referencia completa.
Os modelos autoaloxados manteñen o audio nas nosas GPU; os premium pasan o audio cun DPA. O audio elimínase despois do prazo de compartición (24 h en modo anónimo, 7 d con sesión iniciada). Non adestramos cos teus ficheiros.
Si, Free.ai concede o uso comercial das transcricións. Necesitas ter dereitos sobre o audio que subiches (a túa propia gravación, material con licenza ou contido con consentimento).
O factor de tempo real é aproximadamente de 0.05-0.2×: un podcast de 60 minutos transcríbese en 3-12 minutos. Os modelos premium adoitan acabar máis rápido. Usa o botón da cola para poder pechar a pestana.