Distil-Whisper large-v3
Free.ai (self-hosted)
·
stt
·
~500 бірліктегі жетондар minute
Distil-Whisper large-v3 — a сөйлеу- мәтін моделі HuggingFace жасаған. Strongest at Real-time transcription, large-volume batch STT.. Free.ai ГБ-қа дейінгі графикалық процессорларда өздігінен хостталған — күнделікті токендеріңізге қарсы тегін жұмыс істейді (500 токендері минутына). MIT лицензиясымен шығарылған - коммерциялық пайдалануға Free.ai-да рұқсат берілген.
API арқылы қолдану
OpenAI-ге сәйкесті REST API. Кілт құрып, осы модельді секундтар ішінде шақыру.
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://..."}'Жиі қойылатын сұрақтар
Distil-Whisper large-v3 сөйлеген дыбыстарды мәтінге аударады. MP3, WAV, M4A немесе бейне файлды жүктеп алыңыз, Distil-Whisper large-v3 толық транскрипцияны және таңдаулы SRT/ VTT субтитрлерін уақыт белгісімен қайтарады.
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.
Сөз қателерінің көрсеткіші таза ағылшын тілінде 5- 10%, дыбысы дауысты немесе акцентті болса 10- 20% құрайды. Осы архитектураның үлкен нұсқалары қателерді оңай шешеді, дыбысы қатты болса үлкенін таңдаңыз.
Иә - әрбір сегмент бастау/ аяқтау уақыт белгісін қамтиды. SRT не VTT түрінде экспорттау және уақыт белгілерін тікелей бейнеңізге орналастыру.
Distil-Whisper large-v3 өз GPU- сында күнделікті тегін жинақпен жұмыс істейді; $5 → 200,000 төлемді жетондар кейін. шамамен ~500 жетон минутына.
MP3, WAV, M4A, FLAC, OGG, және бейне (MP4, MOV, WebM) - аудионы тарқатамыз. Бір жүктеудегі максималды өлшемі 500 Мб. Ұзын файлдар? /audio/cut/ немесе /v1/stt/batch/ арқылы бөліп алу.
Дикторды диаризациялау бөлек өту - / transcribe / - те "diarize" дегенді қосу/ өшіру. Distil-Whisper large-v3 транскрипцияны басқарады; диаризациялау әрбір сегментті Speaker 1 / Speaker 2 / т.б. деп белгілейді.
Иә - / batch / аудио файлдар қапшығын қабылдайды. Әрбір транскрипция / account /? tab=history дегенге бастапқы файл атауымен орналасады. Қапшық бұтағын сақтау үшін API- ны қолданыңыз.
Иә - аудионы POST / v1/ stt/ transcribe / дегенге model=" Distil-Whisper large-v3 "мен. JSON мәтін + сегменттер + сөз деңгейіндегі уақыт белгісімен қайтарылады. / api / толық сілтемесі бар.
Өзі хосттаған модельдер аудионы графикалық процессорында сақтайды; премиум DPA арқылы өтіп кетеді. Аудио бөлісу терезесінен кейін өшіріледі (24 сағат анонимді, 7 күн жүйеге кірген). Біз сіздің кірістеріңізді оқымаймыз.
Иә - Free.ai транскрипттерді коммерциялық пайдалануға рұқсат береді. Жүктелген аудионы (өзіңіздің жазбаңызды, лицензияланған материалды немесе рұқсат етілген мазмұнды) пайдалану құқығы керек.
Реал уақыт коэффициенті шамамен 0.05-0.2× — 60 минуттық подкаст 3-12 минутта жазылады. Premium үлгілері көбінесе тезірек аяқталады. Қойындыны жабу үшін кезек батырмасын басыңыз.