Distil-Whisper large-v3
Free.ai (self-hosted)
·
stt
·
~500 សញ្ញាសម្គាល់ក្នុងមួយ minute
Distil-Whisper large-v3 គឺ a ម៉ូដែលនិយាយទៅអត្ថបទ សាងសង់ដោយ HuggingFace ។ ខ្លាំងក្លាបំផុតនៅ Real-time transcription, large-volume batch STT.. ខ្លួនឯងបានរៀបចំនៅលើ Free.ai GPUs - រត់ដោយឥតគិតថ្លៃប្រឆាំងនឹងទឹកកាក់ប្រចាំថ្ងៃរបស់អ្នក (500 រូបិយប័ណ្ណ នាទី) ។ ចេញផ្សាយក្រោម MIT - ការប្រើពាណិជ្ជកម្មត្រូវបានអនុញ្ញាតនៅលើ Free.ai ។
សំណួរដែលសួរញឹកញាប់
Distil-Whisper large-v3 បកប្រែសំឡេងនិយាយទៅជាអត្ថបទ. ផ្ទុកឡើង MP3, WAV, M4A, ឬឯកសារវីដេអូនិង Distil-Whisper large-v3 ត្រឡប់មកវិញការបកប្រែពេញលេញបន្ថែមទៀត SRT / VTT ចំណងជើងជាជម្រើសជាមួយ timestamp.
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.
អត្រាកំហុសពាក្យគឺ ៥- ១០% លើអូឌីយ៉ូអង់គ្លេសស្អាត 10- 20% លើអូឌីយ៉ូមានសំឡេងរំខាន ឬ accented ។ កំណែធំនៃស្ថាបត្យកម្មដូចគ្នាធ្វើឱ្យមានន័យល្អប្រសើរលើករណីធ្ងន់ធ្ងរ - ជ្រើសធំជាងពេលអូឌីយ៉ូគឺក្រាស់ ។
បាទ - គ្រប់ផ្នែករួមបញ្ចូលចាប់ផ្ដើម/ បញ្ចប់ពេលវេលាសម្គាល់ ។ នាំចេញជា SRT ឬ VTT និងផែនទីពេលវេលាដោយផ្ទាល់ទៅលើវីដេអូរបស់អ្នក ។
Distil-Whisper large-v3 ដំណើរការនៅលើ GPUs ផ្ទាល់ខ្លួនរបស់យើងប្រឆាំងនឹងទឹកកកឥតគិតថ្លៃប្រចាំថ្ងៃរបស់អ្នកដំបូង; $5 → 200,000 រូបិយប័ណ្ណដែលបានបង់ប្រាក់បន្ទាប់ពីនោះ. អំពី ~500 រូបិយប័ណ្ណក្នុងមួយនាទី.
MP3, WAV, M4A, FLAC, OGG, បន្ថែមពីលើវីដេអូ (MP4, MOV, WebM) - យើងដកស្រង់អូឌីយ៉ូ។ អតិបរមា 500 មេកាបៃក្នុងមួយការផ្ទុកឡើង។ ឯកសារយូរជាងនេះ? ចែកជា /audio/cut/ ឬប្រើ /v1/stt/batch/ ។
កម្មវិធីសរសេរសំបុត្ររបស់អ្នកនិយាយគឺជាការឆ្លងកាត់ដាច់ដោយឡែក — បិទបើក "diarize" នៅលើ / transcribe / ។ Distil-Whisper large-v3 គ្រប់គ្រងការសរសេរសំបុត្រឡើងវិញ; កម្មវិធីសរសេរសំបុត្រដាក់ស្លាកផ្នែកនីមួយៗជាមួយអ្នកនិយាយ 1 / អ្នកនិយាយ2/ ល ។
បាទ/ ចាស - / batch / ទទួលយកថតឯកសារអូឌីយ៉ូ ។ អត្ថបទសរសេរនីមួយៗត្រូវបានដាក់ក្នុង / account /? tab=history ជាមួយឈ្មោះឯកសារដើម ។ សម្រាប់ការរក្សាទុកថតមែកធាងប្រើ API ។
បាទ - POST អូឌីយ៉ូរបស់អ្នកទៅ /v1/stt/transcribe/ ជាមួយ model="Distil-Whisper large-v3" ។ ត្រឡប់ JSON ជាមួយអត្ថបទ + ផ្នែក + សញ្ញាពេលវេលាកម្រិតពាក្យ ។ /api/ មានសេចក្ដីយោងពេញលេញ ។
ម៉ូដែលដែលរៀបចំដោយខ្លួនឯងរក្សាអូឌីយ៉ូនៅលើ GPUs របស់យើង; ប្រាក់រង្វាន់ឆ្លងកាត់តាមរយៈជាមួយ DPA ។ អូឌីយ៉ូត្រូវបានលុបបន្ទាប់ពីបង្អួចចែករំលែក (24h anon, 7d ចុះឈ្មោះចូល) ។ យើងមិនបណ្តុះបណ្តាលលើការបញ្ចូលរបស់អ្នកទេ។
បាទ - Free.ai ផ្តល់ការប្រើពាណិជ្ជកម្មនៃ transcripts. អ្នកត្រូវការសិទ្ធិទៅអូឌីយ៉ូដែលអ្នកបានផ្ទុកឡើង (ការថតផ្ទាល់ខ្លួនរបស់អ្នក, អាជ្ញាប័ណ្ណសម្ភារៈឬមាតិកាជាមួយការយល់ព្រម) ។
កត្តាពេលវេលាពិតប្រាកដគឺប្រហែល 0.05-0.2 × - ផតខាស់ 60 នាទីសរសេរក្នុង 3-12 នាទី។ ម៉ូដែល premium តែងតែបញ្ចប់លឿនជាង។ ប្រើប៊ូតុងជួរដើម្បីបិទផ្ទាំង។