Distil-Whisper large-v3
Free.ai (self-hosted)
·
stt
·
~500 រូបិយប័ណ្ណក្នុងមួយ minute
Distil-Whisper large-v3 គឺជា a ម៉ូដែលនិយាយទៅអត្ថបទ ដែលបានសាងសង់ដោយ HuggingFace ។ ខ្លាំងបំផុតនៅ 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 បកប្រែអូឌីយ៉ូនិយាយទៅជាអត្ថបទ។ ផ្ទុកឡើង MP3, WAV, M4A, ឬឯកសារវីដេអូនិង Distil-Whisper large-v3 ត្រឡប់ការបកប្រែពេញលេញបន្ថែមពីលើចំណងជើង SRT / VTT ជម្រើសជាមួយ timestamps ។
Distil-Whisper large-v3 គ្រប់គ្រងភាសារាប់សិប - Whisper-គ្រួសារគំរូគ្របដណ្តប់ 90+, Parakeet គ្របដណ្តប់ ~25, ផ្សេងទៀតប្រែប្រួល។ ជ្រើស "រកមើលដោយស្វ័យប្រវត្តិ" ឬបញ្ជាក់ភាសាសម្រាប់ភាពត្រឹមត្រូវខ្ពស់បំផុត។
អត្រាកំហុសពាក្យគឺ 5-10% លើអូឌីយ៉ូអង់គ្លេសស្អាត 10-20% លើអូឌីយ៉ូមានសំឡេងរំខានឬ accented ។ កំណែធំនៃស្ថាបត្យកម្មដូចគ្នាធ្វើបានល្អប្រសើរជាងមុនលើករណីធ្ងន់ធ្ងរ - ជ្រើសធំជាងពេលអូឌីយ៉ូគឺក្រាស់ ។
បាទ - គ្រប់ផ្នែករួមបញ្ចូលចាប់ផ្ដើម / បញ្ចប់ timestamps. នាំចេញជា SRT ឬ VTT និងផែនទីពេលវេលាដោយផ្ទាល់ទៅលើវីដេអូរបស់អ្នក.
Distil-Whisper large-v3 រត់នៅលើ GPUs ផ្ទាល់ខ្លួនរបស់យើងប្រឆាំងនឹងទឹកកកឥតគិតថ្លៃប្រចាំថ្ងៃរបស់អ្នកដំបូង; $5 → 200,000 រូបិយប័ណ្ណដែលបានបង់ប្រាក់បន្ទាប់ពីនោះ. អំពី ~ 500 រូបិយប័ណ្ណក្នុងមួយនាទី.
MP3, WAV, M4A, FLAC, OGG, បន្ថែមពីលើវីដេអូ (MP4, MOV, WebM) — យើងបានស្រង់ចេញអូឌីយ៉ូ. អតិបរមា 500 មេកាបៃក្នុងមួយការផ្ទុកឡើង. ឯកសារយូរ? ចែកចេញជា / អូឌីយ៉ូ / កាត់ / ឬប្រើ / v1 / stt / batch /.
កម្មវិធីសរសេរសំបុត្ររបស់អ្នកនិយាយគឺជាការឆ្លងកាត់ដាច់ដោយឡែក — បិទបើក "diarize" នៅលើ / transcribe / ។ Distil-Whisper large-v3 គ្រប់គ្រងការសរសេរសំបុត្រឡើងវិញ; កម្មវិធីសរសេរសំបុត្រដាក់ស្លាកផ្នែកនីមួយៗជាមួយអ្នកនិយាយ 1 / អ្នកនិយាយ2/ ល ។
បាទ — / batch / ទទួលយកថតឯកសារអូឌីយ៉ូ ។ អត្ថបទសរសេររៀងៗខ្លួនចុះចតក្នុង / account /? tab=history ជាមួយនឹងឈ្មោះឯកសារដើម ។ 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 ផ្តល់ការប្រើពាណិជ្ជកម្មនៃអត្ថបទ. អ្នកត្រូវការសិទ្ធិទៅអូឌីយ៉ូដែលអ្នកបានផ្ទុកឡើង (ការថតផ្ទាល់ខ្លួនរបស់អ្នក, វត្ថុធាតុដើមអាជ្ញាប័ណ្ណឬមាតិកាជាមួយការយល់ព្រម) ។
កត្តាពេលវេលាពិតគឺប្រហែល 0.05-0.2 × - ផតខាស់ 60 នាទី សរសេរឡើងវិញក្នុង 3-12 នាទី។ ម៉ូដែលប្រាក់រង្វាន់ជាធម្មតាបញ្ចប់លឿនជាង។ ប្រើប៊ូតុងជួរដើម្បីបិទផ្ទាំង។