Distil-Whisper large-v3
Free.ai (self-hosted)
·
stt
·
~500 ಇದಕ್ಕಾಗಿನ ಸೂಚಕಗಳು minute
ಫಾರ್ಮ್ನಲ್ಲಿ(_F)_FE_ FALE_ FAYS_ FALE_ FALESYS_FESYS_VE_FALESYS [FAROXY] ನೊಂದಿಗೆ ವಿನ್ಯಾಸಿಸಲಾದ ಮೌಲ್ಯ சிறந்த_ಕಡತದಲ್ಲಿ ಅತಿ ಬಲಿಷ್ಠವಾದ_ಫೈಲಿಸ್ಟ್(_f)_preferencevice_places. Self-hosted on Free.ai GPUs — runs free against your daily token pool (500 tokens ನಿಮಿಷಕ್ಕೆ). Free.ai ರಲ್ಲಿ, ವಾಣಿಜ್ಯ ವ್ಯವಹಾರವು ಅನುಮತಿಸಲ್ಪಟ್ಟಿದೆ. (_F)
API ಮೂಲಕ ಬಳಸು
OpIA- ಹೊಂದಿಕೆಯುಳ್ಳ RAPI. ಒಂದು ಕೀಲಿಯನ್ನು ನಿರ್ಮಿಸಿ ನಂತರ ಈ ಮಾದರಿಯನ್ನು ಸೆಕೆಂಡುಗಳಲ್ಲಿ ಕರೆಯಿರಿ.
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://..."}'ಇದೇ ರೀತಿಯ ಮಾದರಿಗಳು
ಅನೇಕವೇಳೆ ಪ್ರಶ್ನೆಗಳು
ಆಡಲಾದ ಧ್ವನಿಗಳನ್ನು ಪಠ್ಯದಲ್ಲಿ ಲೋಡ್ ಮಾಡು (_F) MP3, WAV, M4A ಅಥವ ವಿಡಿಯೋ ಕಡತ ಹಾಗು _FE_PE_ PHOXY_PE_PHSE ಹಾಗು SRT/VTS ಉಪಶೀರ್ಷಿಕೆಗಳೊಂದಿಗೆ ಮರಳಿಸುತ್ತದೆ.
ಗಣಿತ ಭಾಷೆಗಳನ್ನು ನಿರ್ವಹಿಸುತ್ತದೆ (_F)_FE_ PHA_ PHOXY — 90+_TRE_TRA_ THE_ THE_MA_ CHATIM ಮಾದರಿಗಳು ಮುಚ್ಚಲ್ಪಡುತ್ತವೆ, ಇತರೆವು, "ಸ್ವಯಸ್వಯವಾಗಿ-ಕೊಳಪಡಿಸು" ನ್ನು ಆಯ್ಕೆ ಮಾಡಿ ಅಥವಾ ಭಾಷೆಯನ್ನು ಅತಿ ನಿಷ್ಕೃಷ್ಟವಾಗಿ ಸೂಚಿಸು.
Word-error ದರ 510% ಶುದ್ಧ ಇಂಗ್ಲೀಷ್ ಆಡಿಯೊದಲ್ಲಿ, ಧ್ವನಿಸುರುಳಿ ಅಥವ ಧ್ವನಿಸುರುಳಿಯಲ್ಲಿ 1020%. ಒಂದೇ ವಿನ್ಯಾಸದ ದೊಡ್ಡ ಬದಲಾವಣೆಗಳು ತುಂಬಾ ಕಷ್ಟಕರವಾಗಿದ್ದಾಗ ಹೆಚ್ಚು ಉತ್ತಮಗೊಳ್ಳುತ್ತವೆ. ಆಡಿಯೋ ವಿದ್ಯುಚ್ಚಕ್ತಿಯಾಗುವಾಗ ದೊಡ್ಡದು ಆಯ್ಕೆ ಮಾಡಿ
ಹೌದು, ಪ್ರತಿಯೊಂದು ಭಾಗವು ಆರಂಭ/ ಅಂತ್ಯದ ಸಮನಗಳನ್ನು ಒಳಗೊಂಡಿದೆ. ಆರೋಹಣೆ SRT ಅಥವಾ VTT ಎಂದು ರಫ್ತು ಮಾಡಿ ಹಾಗು ಸಮಯಗಳು ನಿಮ್ಮ ವೀಡಿಯೋನಲ್ಲಿ ನೆಟ್ಟಗೆ.
ಒಂದು ನಿಮಿಷಕ್ಕೆ ಸುಮಾರು 1000 ಸೂಚಕಗಳು(_F)
MP3, WAV, MAG, OGC, OGGC, ಹಾಗೂ ವಿಡಿಯೋ (MOV, WOM) - ನಾವು ಆಡುಗೊಳಕ್ಕೆ (ಆಡಿಯೋ). ಹೆಚ್ಚುವರಿ 500 ಕಡತಗಳನ್ನು, / livo/ sock/ state/ bitch/ basech ಗೆ ವಿಭಜಿಸು.
ಸಂಪರ್ಕಸಾಧಿಸುವಿಕೆ ಒಂದು ಪ್ರತ್ಯೇಕ ತೆರಳಾಗಿದೆ — /tranchation/ on. FREI_ PHS_ PHI_ PHSE_BAR_ಸಾಧನವನ್ನು ನಿಭಾಯಿಸುತ್ತದೆ; ಪ್ರತಿಯೊಂದು ವಿಭಾಗವನ್ನೂ ಭಾಷಣಕಾರ 1 / 2 ಗೆ ಸೂಚಿಸಲಾಗುತ್ತದೆ.
— ಹೌದು, ಆಡಿಯೋ ಕಡತಗಳ ಒಂದು ಕಡತಕೋಶವನ್ನು / bactch/ ಸ್ವೀಕರಿಸುತ್ತದೆ. /ac ಲೆಕ್ಕಾಚಾರದಲ್ಲಿ ಪ್ರತಿ ಯೊಂದು ಸಾಮಾನ್ಯ ದೇಶಗಳು/? Tab=tabbing. ಕಡತಕೋಶವನ್ನು ಉಳಿಸಲು API ಅನ್ನು ಬಳಸುತ್ತದೆ.
ಹೌದು, ನಿಮ್ಮ ಆಡಿಯೊವನ್ನು /v1/tranch ಅನ್ನು ಮಾದರಿ=/ fEI_ PHS_ PATH_BAR_fE_BAR_fE_ PHS_BAR_fALOXY ಗೆ ಹಿಂದಿರುಗುತ್ತದೆ. /ap- minists. ಪೂರ್ಣ ಉಲ್ಲೇಖವನ್ನು ಹೊಂದಿದೆ.
ಸ್ವಪ್ರಯೋಜಕ ಮಾದರಿಗಳು ನಮ್ಮ GPUS ನಲ್ಲಿ ಆಡಿಯೋವನ್ನು ಇರಿಸುತ್ತವೆ; ಒಂದು DPA ಸಹ ಸಹಿತ ಹಾದು ಹೋಗುತ್ತದೆ. ಶ್ರೇಣಿ ಅನ್(24H, ೭- ೧), ೭- ಅನುಪಾತದ ನಂತರ ಆಡಿಯೋ ಅನ್ನು ಅಳಿಸಲಾಗುತ್ತದೆ. ನಾವು ನಿಮ್ಮ ಪ್ರದಾನಗಳ ಮೇಲೆ ತರಬೇತಿಯನ್ನು ಪಡೆಯುವುದಿಲ್ಲ.
ಹೌದು, Free.ai ಮಂದಿ ಈ ರೋಚಿಂಗ್ಗಳನ್ನು ವಾಣಿಜ್ಯ ವ್ಯವಹಾರವನ್ನು ನೀಡುತ್ತಾರೆ.
ನಿಜವಾದ ಸಮಯ ಅಂಶವು 0.05actipt text. ೨. ೨೦೦ ನಿಮಿಷಗಳಲ್ಲಿ 60- ಚಿಕ್ಕ ಪೋರ್ಟ್ ಬೋರ್ಡಿಂಗ್ ಬೋರ್ಡಿಂಗ್ಗಳು. ಪ್ರೇಡಿಯಮ್ ಮಾದರಿಗಳು ಅನೇಕವೇಳೆ ವೇಗವಾಗಿ ಮುಗಿಸಲ್ಪಡುತ್ತವೆ. ಹಾಳೆಯನ್ನು ಮುಚ್ಚಲು ಅನುಕ್ರಮ ಗುಂಡಿಯನ್ನು ಬಳಸಿ.