Distil-Whisper large-v3
Free.ai (self-hosted)
·
stt
·
~500 Токендер minute
Distil-Whisper large-v3 - a Сөздөн-текшке модел, HuggingFace тарабынан курулган. Real-time transcription, large-volume batch STT. боюнча эң күчтүү. Free.ai ГПУда өзүнчө жайгаштырылган — сиздин күн сайынгы токендердин пулу менен акысыз иштей алат (500 токендер мүнөтүнө). MIT лицензиясы менен чыгарылган - коммерциялык колдонууга Free.ai лицензиясы менен уруксат берилген.
API аркылуу колдонуу
OpenAI-ка ылайыктуу REST API. Ачкычтарды генерациялоо жана бул моделди секундаларда чакыруу.
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://..."}'Кайра-кайра берилүүчү суроолор
Distil-Whisper large-v3 - аудиону текстке которуу программасы. MP3, WAV, M4A же видеофайлдарды жүктөп алыңыз, Distil-Whisper large-v3 толук транскрипцияны жана кошумча SRT/VTT субтитрлерин убакыт белгилери менен кайтарат.
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 каталардын саны таза англис аудиосунда 5-10%, ызы-чуу же акцент менен жазылган аудиодо 10-20% түзөт. Бирдей архитектурадагы чоң варианттар татаал учурларда жакшы иштешет - аудио катуу болгондо чоңураак вариантты тандаңыз.
Ооба - ар бир сегментте башталыш/аялуу убактысы бар. Экспорт SRT же VTT форматында болот, ал эми убакыттар видеого түз эле жазылат.
Distil-Whisper large-v3 биздин GPU-ларда иштелип чыгат, алгач сиздин күн сайынгы акысыз топтомуңузга каршы; $5 → 200,000 акы төлөнүүчү токендер кийин. Минутына ~500 токендер.
MP3, WAV, M4A, FLAC, OGG, plus видео (MP4, MOV, WebM) - мы извлекаем аудио. Максимум 500 МБ за загрузку. Большие файлы? Разделите /audio/cut/ или используйте /v1/stt/batch/.
Сөйлөгөн адамдын диаризациясы өзүнчө өтүү - /transcribe/'де "diarize" дегенди тандаңыз. Distil-Whisper large-v3 транскрипцияны аткарат; диаризация ар бир сегментти сүйлөгөн адам 1 / сүйлөгөн адам 2 / ж.б. менен белгилейт
Да - /batch/ принимает папку аудиофайлов. Каждый транскрипт оказывается в /account/?tab=history с оригинальным файловым именем. Для сохранения папки используйте API.
Да - аудиону POST /v1/stt/transcribe/ менен model="Distil-Whisper large-v3" деп. Текст + сегменттер + сөз деңгээлиндеги убакыт белгилери менен JSON кайтарат. /api/ толук шилтемеси бар.
Автономные модели сохраняют аудио на наших графических процессорах; премиум модели сохраняют аудио на наших графических процессорах; премиум модели сохраняют аудио на наших графических процессорах. Аудио после разделения окна (24 часа анон, 7 дней входа) удаляется. Мы не тренируем ваши вводные данные.
Да - Free.ai транскрипцияларды коммерциялык максатта колдонууга уруксат берет. Сизге жүктөп алган аудиону (өзүңүздүн жаздырууңуз, лицензияланган материал же уруксат берилген мазмун) колдонууга укук керек.
Реальный фактор времени составляет примерно 0.05-0.2× - 60-минутный подкаст транскрибируется в течение 3-12 минут. Премиум модели чаще всего заканчиваются быстрее. Используйте очередь кнопку для закрытия закладки.