Distil-Whisper large-v3
Free.ai (self-hosted)
·
stt
·
~500 бирдик minute
Distil-Whisper large-v3 - a сүйлөмдөн-текстке моделдөө, 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 чыгарылат — коммерциялык колдонууга Free.aiде уруксат берилген.
API аркылуу колдонуу
OpenAI-совместимый REST API. Генерировать ключ и вызывать эту модель в секундах.
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://..."}'Ушуга окшош моделдер
Кайсы убакта суроолор берилет
Distil-Whisper large-v3 сүйлөмдү аудиого которуп берет. MP3, WAV, M4A же видеофайлды жүктөп алыңыз, Distil-Whisper large-v3 толук транскрипт жана кошумча SRT/VTT субтитрлерин убакыт белгилери менен кайтарат.
Distil-Whisper large-v3 бир нече тилдер менен иштей алат — Whisper-family моделдери 90+, Parakeet ~25, башкалары ар кандай. "авто-обнаружение" тандаңыз же эң жогорку тактык үчүн тилдин аталышын белгилеңиз.
Сөз каталардын деңгээли таза англис аудиосунда 5-10%, ызы-чуу же акцент менен жазылган аудиодо 10-20%. Ошол эле архитектуранын чоң варианттары оор учурларда жакшы иштешет — аудио катуу болгондо чоңураак вариантты тандаңыз.
Ооба — ар бир сегментте башталыш/аяктоо убактысы бар. Экспорттоо SRT же VTT форматында, убакытты түз эле видеого киргизүү.
Distil-Whisper large-v3 биздин өз GPU-лерибизде иштелип чыгат, алгач сиздин күн сайын акысыз топтомуңузга каршы; $5 → 200,000 акы төлөнүүчү токендер андан кийин. Бир мүнөткө ~500 токендер.
MP3, WAV, M4A, FLAC, OGG, плюс видео (MP4, MOV, WebM) — аудиону чыгарабыз. Максимум 500 МБ жүктөп алууга. Узак файлдар? /audio/cut/ менен бөлүп чыгаруу же /v1/stt/batch/ колдонуп чыгаруу.
Диализ - бул өзүнчө процесс — /transcribe/-де "diarize" дегенди тандаңыз. Distil-Whisper large-v3 транскрипцияны аткарат; диализ ар бир сегментке сүйлөгөн 1 / сүйлөгөн 2 / ж.б. деген белгини берет.
Да — /batch/ аудиофайлдардын папкасын кабыл алат. Ар бир транскрипция /account/?tab=history каталогуна оригиналдуу файл аты менен түшөт. Папка-дарагын сактоо үчүн API колдонулат.
Да — аудиону /v1/stt/transcribe/ менен POST кылыңыз, model="Distil-Whisper large-v3". JSON текст + сегменттер + сөз деңгээлиндеги убакыт белгилери менен кайтарылат. /api/ толук шилтемени камтыйт.
Автономдук моделдер аудиону биздин GPU-да сакташат; премиум моделдер DPA менен өткөрүшөт. Аудио бөлүшүү терезеси аяктагандан кийин өчүрүлөт (24 саат анонимдүү, 7 күндүк кирүү). Биз сиздин киргизүүңүздү тренировка кылбайбыз.
Да — Free.ai транскрипттерди коммерциялык максатта колдонууга уруксат берет. Сизге жүктөп алган аудионун укуктары керек (өзүңүздүн жаздыруу, лицензияланган материалдар же уруксат берилген мазмун).
Реальный коэффициент приблизительно 0.05-0.2× — 60-минутный подкаст транскрибируется в 3-12 минутах. Премиум модели обычно заканчиваются быстрее. Используйте кнопку очереди, чтобы закрыть заголовок.