Distil-Whisper large-v3
Free.ai (self-hosted)
·
stt
·
~500 tokens per minute
Ny Distil-Whisper large-v3 dia a Modelin'ny fiteny mankany amin'ny lahabolana namboarin'i HuggingFace. Strongest at Real-time transcription, large-volume batch STT.. Self-hosted on Free.ai GPUs — runs free against your daily token pool (500 tokens isan'andro). Navoaka teo ambany fahazoan-dàlana MIT - fahazoan-dàlana hampiasana ho an'ny dokam-barotra teo amin'ny Free.ai.
Ampiasaina amin'ny alalan'ny API
API REST mifanaraka amin'ny OpenAI. Mamorona famaha ary miantso ity modely ity anatin'ny segondra vitsy.
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://..."}'Fanontaniana matetika
Ny Distil-Whisper large-v3 dia mamadika ny feo miteny ho andalana. Afindrao ny rakitra MP3, WAV, M4A, na lahatsary iray ary ny Distil-Whisper large-v3 dia hamaly ny fandikana feno miaraka amin'ny dikanteny SRT/VTT azo ampiasaina miaraka amin'ny fanamarinana ny fotoana.
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.
Ny tahan'ny teny diso dia 5-10% amin'ny feo Anglisy madio, 10-20% amin'ny feo mikorontana na misy tsindry. Ny endrika lehibe amin'ny endrika mitovy dia tena tsara kokoa amin'ny tranga sarotra - misafidy lehibe kokoa rehefa tsy mahavita ny feo.
Eny - misy ny fotoana fanombohana/farany ny ampahany tsirairay. Alefa amin'ny endrika SRT na VTT ary miditra mivantana amin'ny lahatsary ny fotoana.
Miasa amin'ny GPU-ntsika manokana ny Distil-Whisper large-v3, miady amin'ny tahirin-kevitrao maimaimpoana isan'andro aloha; $5 → 200.000 tokens voaloa aorian'izay. Manodidina ny ~500 tokens isan-minitra.
MP3, WAV, M4A, FLAC, OGG, ary lahatsary (MP4, MOV, WebM) - avoakanay ny feo. 500 MB farafahakeliny isaky ny fandefasana. Raha rakitra lava kokoa? Azara amin'ny /audio/cut/ na ampiasaina amin'ny /v1/stt/batch/.
Speaker diarization is a separate pass - toggle "diarize" on /transcribe/. Distil-Whisper large-v3 handles the transcription; diarization labels each segment with Speaker 1 / Speaker 2 / etc.
Eny - manaiky laha-tahiry misy rakitra audio ny /batch/. Ao anatin'ny /account/?tab=history miaraka amin'ny anaran-drakitra voalohany no misy ny dika mitovy. Ampiasao ny API raha te hitahiry ny hazo'ny laha-tahiry.
Eny - mandefa ny feonao any amin'ny /v1/stt/transcribe/ miaraka amin'ny model="Distil-Whisper large-v3". Mamoaka JSON misy lahabolana + ampahany + famantarana ny fotoana amin'ny ambaratongan'ny teny. Ny /api/ no manana ny rohy feno.
Mametra ny feo ao amin'ny GPU-ntsika ny modely mizaka tena; ny premium dia mandalo amin'ny alalan'ny DPA. Fafàna rehefa tapitra ny fikandrana fifampizarana (24 ora anon, 7 andro fidirana) ny feo. Tsy mampianatra ny angon-drakitrao izahay.
Eny - manome alalana ny fampiasana ny fandikana amin'ny tombontsoa ara-barotra ny Free.ai. Mila ny zo amin'ny feo nalefao ianao (ny fandraketanao manokana, ny fitaovana nahazo alalana, na ny votoaty nahazoana alalana).
Ny tahan'ny fotoana tena izy dia eo amin'ny 0.05-0.2× - podcast 60 minitra iray dia adika amin'ny 3-12 minitra. Matetika haingana kokoa ny modely premium. Ampiasao ny tsindry filaharana hikatona ny vakizoro.