Distil-Whisper large-v3
Free.ai (self-hosted)
·
stt
·
~500 توکي minute
Distil-Whisper large-v3 ده a ليکنې ته وينا بېلګه جوړه له خوا HuggingFace. په Real-time transcription, large-volume batch STT. قوي. په Free.ai GPUs کې ځان کوربه - ستاسو د ورځني ټوکن پوټ (500 ټوکنونه په منټه) په وړاندې وړیا چلیږي. د MIT لاندې خپور شو - د سوداګریزو کارولو په Free.ai اجازه ورکړل.
د API له لارې کارول
د OpenAI-متوافق REST API. د کلیدي تولید او په ثانیو کې دا ماډل وغواړئ.
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://..."}'ډېرې پوښتنې
Distil-Whisper large-v3 په متن کې د خبرو آډیو نقل کوي. د MP3، WAV، M4A، یا ویډیو فایل او Distil-Whisper large-v3 د وخت سره د بشپړ نقل سره د اختیاري SRT / VTT سرلیکونه بیرته راستون کړئ.
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.
د کلمې غلطۍ کچه د پاک انګليسي غږ په اړه 5-10٪ ده، د غږ یا غږ غږ په اړه 10-20٪. د ورته معمارۍ لوی ډولونه په سختو قضیو کې معنی لري - کله چې غږ سخت وي نو لوی انتخاب کړئ.
هو - هر برخې کې د پیل / پای timestamps شامل دي. د SRT یا VTT په توګه صادرات او د وخت نقشه مستقیم ستاسو ویډیو ته.
Distil-Whisper large-v3 لومړی د خپل ورځني وړیا حوض پروړاندې زموږ په GPUs کې چلیږي؛ $ 5 → 200,000 وروسته د تادیې توکي. د ~ 500 توکي په دقیقه کې.
MP3، WAV، M4A، FLAC، OGG، او ویډیو (MP4، MOV، WebM) - موږ آډیو استخراج کوو. په هر اپلوډ کې د 500 MB اعظمي. اوږدې فایلونه؟ د /audio/cut/ سره ویشئ یا /v1/stt/batch/ وکاروئ.
د ویناوال diarization یو جلا پاس دی - د "diarize" په / transcribe /. Distil-Whisper large-v3 د نقل د لاسونو د بدلولو؛ diarization سره د ویناوال 1 / د ویناوال 2 / او داسې نور هر برخې لیبلونه
هو - / batch / د غږيزو دوتنو پوښۍ مني. هر نقل په /account / کې ځمکې سره د اصلي دوتنې نوم. د پوښۍ-ونې ساتنې لپاره د API وکاروئ.
هو - ستاسو آډیو ته / v1 / stt / transcribe / سره د ماډل "Distil-Whisper large-v3" سره پوسټ کړئ. د متن + برخو + د کلمې کچې timestamps سره JSON بیرته راځي. /api / بشپړ حواله لري.
د ځان کوربه شوي ماډلونه زموږ په GPUs کې آډیو ساتي؛ د DPA سره د پریمیم له لارې تیریږي. آډیو د شریک کړکۍ (24h anon، 7d sign-in) وروسته حذف کیږي. موږ ستاسو د انټرنیټونو پراساس تمرین نه کوو.
هو - Free.ai د نقلونو سوداګریز کارولو ته اجازه ورکوي. تاسو ته د غږ حقونه اړتیا لرئ چې تاسو یې پورته کړی (د خپل ځان ثبت، د جواز مواد، یا د رضایت سره مینځپانګې).
د ریښتیني وخت فکتور په 0.05-0.2 × کې دی - د 60 دقیقې پوډکاسټ په 3-12 دقیقو کې لیږدوي. د پریمیم ماډلونه اکثرا ګړندي پای ته رسیږي. د ټب بندولو لپاره د قطار ت buttonۍ وکاروئ.