Distil-Whisper large-v3
Free.ai (self-hosted)
·
stt
·
~500 ٽوڪنز minute
Distil-Whisper large-v3 a ڳالھائڻ-لکڻ لاءِ ماڊل HuggingFace طرفان ٺاھيو ويو آھي. Real-time transcription, large-volume batch STT. تي تمام مضبوط. Free.ai GPUs تي پاڻمرادو ميزبان - توهان جي روزاني ٽوڪين پول (500 ٽوڪين في منٽ) جي خلاف مفت هلندو آهي. MIT تحت جاري ڪيو ويو - تجارتي استعمال Free.ai تي اجازت ڏني وئي.
API ذريعي استعمال ڪريو
OpenAI-compatible REST API. هڪ ڪُل پيدا ڪريو ۽ ھن ماڊل کي سيڪنڊن ۾ سڏيو.
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://..."}'گھڻا پڇيل سوال
Distil-Whisper large-v3 ڳالهائيندڙ آڊيو کي متن ۾ تبديل ڪندو آھي. MP3، WAV، M4A يا وڊيو فائل اپ لوڊ ڪريو ۽ Distil-Whisper large-v3 مڪمل ترنسڪريٽ ۽ اختياري SRT/VTT عنوانن سان گڏ وقت جي نشانين سان موٽائيندو آھي.
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.
لفظ-خطر جي شرح 5-10% صاف انگريزي آڊيو تي، 10-20% شور يا ڌڪ آڊيو تي آهي. وڏيون تبديليون هڪ ئي آرڪائيوگراف جي سخت ڪيسن تي بهتر ڪم ڪن ٿيون - وڏي چونڊيو جڏهن آڊيو سخت آهي.
ھائو - هر حصي ۾ شروعات/آخر وقت جو نشان شامل آھي. SRT يا VTT طور برآمد ڪريو ۽ وقت جو نقشو سڌو پنھنجي وڊيو تي.
Distil-Whisper large-v3 پنهنجي روزاني مفت پول جي خلاف پنهنجي پاڻ تي GPUs تي هلندو آهي؛ $5 → 200,000 ادا ڪيل ٽوڪنز ان کان پوءِ. تقريبن ~500 ٽوڪنز في منٽ.
MP3, WAV, M4A, FLAC, OGG, plus video (MP4, MOV, WebM) - اسان آڊيو کي ڪڍي ڇڏيو. Max 500 MB per upload. ڊگھي فائلون؟ /audio/cut/ سان ورهايو يا /v1/stt/batch/ استعمال ڪريو.
اسپيڪر ڊيائريزيشن هڪ الڳ پاس آهي - "diarize" کي /transcribe/ تي تبديل ڪريو. Distil-Whisper large-v3 ڊائريزيشن کي سنڀاليندو آھي؛ ڊيائريزيشن هر حصي کي اسپيڪر 1 / اسپيڪر 2 / وغيره سان ليڪ ڪري ٿو.
ھائو - /batch/ آڊيو فائل جو هڪ فولڊر قبول ڪري ٿو. هر ترنسڪريٽ /account/?tab=history ۾ اصل فائل نالي سان لھندي آھي. فولڊر-وڻ جي سنڀال لاءِ API استعمال ڪريو.
ھائو - پنھنجي آڊيو کي /v1/stt/transcribe/ ڏانهن POST ڪريو model="Distil-Whisper large-v3" سان. JSON کي متن + حصن + لفظ-پائيدار timestamps سان موٽائي ٿو. /api/ ۾ پورو حوالو آھي.
پاڻ کي ميزبان ماڊل اسان جي GPUs تي آڊيو رکي ٿو؛ پريميئم DPA سان گذري ٿو. آڊيو حصيداري-وينديءَ کان پوءِ ختم ڪيو ويندو آهي (24h انون، 7d لاگ ان). اسان توھان جي انپٽ تي تربيت نه ڪندا آھيون.
ھائو - Free.ai ترنسڪريٽ جو تجارتي استعمال ڪري ٿو. اوھان کي اوھان جي اپ لوڊ ڪيل آڊيو جا حق گھرجن (پنھنجو پاڻ رڪارڊ، لائسنس ٿيل مواد يا رضامندي سان مواد).
ريئل ٽائيم فڪٽر تقريبن 0.05-0.2× آهي - 60 منٽن جو پوڊ ڪاسٽ 3-12 منٽن ۾ نقل ڪري ٿو. پرائمري ماڊل اڪثر جلدي ختم ٿيندا آهن. ٽيب بند ڪرڻ لاءِ انتظار بٽڻ استعمال ڪريو.