Distil-Whisper large-v3
Free.ai (self-hosted)
·
stt
·
~500 tokens për minute
Distil-Whisper large-v3 është a model fjalimi-në-tekst i ndërtuar nga HuggingFace. Më i forti në Real-time transcription, large-volume batch STT.. Vetë-pritur në Free.ai GPUs — funksionon pa pagesë kundër pool-it të token-it të përditshëm (500 tokens për minutë). Liruar nën MIT - përdorimi komercial i lejuar nën Free.ai.
Përdorimi nëpërmjet API
API REST e përshtatshme me OpenAI. Gjenerati një kyç dhe thirreni këtë model në sekonda.
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://..."}'Modele të ngjashme
Pyetja e shpeshtë
Distil-Whisper large-v3 transkripton audion e folur në tekst. Ngarko një file MP3, WAV, M4A ose video dhe Distil-Whisper large-v3 kthen transkriptimin e plotë plus subtitrat opcionalë SRT/VTT me shenjat e kohës.
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.
Norma e gabimeve të fjalëve është 5-10% në audion e pastër anglisht, 10-20% në audion me zhurmë apo me theksim. Variantet e mëdha të të njëjtës arkitekturë bëjnë më mirë në raste të vështira - zgjedh më të mëdha kur audio është e papërpunuar.
Po - çdo segment përfshin një shtyllë kohore fillimi/fundi. Eksporto si SRT ose VTT dhe kohët do të vendosen drejtpërdrejt në video.
Distil-Whisper large-v3 shkon në GPU-të tona kundër pool-it tuaj të përditshëm të lirë së pari; $5 → 200,000 token-ë të paguar pas kësaj. Rreth ~500 token-ë në minutë.
MP3, WAV, M4A, FLAC, OGG, plus video (MP4, MOV, WebM) - nxjerrim audion. Maksimum 500 MB për upload. File më të gjatë? Ndaj me /audio/cut/ ose përdor /v1/stt/batch/.
Diarizimi i folësit është një kalim i veçantë - ndërro "diarize" në /transcribe/. Distil-Whisper large-v3 trajton transkriptimin; diarization etiketon çdo segment me Folësi 1 / Folësi 2 / etj.
Po - /batch/ pranon një kartelë me file audio. Çdo transkriptim përfundon në /account/?tab=history me emrin origjinal të file. Për ruajtjen e pemës së kartelave përdor API.
Po - POST audion tuaj tek /v1/stt/transcribe/ me modelin "Distil-Whisper large-v3". Kthen JSON me tekst + segmente + timestamp në nivel fjalësh. /api/ ka referencën e plotë.
Modelet e vetë-hostuar mbajnë audion në GPU-të tona; premium kalojnë nëpërmjet me një DPA. Audio fshihet pas dritares së ndarjes (24 orë anonim, 7 ditë të hyrjes). Ne nuk trajnojmë input-in tuaj.
Po - Free.ai lejon përdorimin komercial të transkriptave. Ju duhet të keni të drejtat për audion që keni ngarkuar (inxhinieri juaj, material i licencuar, ose përmbajtje me leje).
Faktori i kohës së vërtetë është rreth 0.05-0.2× - një podcast 60-minutësh transkribohet në 3-12 minuta. Modelet Premium shpesh përfundojnë më shpejt. Përdor butonin e radhës për të mbyllur skedën.