Distil-Whisper large-v3
Free.ai (self-hosted)
·
stt
·
~500 Бер буш урынга minute
Distil-Whisper large-v3 — a сүздән-матнга модель HuggingFace тарафыннан төзелгән. Strongest at Real-time transcription, large-volume batch STT.. Self-hosted on Free.ai GPUs — runs free against your daily token pool (500 tokens минутына). Released under MIT — commercial use permitted on Free.ai.
API аша куллану
OpenAI-га туры килгән REST API. Ключны булдырыгыз һәм бу модельне секундлар эчендә чакырыгыз.
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://..."}'Кайвакыт сорала торган сораулар
Distil-Whisper large-v3 сөйләнгән аудионы текстка тәрҗемә итә. MP3, WAV, M4A яки видеофайлны куегыз һәм Distil-Whisper large-v3 вакыт билгесе белән өстәмә SRT/VTT субтитрлары белән тулы тәрҗемәне кайтара.
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.
Сүз хаталары дәрәҗәсе чиста инглиз телендә 5-10%, 10-20% тавышлы яки акцентлы аудиода. Шул ук архитектураның зур вариантлары авыр очракларда яхшырак эшли - аудио катлаулы булса зурракны сайлагыз.
Әйе - һәр сегмент башлану/азалу вакыты билгеләрен кертә. SRT яки VTT итеп экспортлау һәм вакытны видеога турыдан-туры күчерү.
Distil-Whisper large-v3 runs on our own GPUs against your daily free pool first; $5 → 200,000 paid tokens after that. About ~500 tokens per minute.
MP3, WAV, M4A, FLAC, OGG, һәм видео (MP4, MOV, WebM) - аудионы чыгарабыз. Бер йөкләү өчен максималь 500 МБ. Озынрак файллар? /audio/cut/ белән аерыгыз яки /v1/stt/batch/ кулланыгыз.
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.
Әйе - /batch/ аудио файллар каталогын кабул итә. Һәрбер транскрипция /account/?tab=history каталогына оригиналь файл исеме белән урнаштырыла. Бульвар-куакны саклау өчен API кулланыгыз.
Yes - POST your audio to /v1/stt/transcribe/ with model="Distil-Whisper large-v3". Returns JSON with text + segments + word-level timestamps. /api/ has the full reference.
Үз-үзен тоту моделләре аудионы безнең графік процессорларда саклый; премиум DPA белән үтә. Аудио бүлешү тәрәзәсе тәмамланганнан соң юкка чыгарыла (24 сәгатьтән соң, 7 көнгә кадәр кертелгән). Без сезнең кертемнәрне өйрәнмибез.
Әйе - Free.ai транскрипцияләрне коммерция максатларында кулланырга рөхсәт итә. Сезгә үзегез урнаштырган аудионың хокуклары кирәк (үзегезнең яздыруыгыз, лицензияле материал яки рөхсәт ителгән эчтәлек).
Реаль вакыт факторы якынча 0.05-0.2× - 60 минутлык подкаст 3-12 минут эчендә языла. Премиум модельләре ешрак тизрәк тәмамлана. Табынны ябарга чират баскычын кулланыгыз.