የችግር / የችሎታ ጥያቄ አቅርብ

faster-whisper large-v3

Free.ai (self-hosted) · stt · ~500 ቶኮኖች ለ minute

የድምፅ ወይም የቪዲዮ ፋይልን አጣቅስ ወይም URLን ከዚህ በታች አስቀምጥ

~500 ቶኮኖች ለ minute

faster-whisper large-v3 a የቃል-ወደ-ጽሑፍ ሞዴል በOpenAI / SYSTRAN የተገነባ ነው Accurate transcription ላይ በጣም ጠንካራ ነው። በ Free.ai GPUs ላይ ራስ-ተስተናገደ - በዕለት ተዕለት ቶኬን ፑልዎ ላይ ነፃ ይሰራል (500 ቶኬኖች በ ደቂቃ)። በMIT ስር ተዘጋጅቷል — የቢዝነስ ጥቅም በFree.ai ላይ ተፈቅዷል

ከAPI በመጠቀም

OpenAI-የተስማማ REST API. ቁልፍን ይፈጥሩ እና በዚህ ሞዴል በሴኮንዶች ውስጥ ይጥሩት

curl -X POST https://api.free.ai/v1/stt/ \
  -H "Authorization: Bearer sk-free-..." \
  -H "Content-Type: application/json" \
  -d '{"model":"faster-whisper-large-v3","audio_url":"https://..."}'
ማስረጃ የAPI ቁልፍ ማግኘት

ተመሳሳይ ሞዴሎች

ElevenLabs STT
Fal Speech-to-Text
Wizper (Whisper v3)
ሁሉንም ሞዴሎች አሳይ →

ብዙ ጊዜ የሚጠየቁ ጥያቄዎች

faster-whisper large-v3 የተናገረውን ድምፅ ወደ ጽሑፍ ይለውጣል። MP3, WAV, M4A ወይም የቪዲዮ ፋይልን ጫን እና faster-whisper large-v3 የተሟላውን ድምፅ ተጨማሪ የ SRT/VTT ርዕሶችን ከጊዜ ምልክቶች ጋር ይመለሳል

faster-whisper large-v3 ብዙ ቋንቋዎችን ይይዛል - Whisper-ቤተሰብ ሞዴሎች 90+, Parakeet ~25 ይሸፍናሉ፣ ሌሎችም ይለያያሉ። "ራስ-አስተዋወቅ"ን ይምረጡ ወይም ከፍተኛ ትክክለኛነት ያለውን ቋንቋ ግለጹ።

የቃል ስህተት መጠን በጥሩ እንግሊዝኛ ድምፅ ላይ 5-10% ነው፣ በጩኸት ወይም በድምፅ ላይ 10-20% ነው። የአንድ ተመሳሳይ አርክቴክቸር ትልቅ ልዩነቶች በከባድ ጉዳዮች ላይ የበለጠ ትርጓሜ አላቸው - ድምፅ ከባድ ከሆነ ትልቅ ይውሰዱ።

አዎ - ክፍል ሁሉ የመጀመርያ/መጨረሻ ጊዜ ምልክቶች ይዟል. እንደ SRT ወይም VTT መላክ እና ጊዜዎቹን በቀጥታ ወደ ቪዲዮዎ ማሳየት

faster-whisper large-v3 በመጀመሪያ በዕለታዊ ነፃ ሶልዎ ላይ በግል GPUs ላይ ይሠራል; $5 → 200,000 የተከፈለ ቶኮኖች ከዚያ በኋላ. በ ~500 ቶኮኖች በአንድ ደቂቃ.

MP3, WAV, M4A, FLAC, OGG, plus video (MP4, MOV, WebM) — ድምጹን እናወጣለን። በአንድ መላክ 500 MB ከፍ ያለ። ረጅም ፋይሎች? /audio/cut/ ወይም /v1/stt/batch/ ይጠቀሙ።

የተናጋሪው መዝገብ ቤት የተለየ መውጫ ነው - "diarize"ን /transcribe/ ላይ ይጫኑ። faster-whisper large-v3 መዝገብ ቤቱን ይይዛል፤ መዝገብ ቤት ክፍል ሁሉንም በተናጋሪ 1 / ተናጋሪ 2 / ወዘተ.

አዎ - /batch/ የድምፅ ፋይሎችን ፎልደር ይቀበላል. እያንዳንዱ ትራንስክሪፕት በ /account/?tab=history ውስጥ በፋይል ስም ይመጣል. ለፎልደር-ዘንግ ጥበቃ APIን ይጠቀሙ

አዎ - የድምፅ መልዕክቱን ወደ /v1/stt/transcribe/ በሞዴል "faster-whisper large-v3" ይላኩ። JSONን በጽሑፍ + ክፍሎች + ቃል-ደረጃ ጊዜ-አስማሚዎች ይመለሳል። /api/ ሙሉውን ማመልከት አለው።

የራስ-አስተናጋጅ ሞዴሎች ድምፅን በጂፒዩዎች ላይ ያቆያሉ፤ ፕሪሚየም ከዲፒአ ጋር ይሻገራል። ድምፅ ከጋራ-አስተናጋጅ-አስተ

አዎ - Free.ai የጽሑፍ ቅጂዎችን የቢዝነስ ጥቅም ይሰጣል. ለቀረበው ድምፅ መብቶች (የራስዎ መዝገብ፣ የሊስንስ ቁሳቁስ ወይም የባለቤትነት ይዘት) ያስፈልጋሉ

የጊዜ መጠን 0.05-0.2× ነው - 60 ደቂቃ የፖድካስት 3-12 ደቂቃዎች ውስጥ ይጻፋል. የፕሪሚየም ሞዴሎች ብዙውን ጊዜ በብቃት ይጨርሳሉ. መክፈቻውን ለመክፈት የፍለጋ ቁልፉን ይጠቀሙ.

Free.aiን ወዳለህ? ወዳጆችህን ንገራቸው!

ይህ ገጽ