faster-whisper large-v3
Free.ai (self-hosted)
·
stt
·
~500 tokens por minute
faster-whisper large-v3 é a modelo de voz- a- texto construído por OpenAI / SYSTRAN. "A mellor en Accurate transcription". Auto-aloxado en Free.ai GPUs — executa libremente contra o seu conxunto de tokens diarios (500 tokens por minuto). Publicado baixo a licenza MIT — uso comercial permitido en Free.ai.
Empregar a través da API
API REST compatíbel con OpenAI. Xere unha chave e chame a este modelo en segundos.
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://..."}'Modelos semellantes
Preguntas frecuentes
faster-whisper large-v3 transcríbeo en texto. Envíe un ficheiro MP3, WAV, M4A ou vídeo e faster-whisper large-v3 devolve a transcrición completa máis os subtítulos SRT/VTT opcionais con marcas de data/hora.
faster-whisper large-v3 xestiona ducias de linguas — os modelos da familia Whisper cobren 90+, Parakeet cobre ~25, outros varían. Escolla « auto- detección » ou especifique a lingua para a maior precisión.
A taxa de erros de palabras é do 5- 10% en son inglés puro, do 10- 20% en son ruidoso ou acentuado. As variantes grandes da mesma arquitectura funcionan significativamente mellor en casos duros; escolla máis grandes cando o son é áspero.
Si, cada segmento inclúe marcas de tempo de inicio/ fin. Exporte como SRT ou VTT e os tempos serán mapeados directamente no vídeo.
faster-whisper large-v3 executase nas nosas propias GPUs contra o teu grupo diario de tokens libres primeiro; $5 → 200. 000 tokens pagados despois. Aproximadamente ~500 tokens por minuto.
MP3, WAV, M4A, FLAC, OGG, máis vídeo (MP4, MOV, WebM) — extraemos o son. Máximo 500 MB por envío. Ficheiros máis longos? Dividir con / audio/ cut/ ou usar / v1/ stt/ batch /.
A diarización do falante é unha pasada separada — conmute « diarize » en / transcribe /. faster-whisper large-v3 xestiona a transcrición; a diarización etiqueta cada segmento con Falante 1 / Falante 2 / etc.
Si — / batch / acepta un cartafol de ficheiros de son. Cada transcrición atópase en / account /? tab=history co nome de ficheiro orixinal. Para preservar a árbore de cartafoles use a API.
Si — POST o seu son a / v1/ stt/ transcribe / con model=" faster-whisper large-v3 ". Devolve JSON con texto + segmentos + marcas de tempo a nivel de palabra. / api / ten a referencia completa.
Os modelos auto- hospedados manteñen o son nas nosas GPU; os premium pasan a través dun DPA. O son é borrado despois da fiestra de compartición (24h anon, 7d de sesión). Non adestramos coas túas entradas.
Si, Free.ai concede o uso comercial das transcricións. Precisa dos dereitos do son que enviou (a súa propia gravación, material con licenza ou contido con permiso).
O factor de tempo real é aproximadamente 0, 05- 0, 2× — un podcast de 60 minutos transcríbese en 3- 12 minutos. Os modelos Premium adoitan rematar máis rápido. Use o botón de fila para pechar a lingüeta.