faster-whisper large-v3
Free.ai (self-hosted)
·
stt
·
~500 توکي په minute
faster-whisper large-v3 د a ليکنې ته وينا بېلګه لخوا جوړ شوی OpenAI / SYSTRAN. په Accurate transcription کې تر ټولو قوي. په Free.ai GPUs کې ځان کوربه - ستاسو د ورځني ټوکن پوټ (500 ټوکنونه په منټه کې) په وړاندې وړیا چلیږي. د MIT لاندې خپور شوی - د سوداګرۍ کارولو لپاره اجازه ورکړل شوې Free.ai.
د API له لارې کارول
OpenAI-متوافق REST API. د کیلي تولید او په ثانیو کې دا ماډل ووایاست.
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://..."}'ډېرې پوښتنې
faster-whisper large-v3 په متن کې خبرې شوي غږونه لیږلي. د MP3، WAV، M4A، یا ویډیو فایل او faster-whisper large-v3 د وخت سره د اختیاري SRT / VTT سرلیکونو سره بشپړ لیږد بیرته راستون کړئ.
faster-whisper large-v3 د ژبو لسګونه ژبې اداره کوي - Whisper-کورنۍ ماډلونه 90 + پوښي ، Parakeet پوښي ~ 25 ، نور توپیر لري. د "خودکار کشف" غوره کړئ یا د لوړې دقیقیت لپاره ژبه وټاکئ.
د کلمې غلطۍ کچه د پاک انګليسي غږ په اړه 5-10٪ ده، د غږ یا غږ غږ په اړه 10-20٪. د ورته معمارۍ لوی ډولونه په سختو قضیو کې معنی لري - لوی غوره کړئ کله چې غږ سخت وي.
هو - هر برخې کې د پیل / پای timestamps شامل دي. د SRT یا VTT په توګه صادرول او د وخت نقشه مستقیم ستاسو ویډیو ته.
faster-whisper large-v3 لومړی د خپل ورځني وړیا حوض پروړاندې زموږ په GPUs کې چلیږي؛ $ 5 → 200,000 وروسته د تادیې توکي. د ~ 500 توکي په دقیقه کې.
MP3، WAV، M4A، FLAC، OGG، او ویډیو (MP4، MOV، WebM) - موږ آډیو استخراج کوو. په هر اپلوډ کې 500 MB. اوږدې فایلونه؟ د /audio/cut/ سره ویشئ یا /v1/stt/batch/ وکاروئ.
د وینا کونکي diarization یو جلا پاس دی - په / transcribe / کې د "diarize" توغول. faster-whisper large-v3 د لیږد اداره کوي؛ د diarization سره د وینا کونکي 1 / وینا کونکي 2 / او نور سره هر برخې لیبلونه.
هو - / batch / د غږيزو دوتنو پوښۍ مني. هر نقل په /account / کې ځمکې? د اصلي دوتنې نوم سره = تاریخ. د پوښۍ-ونې ساتنې لپاره د API کارولو لپاره.
هو - ستاسو آډیو د / v1 / stt / transcribe / سره د ماډل سره پوسټ کړئ "faster-whisper large-v3". د متن + برخو + د کلمې کچې timestamps سره JSON بیرته راځي. / api / بشپړ حواله لري.
د ځان کوربه شوي ماډلونه زموږ د GPUs په غږ کې غږ ساتي؛ د DPA سره د پریمیم له لارې. غږ د شریک کړکۍ (24h anon، 7d sign-in) وروسته حذف کیږي. موږ ستاسو په انټرنیټ کې تمرین نه کوو.
هو - Free.ai د نقلونو سوداګریز کارولو ته اجازه ورکوي. تاسو ته اړتیا لرئ چې تاسو د غږ حقونه پورته کړئ (ستاسو خپل ریکارډ، د جواز مواد، یا د رضایت سره مینځپانګه).
د ریښتیني وخت فکتور شاوخوا 0.05-0.2 × دی - د 60 دقیقې پوډکاسټ په 3-12 دقیقو کې لیږدول کیږي. د پریمیم ماډلونه اکثرا ګړندي پای ته رسیږي. د ټب بندولو لپاره د قطار ت buttonۍ وکاروئ.