Moonshine Base
Free.ai (self-hosted)
·
stt
·
~500 ቶኮኖች ለ minute
Moonshine Base a የቃል-ወደ-ጽሑፍ ሞዴል በUseful Sensors የተገነባ ነው Low-latency live transcription, embedded devices. 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":"moonshine-base","audio_url":"https://..."}'ብዙ ጊዜ የሚጠየቁ ጥያቄዎች
Moonshine Base የተናገረውን ድምፅ ወደ ጽሑፍ ይለውጣል። MP3, WAV, M4A ወይም የቪዲዮ ፋይልን ጫን እና Moonshine Base የተሟላውን ድምፅ ተጨማሪ የ SRT/VTT ርዕሶችን ከጊዜ ምልክቶች ጋር ይመለሳል
Moonshine Base 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
Moonshine Base 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። Moonshine Base 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 "Moonshine Base" 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.