Moonshine Base
Free.ai (self-hosted)
·
stt
·
~500 token/s minute
Moonshine Base a hizketa-testu modeloa da, Useful Sensors-ek eraikia. Strongest at Low-latency live transcription, embedded devices.. Free.ai GPUtan auto-ostatua — zure eguneroko token pool-aren aurka doan exekutatzen da (500 tokens minutuko). MIT lizentziapean argitaratua - erabilera komertziala Free.ai lizentziapean baimenduta.
Erabili API bidez
OpenAI-rekin bateragarria den REST APIa. Sortu gako bat eta deitu eredu honi segundotan.
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://..."}'Maiz egiten diren galderak
Moonshine Base-ek ahozko audioa testu bihurtzen du. Igo MP3, WAV, M4A edo bideo-fitxategia eta Moonshine Base-ek transkribapen osoa itzuliko du, baita aukerako SRT/VTT azpitituluak ere, denbora-zigiluekin.
Moonshine Base handles dozens of languages - Whisper-family models cover 90+, others vary. Pick "auto-detect" or specify the language for highest accuracy.
Hitz-errore-tasa %5-10 da ingeles garbiko audioan, %10-20 zaratatsu edo azentudun audioan. Arkitektura bereko aldaera handiek hobeto funtzionatzen dute kasu gogorretan - hautatu handiagoa audioa gogorra denean.
Bai - segmentu bakoitzak hasierako/amaierako ordu-zigilua du. Esportatu SRT edo VTT gisa eta denborak zuzenean bideoan mapatuko dira.
Moonshine Base gure GPU propioetan exekutatzen da, lehenik zure eguneroko pool librearen aurka; $5 → 200.000 ordaindutako token ondoren. Minutu bakoitzeko ~500 token inguru.
MP3, WAV, M4A, FLAC, OGG, eta bideoa (MP4, MOV, WebM) - audioa erauzten dugu. Gehienez 500 MB igoera bakoitzeko. Fitxategi luzeagoak? Zatitu /audio/cut/ erabiliz edo erabili /v1/stt/batch/.
Hizlariaren diarizazioa pasabide bereizi bat da - "diarize" /transcribe/-n aldatzen da. Moonshine Base-k transkribapena kudeatzen du; diarizazioak segmentu bakoitza 1. hiztuna / 2. hiztuna / etab. etiketekin etiketatzen du.
Bai - /batch/-ek audio-fitxategien karpeta bat onartzen du. Transkriptu bakoitza /account/?tab=history-n jartzen da jatorrizko fitxategi-izena erabiliz. Karpeta-zuhaitza gordetzeko, erabili APIa.
Bai - POST audioa /v1/stt/transcribe/-ra model="Moonshine Base"-rekin. JSON itzultzen du testua + segmentuak + hitz-mailako data-markak. /api/-k erreferentzia osoa du.
Auto-ostatutako modeloek audioa gure GPUetan mantentzen dute; premium-ek DPA bidez pasatzen dute. Audioa partekatze-leihoaren ondoren ezabatu egiten da (24 ordu anonimoki, 7 egun saioa hastean). Ez dugu zure sarrerak entrenatzen.
Bai - Free.ai-ek transkribapenen erabilera komertziala onartzen du. Igotako audioaren eskubideak behar dituzu (zure grabazioa, lizentziadun materiala edo baimenarekin edukia).
Denbora errealeko faktorea 0,05-0,2× da gutxi gorabehera - 60 minutuko podcast bat 3-12 minututan transkribatzen da. Premium modeloek askotan azkarrago amaitzen dute. Erabili ilara botoia fitxa ixteko.