Fal Speech-to-Text
Free.ai
·
stt
·
~500 символи за minute
Fal Speech-to-Text е a модел на речта-то-текст. На път през външни модели - ~500 žeтони за минута (50% маркиране над цените нагоре по течението).
Използване чрез API
Отворено-съвместими REST API. Генерирайте ключ и се обадете на този модел в секунди.
curl -X POST https://api.free.ai/v1/stt/ \
-H "Authorization: Bearer sk-free-..." \
-H "Content-Type: application/json" \
-d '{"model":"premium/speech-to-text","audio_url":"https://..."}'Често задавани въпроси
Fal Speech-to-Text transscribes говори аудио в текст. Качете MP3, WAV, M4A или видео файл и Fal Speech-to-Text _ връща пълния транскрипт плюс опционални SRT/VTT субтитри с часове.
Fal Speech-to-Text handles dozens of languages - Whisper-family models cover 90+, others vary. Pick "auto-detect" or specify the language for highest accuracy.
Честотата на съобщенията е 5-10% на чист английски аудио, 10-20% на шумен или акцентиран аудио. Големи варианти на една и съща архитектура правят значително по-добре в твърди случаи - избират по-голямо, когато звукът е груб.
Да - всеки сегмент включва старт/край часове. Експортирайте като SRT или VTT и времевата карта директно на видеото ви.
Fal Speech-to-Text е премиум транскрипционен двигател. Около ~500-1,500 жетони на минута аудио, показани на живо преди да генерирате. Самоу домакин транскрипция тече безплатно на вашия 30 000-такен дневен басейн; премиум модели са pay-as-you-go, с топ-up от $ 1.
MP3, WAV, M4A, FLAC, OGG, плюс видео (MP4, MOV, WebM) - ние извличаме аудиото. Макс. 500 MB за качане. По-дълги файлове? Разделите с /audio/cut/ или използвайте /v1/stt/batch /.
Диаризация на спикера е отделен пропуск - включване на "диаризиране" на /transcribe /. Fal Speech-to-Text управлява транскрипцията; диаризация етикети всеки сегмент с Speaker 1 / Speaker 2 / и т.н.
Да - /batch/ приема папка от аудио файлове. Всеки транскрипт се качва в /account /?tab=история с оригиналното име на име. За опазване на папка- дърво използвайте API.
Да - POST вашия аудио на /v1/stt/transcribe/ с модел="Fal Speech-to-Text". Връща JSON с текст + сегменти + времеви часове на нивото на думи. /api/ има пълното отправяне.
Самодомесните модели държат аудио на нашите GPU; премиум преминаване с DPA. Аудио се изтрива след акционерния прозорец (24h anon, 7d подписан-in). Не тренираме на вашите входове.
Да - Free.ai предоставя търговско използване на транскрипти. Трябват ви права за аудиото, което качени (в собствена запис, лицензиран материал или съдържание с съгласие).
Факторът в реално време е около 0.05-0.2× - 60-минутен подкаст транскрипт за 3-12 минути. Премиум модели често завършват по-бързо. Използвайте бутона за опашка, за да затворите разпространението.