Fal Speech-to-Text
Free.ai
·
stt
·
~500 Μάρκες ανά minute
Fal Speech-to-Text είναι a μοντέλο ομιλίας προς κείμενο. Διαδρομή μέσω εξωτερικών μοντέλων - ~500 μάρκες ανά λεπτό (50% βαθμολογία πάνω από το κόστος προηγούμενου).
Χρήση μέσω API
OpenAI-συμβατικό REST API. Δημιουργήστε ένα κλειδί και καλέστε αυτό το μοντέλο σε δευτερόλεπτα.
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://..."}'Συχνές Ερωτήσεις
Fal Speech-to-Text transcribes spoken audio into text. Upload an MP3, WAV, M4A, or video file and Fal Speech-to-Text returns the full transcript plus optional SRT/VTT subtitles with timestamps.
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.
Word-error rate είναι 5-10% σε καθαρό αγγλικό ήχο, 10-20% σε θόρυβο ή τονισμένο ήχου. Μεγάλες παραλλαγές της ίδιας αρχιτεκτονικής κάνουν σημαντικά καλύτερα σε δύσκολες περιπτώσεις - επιλέξτε μεγαλύτερη όταν ο ήχος είναι τραχύς.
Ναι - κάθε τμήμα περιλαμβάνει σφραγίδες έναρξης/ λήξης χρόνου. Εξαγωγή ως SRT ή VTT και οι χρόνοι χάρτη κατ 'ευθείαν στο βίντεο σας.
Fal Speech-to-Text is a premium transcription engine. About ~500-1,500 tokens per minute of audio, shown live before you generate. Self-hosted transcription runs free on your 30,000-token daily pool; premium models are pay-as-you-go, with top-ups from $1.
MP3, WAV, M4A, FLAC, OGG, συν βίντεο (MP4, MOV, WebM) - εξάγουμε τον ήχο. Max 500 MB ανά αποστολή. Μακρότερα αρχεία; Χωρίστε με /audio/cut/ ή χρήση /v1/stt/batch/.
Η διαποίηση ομιλητών είναι ένα ξεχωριστό πέρασμα - εναλλαγή "διακρίνει" στο /trancegraph/. Fal Speech-to-Text χειρίζεται τη μεταγραφή; διακρίνει ετικέτες κάθε τμήμα με τον Ηχείο 1 / Ηχείο 2 / κ.λπ.
Ναι - / batch/ δέχεται ένα φάκελο αρχείων ήχου. Κάθε αντίγραφο προσγειώνεται στο /account/?tab=ιστορία με το αρχικό όνομα αρχείου. Για τη διατήρηση του φακέλου-δέντρου χρησιμοποιήστε το API.
Ναι - ΠΩΜΑ σας ήχου /v1/stt/trancegraph/ with model="Fal Speech-to-Text". Επιστρέφει JSON με κείμενο + τμήματα + χρονοσφραγίσεις λέξεων-level. /api/ έχει την πλήρη αναφορά.
Τα αυτοξεχωρισμένα μοντέλα διατηρούν τον ήχο στις GPU μας. premium περνάνε με DPA. Το Audio διαγράφεται μετά το παράθυρο μετοχών (24h anon, 7d υπογεγραμμένο-in).
Ναι - Free.ai χορηγεί εμπορική χρήση των μεταγραφών. Χρειάζεστε δικαιώματα στον ήχο που ανεβάσατε (το δικό σας υλικό εγγραφής, άδεια, ή περιεχόμενο με συγκατάθεση).
Ο συντελεστής πραγματικού χρόνου είναι περίπου 0.05-0.2× - ένα 60 λεπτά podcast traffers σε 3-12 λεπτά. Premium μοντέλα συχνά τελειώνουν γρηγορότερα.