Fal Speech-to-Text
Free.ai
·
stt
·
~500 token/s minute
Fal Speech-to-Text a hizketa-testurako eredua da. Kanpoko ereduen bidez bideratuta — ~500 tokens minutuko (%50eko markup-a goiko kostua baino).
Erabili API bidez
OpenAI-rekin bateragarria den REST APIa. Sortu gako bat eta deitu eredu honi segundo gutxitan.
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://..."}'Maiz egiten diren galderak
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-ek dozenaka hizkuntza kudeatzen ditu — Whisper-familiako modeloek 90+ hizkuntza hartzen dituzte, Parakeet-ek ~25, beste batzuk aldakorrak dira. Hautatu "autodetektatu" edo zehaztu hizkuntza zehaztasun handiena lortzeko.
Hitzen errore-tasa %5-10 da ingeles garbiko audioan, %10-20 zaratatsu edo azentudun audioan. Arkitektura bereko aldaera handiek hobeto funtzionatzen dute kasu gogorretan — aukeratu handiagoa audioa gogorra denean.
Bai — segmentu bakoitzak hasierako/amaierako denbora-zigilua du. Esportatu SRT edo VTT gisa, eta denbora-mapa zuzenean bideoan ezarriko da.
Fal Speech-to-Text transkribapen-motor premium bat da. Audio-minutu bakoitzeko ~500-1.500 token inguru. $1 = 750.000 token.
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/.
Hizlarien diarizazioa pasabide bereizi bat da — "diarize" /transcribe/-n aktibatzea. Fal Speech-to-Text-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 zure audioa /v1/stt/transcribe/-ra model="Fal Speech-to-Text" erabiliz. JSON itzultzen du testuarekin + segmentuekin + hitzen mailako denbora-zigiluekin. /api/-k erreferentzia osoa du.
Auto-ostatutako modeloek audioa gure GPUetan gordetzen dute; premium-ek DPA bidez pasatzen dute. Audioa ezabatzen da partekatze-leihoaren ondoren (24 ordu anon, 7 egun saioa hasita). Ez dugu zure sarrerak entrenatzen.
Bai — Free.aik transkribapenen erabilera komertziala onartzen du. Igo duzun 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.