Fal Speech-to-Text
Free.ai
·
stt
·
~500 tokens por minute
Fal Speech-to-Text é a modelo de voz- a- texto. Enrutado a través de modelos externos — ~500 tokens por minuto (50% de markup sobre o custo ascendente).
Empregar a través da API
OpenAI-compatible REST API. Generate a key and call this model in seconds.
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://..."}'Preguntas frecuentes
Fal Speech-to-Text transcríbeo en texto. Envíe un ficheiro MP3, WAV, M4A ou vídeo e Fal Speech-to-Text devolve a transcrición completa máis os subtítulos SRT/VTT opcionais con marcas de data/hora.
Fal Speech-to-Text xestiona ducias de linguas — os modelos da familia Whisper cobren 90+, Parakeet cobre ~25, outros varían. Escolla « auto- detección » ou especifique a lingua para a maior precisión.
A taxa de erros de palabras é do 5- 10% en son inglés puro, do 10- 20% en son ruidoso ou acentuado. As variantes grandes da mesma arquitectura funcionan significativamente mellor en casos duros; escolla máis grandes cando o son é áspero.
Si, cada segmento inclúe marcas de tempo de inicio/ fin. Exporte como SRT ou VTT e os tempos serán mapeados directamente no vídeo.
Fal Speech-to-Text é un motor de transcrición premium. Cerca de ~500-1. 500 tokens por minuto de son. $1 = 750. 000 tokens.
MP3, WAV, M4A, FLAC, OGG, máis vídeo (MP4, MOV, WebM) — extraemos o son. Máximo 500 MB por envío. Ficheiros máis longos? Dividir con / audio/ cut/ ou usar / v1/ stt/ batch /.
A diarización do falante é unha pasada separada — conmute « diarize » en / transcribe /. Fal Speech-to-Text xestiona a transcrición; a diarización etiqueta cada segmento con Falante 1 / Falante 2 / etc.
Si — / batch / acepta un cartafol de ficheiros de son. Cada transcrición atópase en / account /? tab=history co nome de ficheiro orixinal. Para preservar a árbore de cartafoles use a API.
Si — POST o seu son a / v1/ stt/ transcribe / con model=" Fal Speech-to-Text ". Devolve JSON con texto + segmentos + marcas de tempo a nivel de palabra. / api / ten a referencia completa.
Os modelos auto- hospedados manteñen o son nas nosas GPU; os premium pasan a través dun DPA. O son é borrado despois da fiestra de compartición (24h anon, 7d de sesión). Non adestramos coas túas entradas.
Si, Free.ai concede o uso comercial das transcricións. Precisa dos dereitos do son que enviou (a súa propia gravación, material con licenza ou contido con permiso).
O factor de tempo real é aproximadamente 0, 05- 0, 2× — un podcast de 60 minutos transcríbese en 3- 12 minutos. Os modelos Premium adoitan rematar máis rápido. Use o botón de fila para pechar a lingüeta.