Fal Speech-to-Text
Free.ai
·
stt
·
~500 tokens per minute
Fal Speech-to-Text se a Modèl pale-a-tèks. Itilize nan modèl ekstèn — ~500 tokens pou chak minit (50% markup sou pri alantou).
Itilize via API
API REST ki konpatib ak OpenAI. Pwodui yon kle epi rele modèl sa a nan kèk segond.
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://..."}'Kesyon ki poze souvan
Fal Speech-to-Text transkri son ki pale nan tèks. Upload yon MP3, WAV, M4A, oswa videyo dosye ak Fal Speech-to-Text retounen transkript konplè plus optional SRT / VTT sous-titres ak timestamps.
Fal Speech-to-Text ka sèvi ak dè dizèn de lang — Whisper-familie modèl kouvri 90+, Parakeet kouvri ~25, lòt varye. Chofe "deteksyon otomatik" oswa endike lang pou pi bon presizyon.
Word-erè pousantaj se 5-10% sou son an Angle pwòp, 10-20% sou son an briyan oswa accented. gwo varyasyon nan menm achitekti fè pi byen sou ka difisil - chwazi pi gwo lè son an se rèd.
Wi - chak segment gen ladann kòmanse/fini timestamps. Ekspòtasyon kòm SRT oswa VTT ak tan mape dwat sou ou vidéo.
Fal Speech-to-Text se yon motè transkriptyon prim. Aprè ~ 500-1,500 tokens pa minit nan son, ki montre an vityèl anvan ou kreye. Transkriptyon pwòp-hosted kouri gratis sou 30,000-token jounen an; modèl prim yo peye-tankou-ou-jwenn, ak top-ups soti nan $ 1.
MP3, WAV, M4A, FLAC, OGG, plus videyo (MP4, MOV, WebM) — nou ekstrè son an. Max 500 MB pou chak upload. Pi long dosye? Divizyon ak /audio/cut/ oswa itilize /v1/stt/batch/.
Diarization pale se yon pase separe — toggle "diarize" sou /transcribe/. Fal Speech-to-Text jere transkriptyon an; diarization étiquettes chak pati ak pale 1 / pale 2 / elatriye.
Wi — /batch/ aksepte yon dosye ki gen dosye son. Chak transkripte fini nan /account/?tab=history ak non dosye orijinal la. Pou konsève arbr-dosye a, itilize API a.
Wi — POST ou son an nan /v1/stt/transcribe/ ak model="Fal Speech-to-Text". Retounen JSON ak tèks + segments + word-level timestamps. /api/ gen referans konplè.
Modèl ki òganize tèt yo kenbe son sou GPU nou yo; premium pase atravè ak yon DPA. Son an se efase apre fenèt pataje a (24h anon, 7d ouvri sesyon). Nou pa antrene sou enpòte ou yo.
Wi - Free.ai bay dwa pou itilize transkripsyon an pou rezon komèsyal. Ou bezwen dwa pou son an ou mete ajou (youn nan enregistrement ou, materyèl ki gen lisans, oswa kontni ak konsantman).
Faktori tan reyèl la se apeprè 0.05–0.2× — yon podcast 60-minute transkri nan 3–12 minit. Modèles Premium yo souvan fini pi vit.