Fal Speech-to-Text
Free.ai
·
stt
·
~500 tokens per minute
Fal Speech-to-Text iku a model swara-ka-teks. Ing basa Inggris, 100% (100%) iku tegesé "100%" lan "100%" iku tegesé "100%" utawa "100%".
Nganggo liwat API
REST API kang kompatibel karo OpenAI. Janji kunci lan waca modél iki ing detik.
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://..."}'Takon kang asring diajukake
Fal Speech-to-Text ngrekam swara kang diucapaké dadi teks. Ngunduh file MP3, WAV, M4A, utawa video lan Fal Speech-to-Text bakal mbalekaké rekaman lengkap ditambah karo subtitle SRT/VTT kang bisa dipilih karo timestamp.
Fal Speech-to-Text ngontrol puluhan basa — Whisper-family model cover 90+, Parakeet cover ~25, liyane beda. Pilih "auto-detect" utawa nyetel basa kanggo akurasi paling dhuwur.
Kados ta: 5-10% saking wangun basa Inggris ingkang bersih, 10-20% saking wangun basa Inggris ingkang noisy utawi dipun-aksen. Varian ingkang ageng saking arsitektur ingkang sami saged dipun-aksen kanthi saé ing kasus-kasus ingkang susah.
Ya — saben segmen ngemot stempel wektu wiwitan/akhiran. Eksport minangka SRT utawa VTT lan peta wektu langsung menyang video sampeyan.
Fal Speech-to-Text iku mesin transkripsi premium. Kira-kira ~500-1,500 token saben menit audio, ditampilaké langsung sadurunge sampeyan ngasilaké. Transkripsi sing dihost-kanthi-diri dioperasikaké gratis ing pool 30,000-token saben dina; modél premium dibayar-kaya-digunakaké, karo top-up saka $1.
MP3, WAV, M4A, FLAC, OGG, plus video (MP4, MOV, WebM) — kita ngekstrak audio. Max 500 MB saben upload. File luwih dawa? Split karo /audio/cut/ utawa nggunakake /v1/stt/batch/.
Ing basa Inggris, tembung "translation" (translasi) iku tegesé "translasi" lan "translation" iku tegesé "translasi" utawa "translasi" lan "translation" iku tegesé "translasi".
Ya — /batch/ nampa folder saka file audio. Saben transcript teka ing /account/?tab=history karo jeneng file asli. Kanggo perlindungan folder-tree gunakake API.
Tembung "A" iku tembung kang asalé saka basa Latin lan tegesé "a" utawa "a-" (a- iku huruf pertama tembung "a" lan "-um" iku huruf pisanan tembung "a-um").
Model self-hosted nyimpen audio ing GPU kita; premium ngliwati karo DPA. Audio dipasak sawisé jendela-share (24 jam anon, 7 dina mlebu). Kita ora latihan ing input sampeyan.
Ya — Free.ai nyedhiyani panggunaan komersial transkripsi. Sampeyan butuh hak kanggo audio sing sampeyan unggah (rekaman dhewe, bahan lisensi, utawa isi kanthi persetujuan).
Faktor wektu nyata kira-kira 0.05–0.2× — podcast 60 menit ditranskripsi ing 3–12 menit. Model Premium asring rampung luwih cepet. Gunakake tombol gulungan kanggo nutup tab.