Fal Speech-to-Text
Free.ai
·
stt
·
~500 ಇದಕ್ಕಾಗಿನ ಸೂಚನೆಗಳು minute
Fal Speech-to-Text is a ಪದಗಳನ್ನು ಅವಲೋಕನದ ಮಾದರಿ. Routed through external models - ~500 tokens ನಿಮಿಷಕ್ಕೆ (50% markup over upstream cost).
API ಮೂಲಕ ಬಳಸು
OpI-ಹೊಂದಿದ RACT API. ಒಂದು ಕೀಲಿಯನ್ನು ನಿರ್ಮಿಸಿ ನಂತರ ಈ ಮಾದರಿಯನ್ನು ಸೆಕೆಂಡುಗಳಲ್ಲಿ ಕರೆಯಿರಿ.
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://..."}'ಅನೇಕವೇಳೆ ಪ್ರಶ್ನೆಗಳು
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 is 5-10% on clean English audio, 10-20% on noisy or accented audio. Large variants of the same architecture do meaningfully better on hard cases - pick larger when the audio is rough.
ಹೌದು, ಪ್ರತಿಯೊಂದು ಭಾಗವು ಆರಂಭ/ ಅಂತ್ಯದ ಸಮನಗಳನ್ನು ಒಳಗೊಂಡಿದೆ. ಆರೋಹಣೆ SRT ಅಥವಾ VTT ಎಂದು ರಫ್ತು ಮಾಡಿ ಹಾಗು ಸಮಯಗಳು ನಿಮ್ಮ ವೀಡಿಯೋನಲ್ಲಿ ನೆಟ್ಟಗೆ.
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, plus video (MP4, MOV, WebM) - we extract the audio. Max 500 MB per upload. Longer files? Split with /audio/cut/ or use /v1/stt/batch/.
Speaker diarization is a separate pass - toggle "diarize" on /transcribe/. Fal Speech-to-Text handles the transcription; diarization labels each segment with Speaker 1 / Speaker 2 / etc.
ಹೌದು / bautch/sand files. ಪ್ರತಿಯೊಂದು ಉಪಾಯದ/account/? Tab=tab name ಎಂಬ ಹೆಸರಿನೊಂದಿಗೆ ಆಸ್ವಾತವಾದ. ಕಡತಕೋಶವನ್ನು ಉಳಿಸಲು API ಅನ್ನು ಬಳಸುತ್ತದೆ.
Yes - POST your audio to /v1/stt/transcribe/ with model="Fal Speech-to-Text". Returns JSON with text + segments + word-level timestamps. /api/ has the full reference.
GPUS ನಲ್ಲಿ ಮಾತ್ರ ಆಡಿಯೊವನ್ನು ಇರಿಸಲಾಗುತ್ತದೆ. ಒಂದು DPA ಸಹಿಯೊಂದಿಗೆ ಹಾದು ಹೋಗುತ್ತದೆ. ಧ್ವನಿಗೂಡಿಸುವಿಕೆಯು ವಿದ್ಯುತ್ಧಕದ (24HA ಆನ್, 7d- ಅಂತಸ್ತು) ನಂತರ ಅಳಿಸಲ್ಪಟ್ಟಿದೆ. ನಾವು ನಿಮ್ಮ ಪ್ರದಾನಗಳಲ್ಲಿ ತರಬೇತಿ ಪಡೆಯುವುದಿಲ್ಲ.
ಹೌದು, Free.ai ಮಂದಿ ಈ ರೋಚಿಂಗ್ಗಳನ್ನು ವಾಣಿಜ್ಯ ವ್ಯವಹಾರವನ್ನು ನೀಡುತ್ತಾರೆ.
Real-time factor is roughly 0.05-0.2× - a 60-minute podcast transcribes in 3-12 minutes. Premium models often finish faster. Use the queue button to close the tab.