Fal Speech-to-Text
Free.ai
·
stt
·
~500 توکي minute
Fal Speech-to-Text د a ليکنې ته وينا بېلګه. د بهرني ماډلونو له لارې لارښود - ~ 500 توکي په منټه (د 50٪ مارکپ په پرتله د پورته لګښت).
د API له لارې کارول
د OpenAI-متوافق REST API. د کلیدي تولید او په ثانیو کې دا ماډل وغواړئ.
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://..."}'ډېرې پوښتنې
Fal Speech-to-Text په متن کې د خبرو آډیو نقل کوي. د MP3، WAV، M4A، یا ویډیو فایل او Fal Speech-to-Text د وخت سره د بشپړ نقل سره د اختیاري SRT / VTT سرلیکونه بیرته راستون کړئ.
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.
د کلمې غلطۍ کچه د پاک انګليسي غږ په اړه 5-10٪ ده، د غږ یا غږ غږ په اړه 10-20٪. د ورته معمارۍ لوی ډولونه په سختو قضیو کې معنی لري - کله چې غږ سخت وي نو لوی انتخاب کړئ.
هو - هر برخې کې د پیل / پای timestamps شامل دي. د SRT یا VTT په توګه صادرات او د وخت نقشه مستقیم ستاسو ویډیو ته.
Fal Speech-to-Text د پریمیم لیږد انجن دی. د ~ 500-1,500 ټوکنونو په اړه د آډیو په هر دقیقې کې، د ژوندي لیدو څخه مخکې تاسو تولید کوئ. د ځان کوربه لیږد ستاسو د 30,000-ټوکن ورځني پوټ کې وړیا چلیږي؛ د پریمیم ماډلونه د $ 1 څخه د لوړو لوړو سره د پیسو ورکولو لپاره دي.
MP3، WAV، M4A، FLAC، OGG، او ویډیو (MP4، MOV، WebM) - موږ آډیو استخراج کوو. په هر اپلوډ کې د 500 MB اعظمي. اوږدې فایلونه؟ د /audio/cut/ سره ویشئ یا /v1/stt/batch/ وکاروئ.
د ویناوال diarization یو جلا پاس دی - د "diarize" په / transcribe /. Fal Speech-to-Text د نقل د لاسونو د بدلولو؛ diarization سره د ویناوال 1 / د ویناوال 2 / او داسې نور هر برخې لیبلونه
هو - / batch / د غږيزو دوتنو پوښۍ مني. هر نقل په /account / کې ځمکې سره د اصلي دوتنې نوم. د پوښۍ-ونې ساتنې لپاره د API وکاروئ.
هو - ستاسو آډیو ته / v1 / stt / transcribe / سره د ماډل "Fal Speech-to-Text" سره پوسټ کړئ. د متن + برخو + د کلمې کچې timestamps سره JSON بیرته راځي. /api / بشپړ حواله لري.
د ځان کوربه شوي ماډلونه زموږ په GPUs کې آډیو ساتي؛ د DPA سره د پریمیم له لارې تیریږي. آډیو د شریک کړکۍ (24h anon، 7d sign-in) وروسته حذف کیږي. موږ ستاسو د انټرنیټونو پراساس تمرین نه کوو.
هو - Free.ai د نقلونو سوداګریز کارولو ته اجازه ورکوي. تاسو ته د غږ حقونه اړتیا لرئ چې تاسو یې پورته کړی (د خپل ځان ثبت، د جواز مواد، یا د رضایت سره مینځپانګې).
د ریښتیني وخت فکتور په 0.05-0.2 × کې دی - د 60 دقیقې پوډکاسټ په 3-12 دقیقو کې لیږدوي. د پریمیم ماډلونه اکثرا ګړندي پای ته رسیږي. د ټب بندولو لپاره د قطار ت buttonۍ وکاروئ.