Fal Speech-to-Text
Free.ai
·
stt
·
~500 жетони по minute
Fal Speech-to-Text је a модел говора- у- текст. Преко спољашњих модела - ~500 токени по минуту (50% маркерирање преко трошкова нагоре).
Користи се преко АПИ‐ а
АПИ сагласан са OpenAI‐ ом. Генеришите кључ и позовите овај модел за секунде.
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://..."}'често постављана питања
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.
Стапка словног-грешке је 5-10% на чистом енглеском аудиоузију, 10-20% на бучном или нагласљеном аудиоузи. Велике варијанте исте архитектуре смишљају боље на тешким случајевима - изаберите веће када је звук груб.
Да - сваки одељак садржи почетке и крајње временска ознака. Извези као СРТ или ВТТ и мапу пута директно на снимак.
Fal Speech-to-Text је премијски транскрипциони мотор. О ~500–1,500 жетона по минуту звука, приказаних уживо пре него што створите. Само-домаћин транскрипција ради бесплатно на вашем 30.000-такен дневном базену; премијски модели су плаћања-а-и- го, са врховима од $1.
МП3, ВАВ, М4А, ФЛАЦ, ОГГ, плус видео (МП4, МОВ, ВебМ) - вадимо аудио. Макс. 500 МБ по слању. Дужи фајлови? Раздвојите са / audio/ cut/ или употребите / v1/stt/ batch /.
Дијаризација звучника је посебан пролаз - укључите и пребаците на /transcribed /. Fal Speech-to-Text на транскрипцију; дијаризационе ознаке сваког одељка са спикером 1 / звучником 2 / itd.
Да - /batch/ прихвата фасциклу аудио фајлова. Сваки транскрипт слеће у / account /?tab=историју са изворним именом фајла. За одржавање фасцикле- дрвета користите АПИ.
Да - ПОСТ на /v1/stt/ transcribed/ са моделом=" Fal Speech-to-Text". Враћа ЈСОН са текстом + сегменти + временски тастери р› ијечи. / api/ има пуну референцу.
Самодомаћински модели држе звук на нашим ГПУ‐ овима; премијум пролази са ДПА. Аудио се обрише након д› ијељења прозора (24х, 7d потписано). Не тренирамо на вашим улаза.
Да - зFree.ai допуњује комерцијалну употребу транскрипта. Потребна су вам права на аудио који сте убацили (вас сопствени снимак, дозволени материјал или садржај са пристанком).
Чинилац у реалном времену је отприлике 0,05–0,2× — 60-минутни транскриптор подемисије за 3‐ 12 минута. Премиум модели често завршавају брже. Користите дугме редоследа да затворите језичак.