Fal Speech-to-Text
Free.ai
·
stt
·
~500 tokens per minute
Fal Speech-to-Text iku a model-to-text. Diwangun ku 100% bahan baku lokal, 50% bahan baku lokal (kajaba bahan baku olahan) diproduksi di pabrik.
Nggunakake liwat API
OpenAI-compatible REST API. Generate a key and call this model in seconds.
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-takon sing asring diajukake
Fal Speech-to-Text ngatranskripsikeun audio anu diucapkeun jadi teks. Unggahkeun file MP3, WAV, M4A, atawa video sarta Fal Speech-to-Text bakal ngabalikeun transkripsi pinuh plus subtitle SRT/VTT pilihan kalawan timestamp.
Fal Speech-to-Text ngawengku loba basa — Whisper-keluarga model ngawengku 90+, Parakeet ngawengku ~25, anu séjénna béda. Pilih "auto-detect" atawa nyatet basa pikeun akurasi pangluhurna.
Tingkat kasalahan kecap nyaéta 5-10% dina audio Inggris anu bersih, 10-20% dina audio anu bising atanapi diaksés. Varian ageung tina arsitektur anu sami langkung saé dina kasus anu hadé - pilih anu langkung ageung nalika audiona kasar.
Ya — saben segmen ngandung tanda wektu wiwitan/akhiran. Eksport minangka SRT utawa VTT lan peta wektu langsung menyang video.
Fal Speech-to-Text nyaéta mesin transkripsi premium. Kira-kira ~500–1,500 token per menit audio. $1 = 750,000 token.
MP3, WAV, M4A, FLAC, OGG, plus video (MP4, MOV, WebM) — kita extract audio. Max 500 MB per upload. Files luwih dawa? Split karo /audio/cut/ utawa nggunakake /v1/stt/batch/.
Diarisasi pangucapan nyaéta hiji pasagi terpisah — toggle "diarize" on /transcribe/. Fal Speech-to-Text ngarawat transkripsi; diarisasi label saben segmen kalawan pangucap 1 / pangucap 2 / jsb.
Ya — /batch/ nampi folder berkas audio. Satiap transcript disimpen dina /account/?tab=history kalayan nami berkas aslina. Pikeun ngalestarikeun pohon folder, anggo API.
Ya — POST audio sampeyan menyang /v1/stt/transcribe/ karo model="Fal Speech-to-Text". Ngabaliake JSON kanthi teks + segmen + timestamp tingkat tembung. /api/ duwe referensi lengkap.
Model self-hosted nyimpen audio dina GPU urang; premium ngaliwatan ku DPA. Audio dipaling saatos jendela babagi (24 jam anonim, 7 dinten ngadaptar). Kami henteu ngalatih kana input anjeun.
Ya — Free.ai ngawenangkeun panggunaan komersial tina transkripsi. Anjeun peryogi hak kana audio anu anjeun unggah (rekaman anjeun sorangan, bahan anu dilisensikan, atanapi isi anu disetujui).
Faktor waktu nyata kira-kira 0.05–0.2× — podcast 60 menit ditranskripsikeun dina 3–12 menit. Model Premium seringna réngsé langkung gancang. Gunakeun tombol baris pikeun nutup tab.