Wizper (Whisper v3)
Free.ai
·
stt
·
~500 token/s minute
Wizper (Whisper v3) a hizketa-testurako eredua da. Kanpoko ereduen bidez bideratuta — ~500 tokens minutuko (%50eko markup-a goiko kostua baino).
Erabili API bidez
OpenAI-rekin bateragarria den REST APIa. Sortu gako bat eta deitu eredu honi segundo gutxitan.
curl -X POST https://api.free.ai/v1/stt/ \
-H "Authorization: Bearer sk-free-..." \
-H "Content-Type: application/json" \
-d '{"model":"premium/wizper","audio_url":"https://..."}'Maiz egiten diren galderak
Wizper (Whisper v3) transcribes spoken audio into text. Upload an MP3, WAV, M4A, or video file and Wizper (Whisper v3) returns the full transcript plus optional SRT/VTT subtitles with timestamps.
Wizper (Whisper v3)-ek dozenaka hizkuntza kudeatzen ditu — Whisper-familiako modeloek 90+ hizkuntza hartzen dituzte, Parakeet-ek ~25, beste batzuk aldakorrak dira. Hautatu "autodetektatu" edo zehaztu hizkuntza zehaztasun handiena lortzeko.
Hitzen errore-tasa %5-10 da ingeles garbiko audioan, %10-20 zaratatsu edo azentudun audioan. Arkitektura bereko aldaera handiek hobeto funtzionatzen dute kasu gogorretan — aukeratu handiagoa audioa gogorra denean.
Bai — segmentu bakoitzak hasierako/amaierako denbora-zigilua du. Esportatu SRT edo VTT gisa, eta denbora-mapa zuzenean bideoan ezarriko da.
Wizper (Whisper v3) transkribapen-motor premium bat da. Audio-minutu bakoitzeko ~500-1.500 token inguru. $1 = 750.000 token.
MP3, WAV, M4A, FLAC, OGG, eta bideoa (MP4, MOV, WebM) — audioa erauzten dugu. Gehienez 500 MB igoera bakoitzeko. Fitxategi luzeagoak? Zatitu /audio/cut/ erabiliz edo erabili /v1/stt/batch/.
Hizlarien diarizazioa pasabide bereizi bat da — "diarize" /transcribe/-n aktibatzea. Wizper (Whisper v3)-k transkribapena kudeatzen du; diarizazioak segmentu bakoitza 1. hiztuna / 2. hiztuna / etab. etiketekin etiketatzen du.
Bai — /batch/-ek audio-fitxategien karpeta bat onartzen du. Transkriptu bakoitza /account/?tab=history-n jartzen da jatorrizko fitxategi-izena erabiliz. Karpeta-zuhaitza gordetzeko, erabili APIa.
Bai — POST zure audioa /v1/stt/transcribe/-ra model="Wizper (Whisper v3)" erabiliz. JSON itzultzen du testuarekin + segmentuekin + hitzen mailako denbora-zigiluekin. /api/-k erreferentzia osoa du.
Auto-ostatutako modeloek audioa gure GPUetan gordetzen dute; premium-ek DPA bidez pasatzen dute. Audioa ezabatzen da partekatze-leihoaren ondoren (24 ordu anon, 7 egun saioa hasita). Ez dugu zure sarrerak entrenatzen.
Bai — Free.aik transkribapenen erabilera komertziala onartzen du. Igo duzun audioaren eskubideak behar dituzu (zure grabazioa, lizentziadun materiala edo baimenarekin edukia).
Denbora errealeko faktorea 0,05-0,2× da gutxi gorabehera — 60 minutuko podcast bat 3-12 minututan transkribatzen da. Premium modeloek askotan azkarrago amaitzen dute. Erabili ilara botoia fitxa ixteko.