የድምፅ API ንግግርን ወደ ጽሑፍ ለመቀየር ሁለት መዳረሻዎችን ይደግፋል፦
transcriptionstranslations
የድምፅ APIን መጠቀም ለመጀመር፣ ንግግርን ወደ ጽሑፍ ስለመቀየር ለገንቢዎች ያዘጋጀነውን ሰነድ ያንብቡ።
ተደጋጋሚ ጥያቄዎች
የድምፅ APIን ለመጠቀም ስንት ያስከፍላል?
ለዝርዝር መረጃ የዋጋ ገጻችንን ይመልከቱ።
የትኞቹ ቋንቋዎች ይደገፋሉ?
የሚደገፉትን ቋንቋዎች ዝርዝር እዚህ ይመልከቱ።
ትላልቅ የድምፅ ፋይሎችን እንዴት ማስተናገድ እንችላለን?
በቀድሞው/whisper-1 የድምፅ API ድምፅን ወደ ጽሑፍ ለመቀየር ፋይሎችን ሲሰቅሉ፣ የአንድ ጥያቄ ከፍተኛ መጠን 25 MiB ነው። ድምፅን ወደ ጽሑፍ የሚቀይሩ አዳዲስ የgpt-4o መዳረሻዎች፣ እንደ ቆይታ ወይም የtoken ብዛት ገደብ ያሉ የተለያዩ የማረጋገጫ መስፈርቶችን ሊጠቀሙ ይችላሉ። ስለዚህ ከተጠቃሚዎች የሚመጡ ረጅም የድምፅ ግብዓቶችን ሲያስተናግዱ፣ ለሚጠቀሙበት ሞዴል የተዘጋጀውን ሰነድ ይመልከቱ።
በዥረት ለማስተላለፍ ምን ዘዴዎች አሉ?
ወደ ጽሑፍ የሚቀይሩት የተጠናቀቀ የድምፅ ቅጂ ወይም በመተላለፍ ላይ ያለ የድምፅ ዥረት እንደሆነ በመወሰን፣ ጽሑፉን በዥረት ለማስተላለፍ ሁለት መንገዶች አሉ፦
በመቀጠል ላይ ያለን ድምፅ በgpt-live-transcribe ወደ ጽሑፍ ለመቀየር፣ መተግበሪያዎ ንግግሩ መቼ እንደሚያበቃ ማወቅ አለበት። እያንዳንዱ የንግግር ተራ ማብቃቱን ለማመልከት እና የመጨረሻውን ጽሑፍ ለመቀበልም input_audio_buffer.commit መላክ አለበት። ይህ ሞዴል server_vad ወይም semantic_vad አይደግፍም።
የwhisper-1 ሞዴል በዥረት ማስተላለፍን እንደማይደግፍ ልብ ይበሉ።
የትኞቹ የፋይል ቅርጸቶች ይደገፋሉ?
የሚደገፉት የፋይል ቅርጸቶች በAPI ሰነዶቻችን ተዘርዝረዋል።
የድምፅ ፋይሎችን አገናኞች ወደ ድምፅ API መላክ እችላለሁ?
አይችሉም፤ ከሚደገፉት የድምፅ ቅርጸቶች በአንዱ የተዘጋጀ ፋይል መላክ አለብዎት።