Το Audio API υποστηρίζει δύο τελικά σημεία μετατροπής ομιλίας σε κείμενο:

• transcriptions

• translations

Για να ξεκινήσετε με το Audio API, διαβάστε την τεκμηρίωση για προγραμματιστές σχετικά με τη μετατροπή ομιλίας σε κείμενο.

Συχνές ερωτήσεις

Πόσο κοστίζει η χρήση του Audio API;

Δείτε τη σελίδα τιμών μας για λεπτομέρειες.

Ποιες γλώσσες υποστηρίζονται;

Δείτε τη λίστα με τις υποστηριζόμενες γλώσσες εδώ.

Πώς μπορούμε να διαχειριστούμε μεγάλα αρχεία ήχου;

Για μεταφορτώσεις απομαγνητοφώνησης μέσω της παλαιότερης έκδοσης του Audio API με whisper-1, το μέγιστο μέγεθος αιτήματος είναι 25 MiB. Οι νεότερες διαδρομές απομαγνητοφώνησης με gpt-4o ενδέχεται να εφαρμόζουν διαφορετικούς ελέγχους, όπως όρια διάρκειας ή token. Γι’ αυτό, συμβουλευτείτε την τεκμηρίωση του συγκεκριμένου μοντέλου όταν διαχειρίζεστε ηχητικές εισόδους μεγάλης διάρκειας από χρήστες.

Ποιες μέθοδοι μετάδοσης σε ροή είναι διαθέσιμες;

Υπάρχουν δύο τρόποι μετάδοσης της απομαγνητοφώνησης σε ροή, ανάλογα με το αν απομαγνητοφωνείτε μια ολοκληρωμένη ηχογράφηση ή μια συνεχή ροή ήχου:

• Μετάδοση σε ροή της απομαγνητοφώνησης μιας ολοκληρωμένης ηχογράφησης

• Μετάδοση σε ροή της απομαγνητοφώνησης μιας ηχογράφησης σε εξέλιξη

Για συνεχή απομαγνητοφώνηση με το gpt-live-transcribe, η εφαρμογή σας πρέπει να ανιχνεύει πότε σταματά η ομιλία και να στέλνει input_audio_buffer.commit, ώστε να σηματοδοτεί το τέλος κάθε σειράς ομιλίας και να λαμβάνει το τελικό κείμενο της απομαγνητοφώνησης. Αυτό το μοντέλο δεν υποστηρίζει τα server_vad και semantic_vad.

Σημειώστε ότι η μετάδοση σε ροή δεν υποστηρίζεται από το μοντέλο whisper-1.

Ποιες μορφές αρχείων υποστηρίζονται;

Οι υποστηριζόμενες μορφές αρχείων αναφέρονται στην τεκμηρίωση του API μας.

Μπορώ να στείλω συνδέσμους προς αρχεία ήχου στο Audio API;

Όχι, πρέπει να στείλετε ένα αρχείο σε μία από τις υποστηριζόμενες μορφές ήχου.