Az Audio API két végpontot támogat a beszéd szöveggé alakításához:
transcriptionstranslations
Az Audio API használatának megkezdéséhez olvasd el a beszéd szöveggé alakításáról szóló fejlesztői dokumentációnkat.
Gyakori kérdések
Mennyibe kerül az Audio API használata?
A részleteket a díjszabási oldalunkon találod.
Milyen nyelvek támogatottak?
Hogyan kezelhetjük a nagy hangfájlokat?
Az Audio API régebbi, whisper-1 alapú átírási feltöltéseinél a kérés maximális mérete 25 MiB. Az újabb gpt-4o átírási végpontok eltérő ellenőrzéseket, például időtartam- vagy tokenkorlátokat alkalmazhatnak, ezért a felhasználók hosszú hanganyagainak kezelésekor nézd meg az adott modell dokumentációját.
Milyen streamelési módok érhetők el?
Kétféleképpen streamelheted az átiratot attól függően, hogy egy már elkészült hangfelvételt vagy egy folyamatban lévő hangfolyamot alakítasz szöveggé:
A gpt-live-transcribe modellel végzett folyamatos átírás során az alkalmazásodnak érzékelnie kell, mikor ér véget a beszéd, és input_audio_buffer.commit eseményt kell küldenie az egyes megszólalások végének jelzéséhez és a végleges átirat fogadásához. Ez a modell nem támogatja a server_vad és a semantic_vad használatát.
Fontos, hogy a whisper-1 modell nem támogatja a streamelést.
Milyen fájlformátumok támogatottak?
A támogatott fájlformátumokat az API-dokumentációnkban találod.
Küldhetek hangfájlokra mutató hivatkozásokat az Audio API-nak?
Nem, egy fájlt kell küldened a támogatott hangformátumok egyikében.
