Audio API ndhukung rong endpoint kanggo ngowahi wicara dadi teks:

• transcriptions

• translations

Kanggo miwiti nggunakake Audio API, wacanen dokumentasi pangembang babagan ngowahi wicara dadi teks saka kita.

Pitakonan sing kerep ditakokake

Pira biaya kanggo nggunakake Audio API?

Delengen kaca rega kita kanggo rinciane.

Basa apa wae sing didhukung?

Delengen dhaptar basa sing didhukung ing kene.

Kepiye carane nangani file audio sing gedhe?

Kanggo unggahan transkripsi Audio API versi lawas/whisper-1, ukuran panjaluk paling gedhe yaiku 25 MiB. Rute transkripsi gpt-4o sing luwih anyar bisa nggunakake validasi sing beda, kayata wates durasi utawa token. Mula, priksa dokumentasi khusus model kasebut nalika nangani input audio sing dawa saka pangguna.

Cara streaming apa wae sing kasedhiya?

Ana rong cara kanggo ngirim transkripsi kanthi streaming, gumantung apa sing ditranskripsi iku rekaman audio sing wis rampung utawa aliran audio sing isih lumaku:

• Ngirim transkripsi rekaman audio sing wis rampung kanthi streaming

• Ngirim transkripsi rekaman audio sing isih lumaku kanthi streaming

Kanggo transkripsi sing terus lumaku nganggo gpt-live-transcribe, aplikasi sampeyan kudu ndeteksi kapan wong rampung ngomong lan ngirim input_audio_buffer.commit kanggo menehi tandha pungkasane saben giliran lan nampa transkrip pungkasan. Model iki ora ndhukung server_vad utawa semantic_vad.

Elinga yen model whisper-1 ora ndhukung streaming.

Format file apa wae sing didhukung?

Format file sing didhukung kacathet ing dokumentasi API kita.

Apa aku bisa ngirim pranala menyang file audio menyang Audio API?

Ora, sampeyan kudu ngirim file nganggo salah siji format audio sing didhukung.