സംസാരം എഴുത്താക്കി മാറ്റാൻ ഓഡിയോ എപിഐ രണ്ട് എൻഡ്‌പോയിന്റുകൾ പിന്തുണയ്ക്കുന്നു:

• transcriptions

• translations

ഓഡിയോ എപിഐ ഉപയോഗിച്ചു തുടങ്ങാൻ, സംസാരം എഴുത്താക്കി മാറ്റുന്നതിനെക്കുറിച്ചുള്ള ഞങ്ങളുടെ ഡെവലപ്പർ മാർഗരേഖ വായിക്കുക.

പതിവുചോദ്യങ്ങൾ

ഓഡിയോ എപിഐ ഉപയോഗിക്കാൻ എത്ര ചെലവാകും.

വിശദാംശങ്ങൾക്ക് ഞങ്ങളുടെ നിരക്കുകൾ നൽകിയിരിക്കുന്ന പേജ് കാണുക.

ഏതൊക്കെ ഭാഷകളാണ് പിന്തുണയ്ക്കുന്നത്.

പിന്തുണയ്ക്കുന്ന ഭാഷകളുടെ പട്ടിക ഇവിടെ കാണുക.

വലിയ ഓഡിയോ ഫയലുകൾ എങ്ങനെ കൈകാര്യം ചെയ്യാം.

പഴയ ഓഡിയോ എപിഐ/whisper-1 ഉപയോഗിച്ച് ഓഡിയോ എഴുത്താക്കാനായി അപ്‌ലോഡ് ചെയ്യുമ്പോൾ, അഭ്യർത്ഥനയുടെ പരമാവധി വലുപ്പം 25 MiB ആണ്. ഓഡിയോ എഴുത്താക്കാനുള്ള പുതിയ gpt-4o റൂട്ടുകളിൽ ദൈർഘ്യമോ ടോക്കൺ പരിധിയോ പോലുള്ള വ്യത്യസ്ത സാധുതാപരിശോധനകൾ ഉപയോഗിച്ചേക്കാം. അതിനാൽ ഉപയോക്താക്കളിൽ നിന്നുള്ള ദൈർഘ്യമേറിയ ഓഡിയോ കൈകാര്യം ചെയ്യുമ്പോൾ അതത് മോഡലിന്റെ മാർഗരേഖ പരിശോധിക്കുക.

ഏതെല്ലാം സ്ട്രീമിങ് രീതികളാണ് ലഭ്യമായിട്ടുള്ളത്?

ശബ്ദത്തിന്റെ എഴുത്തുരൂപം സ്ട്രീം ചെയ്യാൻ രണ്ട് രീതികളുണ്ട്. റെക്കോർഡിങ് പൂർത്തിയായ ശബ്ദമാണോ തുടർന്നുകൊണ്ടിരിക്കുന്ന ശബ്ദപ്രവാഹമാണോ എഴുത്താക്കി മാറ്റുന്നത് എന്നതിനെ ആശ്രയിച്ചാണ് രീതി തിരഞ്ഞെടുക്കേണ്ടത്:

• പൂർത്തിയായ ശബ്ദറെക്കോർഡിങ്ങിന്റെ എഴുത്തുരൂപം സ്ട്രീം ചെയ്യൽ

• തുടർന്നുകൊണ്ടിരിക്കുന്ന ശബ്ദറെക്കോർഡിങ്ങിന്റെ എഴുത്തുരൂപം സ്ട്രീം ചെയ്യൽ

gpt-live-transcribe ഉപയോഗിച്ച് ശബ്ദം തുടർച്ചയായി എഴുത്താക്കി മാറ്റുമ്പോൾ, സംസാരം അവസാനിക്കുന്നത് നിങ്ങളുടെ ആപ്ലിക്കേഷൻ കണ്ടെത്തണം. തുടർന്ന്, ഓരോ സംഭാഷണഘട്ടവും അവസാനിച്ചെന്ന് അറിയിക്കാനും അന്തിമ എഴുത്തുരൂപം ലഭിക്കാനും input_audio_buffer.commit അയയ്ക്കണം. ഈ മോഡൽ server_vad അല്ലെങ്കിൽ semantic_vad പിന്തുണയ്ക്കുന്നില്ല.

whisper-1 മോഡലിൽ സ്ട്രീമിങ് പിന്തുണ ലഭ്യമല്ലെന്നത് ശ്രദ്ധിക്കുക.

ഏതൊക്കെ ഫയൽ രൂപങ്ങളാണ് പിന്തുണയ്ക്കുന്നത്.

പിന്തുണയ്ക്കുന്ന ഫയൽ രൂപങ്ങൾ ഞങ്ങളുടെ എപിഐ മാർഗരേഖയിൽ നൽകിയിട്ടുണ്ട്.

ഓഡിയോ ഫയലുകളിലേക്കുള്ള ലിങ്കുകൾ ഓഡിയോ എപിഐയിലേക്ക് അയയ്ക്കാമോ.

ഇല്ല, പിന്തുണയ്ക്കുന്ന ഓഡിയോ രൂപങ്ങളിലൊന്നിലുള്ള ഫയൽ തന്നെ അയയ്ക്കണം.