ऑडिओ API वाणीचे मजकुरात रूपांतर करण्यासाठी दोन अंतिम बिंदूंना समर्थन देते:

• transcriptions

• translations

ऑडिओ API वापरण्यास सुरुवात करण्यासाठी, कृपया आमचे वाणीचे मजकुरात रूपांतर करण्याविषयीचे विकासक दस्तऐवज वाचा.

वारंवार विचारले जाणारे प्रश्न

ऑडिओ API वापरण्यासाठी किती खर्च येतो?

तपशीलांसाठी आमचे दरपत्रकाचे पृष्ठ पहा.

कोणत्या भाषांना समर्थन आहे?

समर्थित भाषांची यादी येथे पहा.

मोठ्या ध्वनी फाइल्स कशा हाताळता येतील?

जुन्या पद्धतीने किंवा whisper-1 वापरून ऑडिओ API वर लिप्यंतरणासाठी फाइल अपलोड करताना, विनंतीचा कमाल आकार 25 MiB असतो. नवीन gpt-4o लिप्यंतरण मार्गांवर कालावधी किंवा टोकन मर्यादा यांसारखे वेगळे पडताळणी निकष लागू असू शकतात. त्यामुळे वापरकर्त्यांकडून आलेले दीर्घ ध्वनी इनपुट हाताळताना संबंधित मॉडेलचे दस्तऐवज तपासा.

प्रवाह स्वरूपात पाठवण्याच्या कोणत्या पद्धती उपलब्ध आहेत?

लिप्यंतरण प्रवाह स्वरूपात पाठवण्याचे दोन मार्ग आहेत. कोणता मार्ग निवडायचा हे तुमच्या वापरावर अवलंबून आहे: तुम्हाला आधीच पूर्ण झालेल्या ध्वनिमुद्रणाचे लिप्यंतरण करायचे आहे, की चालू असलेला ध्वनिप्रवाह हाताळून बोलण्याची पाळी ओळखण्यासाठी OpenAI वापरायचे आहे:

• पूर्ण झालेल्या ध्वनिमुद्रणाचे लिप्यंतरण प्रवाह स्वरूपात पाठवणे

• चालू असलेल्या ध्वनिमुद्रणाचे लिप्यंतरण प्रवाह स्वरूपात पाठवणे

लक्षात घ्या की whisper-1 मॉडेल प्रवाह स्वरूपात पाठवण्यास समर्थन देत नाही.

कोणत्या फाइल स्वरूपांना समर्थन आहे?

समर्थित फाइल स्वरूपांची माहिती आमच्या API दस्तऐवजांमध्ये दिली आहे.

मी ऑडिओ API ला ध्वनी फाइल्सचे दुवे पाठवू शकतो का?

नाही, तुम्ही समर्थित ध्वनी स्वरूपांपैकी एका स्वरूपात फाइल पाठवणे आवश्यक आहे.