VoiceKIT-STT
нейрожелі
Сипаттамалары
- Кіріс деректер
- аудио
- Нәтиже
- мәтін
Промптың құны
(1М токенге қарай)
import OpenAI from 'openai';
const openai = new OpenAI({
apiKey: '<your bothub access token>',
baseURL: 'https://openai.bothub.chat/v1'
});
import fs from 'fs';
async function main() {
const { text } = await openai.audio.transcriptions.create({
file: fs.createReadStream('/path/to/file.mp3'),
model: 'tbank-voicekit-stt',
});
console.log(text);
}main();
Қалай жұмыс істейді VoiceKIT-STT?
VoiceKIT-STT туралы жиі қойылатын сұрақтар
Генерация нәтижелерін коммерциялық мақсатта пайдалана аласыз. Жасалған контентке барлық құқық сізге тиесілі. Жалғыз шектеу: сұрауда үшінші тараптардың авторлық құқықпен қорғалған материалдары пайдаланылмағанына көз жеткізіңіз. Кіріс деректерінің құқықтарын сақтау жауапкершілігі пайдаланушыға жүктеледі.
VoiceKIT‑STT аудионы мәтінге түрлендіреді, соның ішінде үлкен аудиофайлдармен жұмыс істейді. Кездесулер мен сұхбаттарды транскрипциялауға, хаттама жүргізуге, субтитрлер жасауға және подкасттарды өңдеуге жарамды. Ұзақ жазбалардың мәтіндік нұсқасын алу қажет болған жағдайда ыңғайлы.
Модель өз шығыс ұзындығының шегінде мәтін жасай алады — шығыс токендерінің саны көрсетілген. Қорытынды көлемге кіріс контексті мен аудиофайлдың ұзақтығы әсер етеді: кіріс неғұрлым ұзақ болса, шығысқа соғұрлым аз орын қалады.
Біздің деректерде шығару алдында анық пайымдау режимінің бар екені көрсетілмеген; модель аудионы мәтінге түрлендіруге шоғырланған. Егер аналитикалық нәтиже немесе түсініктеме қажет болса, транскриптті пайымдау жасай алатын бөлек модельмен біріктірген жөн.
Біздің деректерде функцияларды шақырудың немесе кепілдендірілген құрылымдық JSON‑шығыстың кіріктірілген қолдауы көрсетілмеген. Құрылымдық нәтижелерді алу үшін транскриптті қосымша жағында өңдеуге болады немесе BotHub құжаттамасынан API арқылы мұндай шығысты қалай ұйымдастыру керектігін нақтылауға болады.
Деректерде модельдің кіріс ретінде аудионы қабылдайтыны, яғни дауыстық файлдармен және ағындармен жұмыс істейтіні көрсетілген. Кескіндер мен бейнелерді қабылдау туралы біздің деректерде айтылмаған; қажет болса, бейнеден аудио жолды бөліп алып, оны модельге жүктеуге болады.
Біздің деректерде орыс тілін тану сапасы бойынша нақты көрсеткіштер жоқ. Нақты дәлдік жазбаның сапасына, фондық шуға және сөйлеушілердің дикциясына байланысты. Нақты жағдайлардағы дәлдікті бағалау үшін модельді BotHub арқылы өз аудиожазбаларыңызда тексеруге кеңес береміз.