صوتیزندگی کنید
زندگی کنیدOpenAI Whisper
رونویسی دقیق چند زبانه از یک URL صوتی، با متن ساده، JSON پرمخاطب یا خروجی زیرنویس SRT/VTT مهر زمانی.
Audio → text
$0.012 / minute
زندگی کنیدOpenAI + Google2 مدل
API گفتار به متن - رونویسی هوش مصنوعی و تجزیه و تحلیل صوتی
API گفتار به متن Muapi صدای گفتاری را از طریق یک نقطه پایانی REST یکپارچه به متن تبدیل می‌کند. از Whisper برای رونویسی چند زبانه دقیق با زیرنویس‌های SRT/VTT با مهر زمانی اختیاری، یا Gemini Audio Vision برای تجزیه و تحلیل سریع صدا، بلندگوها و صدای پس‌زمینه استفاده کنید. یک کلید API، یک جریان ارسال و نظرسنجی، و قیمت گذاری پرداخت از 0.012 دلار در دقیقه.
مدل های صوتی زنده
رونویسی و درک صوتی را تحریک کرد2 مدلمدل را امتحان کنید
صوتیزندگی کنید
زندگی کنیدجمینی Audio Vision
درک صوتی بومی فراتر از رونویسی: درباره گفتار، لحن، تغییرات بلندگو، موسیقی یا صداهای پس‌زمینه سؤال کنید و تجزیه و تحلیل متنی دقیق دریافت کنید.
Audio → analysis
$2.00/M in · $5.00/M out
هیچ مدلی با فیلترهای شما مطابقت ندارد.
API گفتار به متن چیست؟
یک API گفتار به متن، صدای گفتاری را از طریق درخواست HTTP به متن نوشتاری تبدیل می‌کند. URL فایل صوتی را ارسال کنید و رونوشت را بدون ایجاد رونویسی دستی یا خط لوله پردازش صدا دریافت کنید.
Muapi Whisper و Gemini Audio Vision را از طریق همان الگوی REST یکپارچه که در سرتاسر پلتفرم استفاده می‌شود، به نمایش می‌گذارد. Whisper انتخاب متمرکز برای رونویسی و زیرنویس چند زبانه است. Gemini Audio Vision زمانی که نیاز به تجزیه و تحلیل، خلاصه یا مشاهدات ساختاریافته در مورد کل ضبط دارید، درخواستی را می‌پذیرد.
هر دو نقطه پایانی از یک کلید Muapi API و چرخه عمر درخواست و نظرسنجی ناهمزمان استاندارد استفاده می کنند. مدل را برای هر شغل انتخاب کنید و فقط برای نسلی که اداره می کنید هزینه کنید.
قابلیت های Speech to Text API
رونویسی چند زبانه
Whisper صدای گفتاری را در ده‌ها زبان رونویسی می‌کند و می‌تواند یک اشاره زبان اختیاری ISO-639-1 را بپذیرد.
زیرنویس مهر زمانی
در صورت نیاز به زمان‌بندی و فراداده هر بخش، خروجی SRT یا VTT را برای زیرنویس ویدیو یا JSON پرمخاطب درخواست کنید.
آنالیز صوتی درخواستی
Gemini Audio Vision می‌تواند به‌جای بازگرداندن یک متن مسطح، به یک سؤال خاص در مورد یک فایل صوتی پاسخ دهد.
آگاهی از بلندگو و صدا
از Gemini بخواهید تغییرات بلندگو، لحن صدا، احساسات، موسیقی و سایر صداهای پس زمینه را در ضبط شناسایی کند.
جلسات و گردش کار پادکست
مصاحبه‌ها، جلسات، سخنرانی‌ها و پادکست‌ها را به رونوشت‌ها، یادداشت‌ها یا ورودی‌های ساختار یافته پایین‌دستی قابل جستجو تبدیل کنید.
یک ادغام ناهمگام
از همان کلید API، جریان آپلود، ارسال نقطه پایانی و قرارداد نظرسنجی نتیجه مانند هر مدل دیگر Muapi استفاده کنید.
موارد استفاده از گفتار به متن
زیرنویس ویدیو
فایل‌های SRT یا VTT مهر زمانی را برای ویدیوها، دوره‌ها، پادکست‌ها و کلیپ‌های اجتماعی ایجاد کنید.
اطلاعات جلسه
ضبط‌ها را رونویسی کنید و درباره تصمیم‌ها، سخنرانان، موارد اقدام یا لحن، سؤالات هدفمند بپرسید.
برنامه های کاربردی صدا محور
رونوشت‌ها را به جستجو، عوامل، خلاصه‌سازی یا سایر مراحل تولید متن در یک گردش کار خودکار وارد کنید.
مقایسه مدل گفتار به متن
| مدل | ارائه دهنده | قیمت | بهترین برای |
|---|---|---|---|
نمونه کدهای گفتار به متن API
یک URL صوتی با فیلدهای خاص مدل ارسال کنید، یک شناسه درخواست دریافت کنید، و تا زمانی که رونوشت یا تجزیه و تحلیل کامل شود، نقطه پایانی استاندارد را نظرسنجی کنید.
1. با OpenAI Whisper رونویسی کنید
audio_url را ارسال کنید و به صورت اختیاری زبان، فرمت_ پاسخ، درخواست یا دما را تنظیم کنید. زمانی که خروجی زیرنویس می شود از srt یا vtt استفاده کنید.
2. صدا را با Gemini Audio Vision تجزیه و تحلیل کنید
آدرس audio_url و درخواستی را ارسال کنید که رونوشت، خلاصه، بلندگو یا تجزیه و تحلیل صدا را که نیاز دارید توضیح دهد. نتیجه شامل متن تولید شده است.
پرسش و پاسخ گفتار به متن API
API گفتار به متن چیست؟
یک API گفتار به نوشتار، صدای ضبط شده را از طریق درخواست HTTP به متن نوشته شده تبدیل می کند. Muapi Whisper را برای رونویسی دقیق و Gemini Audio Vision را برای درک سریع صدا فراهم می کند.
آیا Whisper می تواند زیرنویس را به جای متن ساده برگرداند؟
بله. answer_format را برای خروجی زیرنویس مهر زمانی روی srt یا vtt تنظیم کنید یا از verbose_json برای فراداده و زمان بندی هر بخش استفاده کنید.
جمینی Audio Vision چه تفاوتی با رونویسی دارد؟
Gemini Audio Vision یک درخواست و دلایل را در طول ضبط کامل می پذیرد. می تواند رونویسی کند، خلاصه کند، بلندگوها را شناسایی کند، لحن را توصیف کند و به جای بازگرداندن متن کلمه به کلمه، موسیقی پس زمینه یا صداها را مورد بحث قرار دهد.
هزینه تبدیل گفتار به متن چقدر است؟
Whisper برای هر دقیقه صدا با حداقل یک دقیقه 0.012 دلار هزینه دارد. Gemini Audio Vision از صورت‌حساب مبتنی بر توکن با 2.00 دلار به ازای هر میلیون توکن ورودی و 5.00 دلار در هر میلیون توکن خروجی استفاده می‌کند.
چه فرمت های صوتی را می توانم به Whisper ارسال کنم؟
Whisper فرمت های رایج از جمله mp3، mp4، mpeg، mpga، m4a، wav و webm را می پذیرد. فایل آپلود شده باید کمتر از 25 مگابایت باشد.
چگونه می توانم به API Speech to Text دسترسی پیدا کنم؟
یک حساب Muapi ایجاد کنید، یک کلید API از داشبورد ایجاد کنید، و هر نقطه پایانی را فراخوانی کنید. هیچ لیست انتظاری وجود ندارد.
Text to Speech API →متن تولید شده را پس از رونویسی به گفتار طبیعی برگردانید.AI Audio & Music API →گفتار، موسیقی، جلوه‌های صوتی و سایر مدل‌های صوتی را مرور کنید.AI Lipsync API →یک آهنگ صوتی مبتنی بر رونوشت را با یک ویدیوی چهره همگام‌سازی کنید.
آماده رونویسی صدا هستید؟
یک کلید Muapi API ایجاد کنید و با رونویسی Whisper یا تجزیه و تحلیل Gemini Audio Vision شروع کنید.