ऑडियोजियो
जियोओपनएआई व्हिस्पर
सादे पाठ, वर्बोज़ JSON, या टाइमस्टैम्प्ड SRT/VTT उपशीर्षक आउटपुट के साथ एक ऑडियो URL से सटीक बहुभाषी प्रतिलेखन।
Audio → text
$0.012 / minute
जियोओपनएआई + गूगल2 मॉडल
स्पीच टू टेक्स्ट एपीआई - एआई ट्रांसक्रिप्शन और ऑडियो विश्लेषण
मुआपी का स्पीच-टू-टेक्स्ट एपीआई एक एकीकृत REST एंडपॉइंट के माध्यम से बोले गए ऑडियो को टेक्स्ट में बदल देता है। वैकल्पिक टाइमस्टैम्प्ड एसआरटी/वीटीटी उपशीर्षक के साथ सटीक बहुभाषी प्रतिलेखन के लिए व्हिस्पर का उपयोग करें, या टोन, स्पीकर और पृष्ठभूमि ध्वनि के संकेतित विश्लेषण के लिए जेमिनी ऑडियो विजन का उपयोग करें। एक एपीआई कुंजी, एक सबमिट-एंड-पोल प्रवाह, और $0.012 प्रति मिनट से भुगतान-एज़-यू-गो मूल्य निर्धारण।
लाइव ऑडियो मॉडल
प्रतिलेखन और प्रेरित ऑडियो समझ2 मॉडलमॉडल आज़माएं
ऑडियोजियो
जियोजेमिनी ऑडियो विजन
प्रतिलेखन से परे मूल ऑडियो समझ: भाषण, स्वर, वक्ता परिवर्तन, संगीत, या पृष्ठभूमि ध्वनियों के बारे में पूछें और एक विस्तृत पाठ विश्लेषण प्राप्त करें।
Audio → analysis
$2.00/M in · $5.00/M out
कोई भी मॉडल आपके फ़िल्टर से मेल नहीं खाता.
स्पीच टू टेक्स्ट एपीआई क्या है?
एक स्पीच-टू-टेक्स्ट एपीआई एक HTTP अनुरोध के माध्यम से बोले गए ऑडियो को लिखित पाठ में परिवर्तित करता है। एक ऑडियो फ़ाइल यूआरएल सबमिट करें और मैन्युअल ट्रांसक्रिप्शन या ऑडियो-प्रोसेसिंग पाइपलाइन बनाए बिना एक ट्रांसक्रिप्ट प्राप्त करें।
मुआपी पूरे प्लेटफ़ॉर्म पर उपयोग किए गए समान एकीकृत REST पैटर्न के माध्यम से व्हिस्पर और जेमिनी ऑडियो विज़न को उजागर करता है। व्हिस्पर बहुभाषी प्रतिलेखन और उपशीर्षक के लिए केंद्रित विकल्प है; जब आपको संपूर्ण रिकॉर्डिंग के बारे में विश्लेषण, सारांश या संरचित अवलोकन की आवश्यकता होती है तो जेमिनी ऑडियो विज़न एक संकेत स्वीकार करता है।
दोनों समापन बिंदु एक मुआपी एपीआई कुंजी और मानक अतुल्यकालिक अनुरोध-और-मतदान जीवनचक्र का उपयोग करते हैं। प्रत्येक कार्य के लिए मॉडल चुनें और केवल उस पीढ़ी के लिए भुगतान करें जिसे आप चला रहे हैं।
भाषण से पाठ एपीआई क्षमताएं
बहुभाषी प्रतिलेखन
व्हिस्पर बोले गए ऑडियो को दर्जनों भाषाओं में प्रसारित करता है और एक वैकल्पिक ISO-639-1 भाषा संकेत स्वीकार कर सकता है।
टाइमस्टैम्प्ड उपशीर्षक
वीडियो कैप्शनिंग के लिए एसआरटी या वीटीटी आउटपुट का अनुरोध करें, या जब आपको प्रति-सेगमेंट टाइमिंग और मेटाडेटा की आवश्यकता हो तो वर्बोज़ जेएसओएन का अनुरोध करें।
प्रेरित ऑडियो विश्लेषण
जेमिनी ऑडियो विज़न केवल एक सपाट प्रतिलेख लौटाने के बजाय एक ऑडियो फ़ाइल के बारे में एक विशिष्ट प्रश्न का उत्तर दे सकता है।
वक्ता और ध्वनि जागरूकता
मिथुन को रिकॉर्डिंग में स्पीकर परिवर्तन, स्वर, भावना, संगीत और अन्य पृष्ठभूमि ध्वनियों की पहचान करने के लिए कहें।
मीटिंग और पॉडकास्ट वर्कफ़्लो
साक्षात्कारों, बैठकों, व्याख्यानों और पॉडकास्ट को खोजने योग्य प्रतिलेखों, नोट्स या संरचित डाउनस्ट्रीम इनपुट में बदलें।
एक एसिंक एकीकरण
प्रत्येक अन्य मुआपी मॉडल की तरह समान एपीआई कुंजी, अपलोड प्रवाह, सबमिट एंडपॉइंट और परिणाम मतदान अनुबंध का उपयोग करें।
भाषण से पाठ उपयोग के मामले
वीडियो कैप्शनिंग
वीडियो, पाठ्यक्रम, पॉडकास्ट और सामाजिक क्लिप के लिए टाइमस्टैम्प्ड एसआरटी या वीटीटी फ़ाइलें जेनरेट करें।
खुफिया बैठक
रिकॉर्डिंग को ट्रांसक्राइब करें और निर्णयों, वक्ताओं, एक्शन आइटम या टोन के बारे में लक्षित प्रश्न पूछें।
ध्वनि-चालित अनुप्रयोग
स्वचालित वर्कफ़्लो में खोज, एजेंट, सारांश, या अन्य पाठ-जनरेशन चरणों में प्रतिलेख फ़ीड करें।
भाषण से पाठ मॉडल तुलना
| मॉडल | प्रदाता | कीमत | के लिए सर्वोत्तम |
|---|---|---|---|
स्पीच टू टेक्स्ट एपीआई कोड उदाहरण
मॉडल-विशिष्ट फ़ील्ड के साथ एक ऑडियो यूआरएल सबमिट करें, एक अनुरोध आईडी प्राप्त करें, और ट्रांसक्रिप्ट या विश्लेषण पूरा होने तक मानक परिणाम समापन बिंदु पर मतदान करें।
1. ओपनएआई व्हिस्पर के साथ ट्रांसक्राइब करें
ऑडियो_यूआरएल पास करें और वैकल्पिक रूप से भाषा, प्रतिक्रिया_प्रारूप, संकेत या तापमान सेट करें। जब आउटपुट उपशीर्षक बन जाए तो srt या vtt का उपयोग करें।
2. जेमिनी ऑडियो विज़न के साथ ऑडियो का विश्लेषण करें
ऑडियो_यूआरएल पास करें और आपको आवश्यक प्रतिलेख, सारांश, स्पीकर या ध्वनि विश्लेषण का वर्णन करने वाला एक संकेत दें। परिणाम में जनरेट किया गया टेक्स्ट शामिल है.
स्पीच टू टेक्स्ट एपीआई अक्सर पूछे जाने वाले प्रश्न
स्पीच टू टेक्स्ट एपीआई क्या है?
एक स्पीच-टू-टेक्स्ट एपीआई एक HTTP अनुरोध के माध्यम से एक ऑडियो रिकॉर्डिंग को लिखित पाठ में परिवर्तित करता है। मुआपी सटीक प्रतिलेखन के लिए व्हिस्पर और प्रेरित ऑडियो समझ के लिए जेमिनी ऑडियो विजन प्रदान करता है।
क्या व्हिस्पर सादे पाठ के बजाय उपशीर्षक लौटा सकता है?
हाँ। टाइमस्टैम्प्ड उपशीर्षक आउटपुट के लिए रिस्पॉन्स_फॉर्मेट को srt या vtt पर सेट करें, या प्रति-सेगमेंट मेटाडेटा और टाइमिंग के लिए verbose_json का उपयोग करें।
जेमिनी ऑडियो विज़न ट्रांसक्रिप्शन से किस प्रकार भिन्न है?
जेमिनी ऑडियो विज़न पूरी रिकॉर्डिंग पर संकेत और कारण स्वीकार करता है। यह केवल शब्द-दर-शब्द पाठ लौटाने के बजाय प्रतिलेखन, सारांश, वक्ताओं की पहचान, स्वर का वर्णन और पृष्ठभूमि संगीत या ध्वनियों पर चर्चा कर सकता है।
वाक्-से-पाठ की लागत कितनी है?
व्हिस्पर की न्यूनतम एक मिनट की ऑडियो लागत $0.012 प्रति मिनट है। जेमिनी ऑडियो विज़न $2.00 प्रति मिलियन इनपुट टोकन और $5.00 प्रति मिलियन आउटपुट टोकन पर टोकन-आधारित बिलिंग का उपयोग करता है।
मैं व्हिस्पर को कौन से ऑडियो प्रारूप प्रस्तुत कर सकता हूं?
व्हिस्पर एमपी3, एमपी4, एमपीईजी, एमपीजीए, एम4ए, वेव और वेबएम सहित सामान्य प्रारूप स्वीकार करता है। अपलोड की गई फ़ाइल 25 एमबी से कम होनी चाहिए।
मैं स्पीच टू टेक्स्ट एपीआई एक्सेस कैसे प्राप्त करूं?
एक मुआपी खाता बनाएं, डैशबोर्ड से एक एपीआई कुंजी उत्पन्न करें, और किसी भी एंडपॉइंट पर कॉल करें। कोई प्रतीक्षा सूची नहीं है.
टेक्स्ट टू स्पीच एपीआई →प्रतिलेखन के बाद उत्पन्न पाठ को वापस प्राकृतिक भाषण में बदल दें।एआई ऑडियो और संगीत एपीआई →भाषण, संगीत, ध्वनि-प्रभाव और अन्य ऑडियो मॉडल ब्राउज़ करें।एआई लिपसिंक एपीआई →ट्रांसक्रिप्ट-संचालित वॉयस ट्रैक को फेस वीडियो के साथ सिंक करें।
ऑडियो ट्रांसक्राइब करने के लिए तैयार हैं?
एक मुआपी एपीआई कुंजी बनाएं और व्हिस्पर ट्रांसक्रिप्शन या जेमिनी ऑडियो विजन विश्लेषण से शुरू करें।