เสียงสด
สดOpenAI กระซิบ
การถอดเสียงหลายภาษาที่แม่นยำจาก URL เสียงพร้อมข้อความธรรมดา JSON แบบละเอียด หรือเอาต์พุตคำบรรยาย SRT/VTT ที่ประทับเวลา
Audio → text
$0.012 / minute
สดโอเพ่นเอไอ + กูเกิล2 รุ่น
API คำพูดเป็นข้อความ — การถอดเสียง AI และการวิเคราะห์เสียง
API คำพูดเป็นข้อความของ Muapi เปลี่ยนเสียงพูดเป็นข้อความผ่านจุดสิ้นสุด REST ที่รวมเป็นหนึ่งเดียว ใช้ Whisper เพื่อการถอดเสียงหลายภาษาที่แม่นยำพร้อมคำบรรยาย SRT/VTT ที่ประทับเวลาเสริม หรือใช้ Gemini Audio Vision สำหรับการวิเคราะห์โทนเสียง ลำโพง และเสียงพื้นหลังทันที หนึ่งคีย์ API หนึ่งขั้นตอนการส่งและโพล และราคาแบบจ่ายตามการใช้งานเริ่มต้นที่ 0.012 USD ต่อนาที
โมเดลเสียงสด
การถอดเสียงและความเข้าใจด้านเสียงพร้อมท์2 รุ่นลองรุ่น
เสียงสด
สดราศีเมถุนเสียงวิสัยทัศน์
ความเข้าใจเสียงพื้นเมืองนอกเหนือจากการถอดเสียง: ถามเกี่ยวกับคำพูด น้ำเสียง การเปลี่ยนลำโพง เพลง หรือเสียงพื้นหลัง และรับการวิเคราะห์ข้อความโดยละเอียด
Audio → analysis
$2.00/M in · $5.00/M out
ไม่มีรุ่นที่ตรงกับตัวกรองของคุณ
API คำพูดเป็นข้อความคืออะไร
API คำพูดเป็นข้อความแปลงเสียงพูดเป็นข้อความเขียนผ่านคำขอ HTTP ส่ง URL ของไฟล์เสียงและรับการถอดเสียงโดยไม่ต้องสร้างไปป์ไลน์การถอดเสียงด้วยตนเองหรือการประมวลผลเสียง
Muapi เปิดเผย Whisper และ Gemini Audio Vision ผ่านรูปแบบ REST แบบครบวงจรแบบเดียวกับที่ใช้ทั่วทั้งแพลตฟอร์ม Whisper เป็นตัวเลือกที่เน้นสำหรับการถอดเสียงและคำบรรยายหลายภาษา Gemini Audio Vision ยอมรับการแจ้งเตือนเมื่อคุณต้องการการวิเคราะห์ สรุป หรือการสังเกตเชิงโครงสร้างเกี่ยวกับการบันทึกทั้งหมด
ตำแหน่งข้อมูลทั้งสองใช้คีย์ Muapi API หนึ่งคีย์และวงจรการใช้งานคำขอและการสำรวจแบบอะซิงโครนัสมาตรฐาน เลือกรุ่นสำหรับแต่ละงานและจ่ายเฉพาะรุ่นที่คุณดำเนินการเท่านั้น
ความสามารถของ Speech to Text API
การถอดความหลายภาษา
Whisper ถอดเสียงพูดเป็นภาษาต่างๆ มากมาย และสามารถรับคำใบ้ภาษา ISO-639-1 เสริมได้
คำบรรยายที่มีการประทับเวลา
ขอเอาต์พุต SRT หรือ VTT สำหรับคำบรรยายวิดีโอ หรือใช้ JSON แบบละเอียดเมื่อคุณต้องการเวลาและข้อมูลเมตาต่อเซ็กเมนต์
การวิเคราะห์เสียงพร้อมท์
Gemini Audio Vision สามารถตอบคำถามเฉพาะเกี่ยวกับไฟล์เสียง แทนที่จะส่งคืนเฉพาะสำเนาเสียงเรียบๆ
การรับรู้ของลำโพงและเสียง
ขอให้ราศีเมถุนระบุการเปลี่ยนแปลงของผู้พูด โทนเสียง อารมณ์ เพลง และเสียงพื้นหลังอื่นๆ ในการบันทึก
เวิร์กโฟลว์การประชุมและพอดแคสต์
เปลี่ยนการสัมภาษณ์ การประชุม การบรรยาย และพอดแคสต์ให้เป็นสำเนาบันทึกที่ค้นหาได้ บันทึกย่อ หรือข้อมูลดาวน์สตรีมที่มีโครงสร้าง
บูรณาการแบบอะซิงก์เดียว
ใช้คีย์ API ขั้นตอนการอัปโหลด จุดสิ้นสุดการส่ง และสัญญาการสำรวจผลลัพธ์เหมือนกับโมเดล Muapi อื่นๆ
กรณีการใช้คำพูดเป็นข้อความ
คำบรรยายวิดีโอ
สร้างไฟล์ SRT หรือ VTT ที่ประทับเวลาสำหรับวิดีโอ หลักสูตร พ็อดคาสท์ และคลิปโซเชียล
พบกับความฉลาด
ถอดเสียงการบันทึกและถามคำถามที่ตรงเป้าหมายเกี่ยวกับการตัดสินใจ ผู้พูด รายการการกระทำ หรือน้ำเสียง
แอพพลิเคชั่นที่ขับเคลื่อนด้วยเสียง
ป้อนข้อความถอดเสียงลงในการค้นหา ตัวแทน การสรุป หรือขั้นตอนการสร้างข้อความอื่นๆ ในเวิร์กโฟลว์อัตโนมัติ
การเปรียบเทียบโมเดลคำพูดกับข้อความ
| รุ่น | ผู้ให้บริการ | ราคา | ดีที่สุดสำหรับ |
|---|---|---|---|
ตัวอย่างโค้ด API คำพูดเป็นข้อความ
ส่ง URL เสียงพร้อมฟิลด์เฉพาะรุ่น รับ ID คำขอ และสำรวจจุดสิ้นสุดผลลัพธ์มาตรฐานจนกว่าการถอดเสียงหรือการวิเคราะห์จะเสร็จสมบูรณ์
1. ถอดเสียงด้วย OpenAI Whisper
ส่งผ่าน audio_url และตั้งค่าภาษา รูปแบบการตอบกลับ ข้อความแจ้ง หรืออุณหภูมิ (ไม่บังคับ) ใช้ srt หรือ vtt เมื่อเอาต์พุตจะกลายเป็นคำบรรยาย
2. วิเคราะห์เสียงด้วย Gemini Audio Vision
ส่ง audio_url และข้อความแจ้งที่อธิบายการถอดเสียง ข้อมูลสรุป ผู้พูด หรือการวิเคราะห์เสียงที่คุณต้องการ ผลลัพธ์ประกอบด้วยข้อความที่สร้างขึ้น
คำถามที่พบบ่อยเกี่ยวกับ Speech to Text API
API คำพูดเป็นข้อความคืออะไร
API คำพูดเป็นข้อความแปลงการบันทึกเสียงเป็นข้อความลายลักษณ์อักษรผ่านคำขอ HTTP Muapi ให้ Whisper เพื่อการถอดเสียงที่แม่นยำ และ Gemini Audio Vision เพื่อการทำความเข้าใจเสียงที่รวดเร็ว
Whisper สามารถส่งคืนคำบรรยายแทนข้อความธรรมดาได้หรือไม่
ใช่ ตั้งค่า response_format เป็น srt หรือ vtt สำหรับเอาต์พุตคำบรรยายที่มีการประทับเวลา หรือใช้ verbose_json สำหรับข้อมูลเมตาและเวลาต่อเซ็กเมนต์
Gemini Audio Vision แตกต่างจากการถอดเสียงอย่างไร
Gemini Audio Vision ยอมรับพร้อมท์และเหตุผลในการบันทึกแบบเต็ม สามารถถอดเสียง สรุป ระบุผู้พูด อธิบายน้ำเสียง และอภิปรายการเพลงหรือเสียงพื้นหลัง แทนที่จะส่งกลับเฉพาะข้อความแบบคำต่อคำ
การแปลงคำพูดเป็นข้อความมีค่าใช้จ่ายเท่าไร?
Whisper มีค่าใช้จ่ายเสียง 0.012 เหรียญสหรัฐต่อนาที โดยมีความยาวขั้นต่ำ 1 นาที Gemini Audio Vision ใช้การเรียกเก็บเงินตามโทเค็นที่ 2.00 ดอลลาร์สหรัฐฯ ต่อโทเค็นอินพุตหนึ่งล้านรายการ และ 5.00 ดอลลาร์สหรัฐฯ ต่อโทเค็นเอาท์พุตหนึ่งล้านรายการ
ฉันสามารถส่งรูปแบบเสียงใดไปยัง Whisper ได้
Whisper ยอมรับรูปแบบทั่วไป ได้แก่ mp3, mp4, mpeg, mpga, m4a, wav และ webm ไฟล์ที่อัพโหลดต้องมีขนาดไม่เกิน 25 MB
ฉันจะเข้าถึง Speech to Text API ได้อย่างไร
สร้างบัญชี Muapi สร้างคีย์ API จากแดชบอร์ด และเรียกตำแหน่งข้อมูลแห่งใดแห่งหนึ่ง ไม่มีรายการรอ
API ข้อความเป็นคำพูด →เปลี่ยนข้อความที่สร้างขึ้นกลับเป็นคำพูดที่เป็นธรรมชาติหลังจากการถอดเสียงAI เสียงและดนตรี API →เรียกดูคำพูด เพลง เอฟเฟกต์เสียง และโมเดลเสียงอื่นๆAI ลิปซิงค์ API →ซิงค์แทร็กเสียงที่เน้นการถอดเสียงกับวิดีโอใบหน้า
พร้อมที่จะถอดเสียงแล้วหรือยัง?
สร้างคีย์ Muapi API หนึ่งคีย์แล้วเริ่มต้นด้วยการถอดเสียง Whisper หรือการวิเคราะห์ Gemini Audio Vision