Whisper-1

Specyfikacja techniczna whisper-1

Czym jest whisper-1?

whisper-1 to model rozpoznawania mowy dostępny poprzez CometAPI, służący do zamiany audio na tekst oraz tworzenia tłumaczeń z mowy na język angielski. Został zaprojektowany dla deweloperów potrzebujących niezawodnej transkrypcji nagranej mowy, wywiadów, spotkań, notatek głosowych, napisów oraz wielojęzycznych przepływów pracy audio.

Model dobrze nadaje się do aplikacji wymagających automatycznego rozpoznawania mowy w wielu językach. Może transkrybować audio w języku oryginału lub tłumaczyć treść mówioną na angielski, co czyni go użytecznym w produktach globalnych, potokach przetwarzania mediów, narzędziach wsparcia i rozwiązaniach z zakresu dostępności.

Ponieważ whisper-1 działa na przesłanych plikach audio i zwraca wynik w postaci tekstu, naturalnie wpisuje się w automatyzację backendową, indeksowanie treści, generowanie napisów, wzbogacanie wyszukiwania oraz potoki analityczne.

Najważniejsze funkcje whisper-1

• Transkrypcja mowy na tekst: Przekształca nagraną mowę w tekst pisany na potrzeby dokumentów, napisów, archiwów i przepływów pracy w aplikacjach.
• Tłumaczenie mowy: Tworzy anglojęzyczne tłumaczenia tekstowe z mowy w językach innych niż angielski, upraszczając przetwarzanie treści wielojęzycznych.
• Wielojęzyczne rozpoznawanie: Obsługuje rozpoznawanie w wielu językach, co czyni go praktycznym dla wdrożeń międzynarodowych i międzyregionalnych.
• Formatowanie wspomagane promptami: Akceptuje prompty, które pomagają sterować interpunkcją, wielkością liter, terminologią oraz stylem transkryptu.
• Przepływ pracy oparty na plikach w API: Dobrze współpracuje z przesyłanymi plikami audio, ułatwiając integrację z zadaniami wsadowymi, systemami medialnymi i usługami backendowymi.
• Obsługa identyfikacji języka: Może być używany w przepływach pracy, w których istotne jest wykrywanie lub obsługa wielu języków mówionych.
• Świetnie sprawdza się w operacjach na treściach: Przydatny do generowania napisów, tworzenia przeszukiwalnych transkryptów, rejestrowania rozmów z klientami, przetwarzania wywiadów i konwersji notatek głosowych.

Jak uzyskać dostęp i zintegrować whisper-1

Krok 1: Zarejestruj konto i uzyskaj klucz API

Aby rozpocząć korzystanie z whisper-1, najpierw utwórz konto w CometAPI i wygeneruj klucz API w panelu. Po zalogowaniu przejdź do sekcji zarządzania API, utwórz nowy klucz i przechowuj go w bezpiecznym miejscu. Ten klucz będzie wymagany do uwierzytelniania każdego żądania wysyłanego do API whisper-1.

Krok 2: Wysyłanie żądań do API whisper-1

Gdy masz już klucz API, możesz wysyłać żądania do punktu końcowego CometAPI z użyciem identyfikatora modelu whisper-1. Dołącz klucz API w nagłówku Authorization i wskaż whisper-1 jako docelowy model. W przepływach mowy wyślij plik audio do odpowiedniego punktu końcowego transkrypcji lub tłumaczenia.

curl --request POST \
  --url https://api.cometapi.com/v1/audio/transcriptions \
  --header "Authorization: Bearer YOUR_COMETAPI_KEY" \
  --header "Content-Type: multipart/form-data" \
  --form "model=whisper-1" \
  --form "file=@/path/to/audio.mp3"

W przepływach tłumaczenia użyj punktu końcowego tłumaczeń z tym samym identyfikatorem modelu:

curl --request POST \
  --url https://api.cometapi.com/v1/audio/translations \
  --header "Authorization: Bearer YOUR_COMETAPI_KEY" \
  --header "Content-Type: multipart/form-data" \
  --form "model=whisper-1" \
  --form "file=@/path/to/audio.mp3"

Krok 3: Pobierz i zweryfikuj wyniki

Po przetworzeniu żądania CometAPI zwróci wygenerowany wynik tekstowy dla zadania whisper-1. Przejrzyj odpowiedź, aby potwierdzić jakość transkryptu, obsługę języka, interpunkcję i kompletność. W razie potrzeby dopracuj wstępne przetwarzanie audio lub podejście do promptów i wyślij żądanie ponownie, aby poprawić spójność wyników w środowisku produkcyjnym.