ข้อมูลจำเพาะทาง技术ของ whisper-1
| ข้อมูลจำเพาะ | รายละเอียด |
|---|---|
| รหัสโมเดล | whisper-1 |
| ประเภทโมเดล | ถอดเสียงเป็นข้อความและแปลคำพูด |
| กรณีใช้งานหลัก | การถอดเสียง การรู้จำคำพูดหลายภาษา การแปลคำพูดเป็นภาษาอังกฤษ |
| รูปแบบอินพุต | เสียง |
| รูปแบบเอาต์พุต | ข้อความ |
| เอนด์พอยต์ที่รองรับ | /v1/audio/transcriptions, /v1/audio/translations |
| การรองรับสตรีมมิง | ไม่รองรับสำหรับ whisper-1 |
| การรองรับพรอมต์ | รองรับ โดยควบคุมรูปแบบ เครื่องหมายวรรคตอน และสไตล์ได้ในขอบเขตจำกัด |
| ความสามารถด้านภาษา | การรู้จำคำพูดหลายภาษาและการระบุภาษา |
| รูปแบบการผสานการทำงานทั่วไป | อัปโหลดไฟล์ผ่าน multipart form data |
| รูปแบบไฟล์เสียงที่พบบ่อย | m4a, mp3, mp4, mpeg, mpga, wav, webm |
| เหมาะที่สุดสำหรับ | การแปลงเนื้อหาที่พูดให้เป็นข้อความที่อ่านได้หรือคำแปลภาษาอังกฤษ |
whisper-1 คืออะไร?
whisper-1 เป็นโมเดลรู้จำเสียงพูดที่พร้อมใช้งานผ่าน CometAPI สำหรับแปลงเสียงเป็นข้อความและสร้างคำแปลจากเสียงพูดเป็นภาษาอังกฤษ โมเดลนี้ออกแบบมาสำหรับนักพัฒนาที่ต้องการการถอดเสียงที่เชื่อถือได้สำหรับคำพูดที่บันทึกไว้ การสัมภาษณ์ การประชุม บันทึกเสียง คำบรรยาย และเวิร์กโฟลว์เสียงหลายภาษา
โมเดลนี้เหมาะอย่างยิ่งสำหรับแอปพลิเคชันที่ต้องการการรู้จำคำพูดอัตโนมัติหลายภาษา สามารถถอดเสียงในภาษาต้นทางหรือแปลเนื้อหาที่พูดเป็นภาษาอังกฤษ ทำให้มีประโยชน์สำหรับผลิตภัณฑ์ระดับโลก ไปป์ไลน์การประมวลผลสื่อ เครื่องมือสนับสนุน และโซลูชันด้านการเข้าถึง
เนื่องจาก whisper-1 ทำงานกับไฟล์เสียงที่อัปโหลดและส่งกลับผลลัพธ์เป็นข้อความ จึงผสานเข้ากับงานอัตโนมัติฝั่งแบ็กเอนด์ การทำดัชนีเนื้อหา การสร้างคำบรรยาย การเสริมประสิทธิภาพการค้นหา และไปป์ไลน์การวิเคราะห์ได้อย่างลงตัว
คุณสมบัติหลักของ whisper-1
- การถอดเสียงพูดเป็นข้อความ: แปลงเสียงพูดให้เป็นข้อความสำหรับเอกสาร คำบรรยาย คลังเก็บ และเวิร์กโฟลว์ของแอปพลิเคชัน
- การแปลคำพูด: สร้างคำแปลเป็นข้อความภาษาอังกฤษจากเสียงพูดที่ไม่ใช่ภาษาอังกฤษ ช่วยให้การประมวลผลเนื้อหาหลายภาษาง่ายขึ้น
- การรู้จำหลายภาษา: รองรับการรู้จำได้หลายภาษา ทำให้เหมาะสำหรับการปรับใช้ระดับสากลและข้ามภูมิภาค
- การจัดรูปแบบด้วยความช่วยเหลือจากพรอมต์: รองรับพรอมต์เพื่อช่วยกำหนดเครื่องหมายวรรคตอน การใช้ตัวพิมพ์ใหญ่ ศัพท์เฉพาะ และสไตล์ของข้อความถอดเสียง
- เวิร์กโฟลว์ API แบบใช้ไฟล์: ทำงานได้ดีกับไฟล์เสียงที่อัปโหลด ทำให้ง่ายต่อการผสานในงานแบบแบตช์ ระบบสื่อ และบริการฝั่งแบ็กเอนด์
- รองรับการระบุภาษา: ใช้ในเวิร์กโฟลว์ที่ต้องตรวจจับหรือจัดการหลายภาษาพูดได้
- เหมาะอย่างยิ่งสำหรับงานด้านเนื้อหา: มีประโยชน์สำหรับการสร้างคำบรรยาย การสร้างทรานสคริปต์ที่ค้นหาได้ การบันทึกการโทรของลูกค้า การประมวลผลบทสัมภาษณ์ และการแปลงบันทึกเสียง
วิธีเข้าถึงและผสานการทำงานกับ whisper-1
ขั้นตอนที่ 1: ลงทะเบียนเพื่อรับคีย์ API
เพื่อเริ่มใช้งาน whisper-1 ให้สร้างบัญชีบน CometAPI และสร้างคีย์ API จากแดชบอร์ด หลังจากเข้าสู่ระบบ ให้ไปที่ส่วนการจัดการ API สร้างคีย์ใหม่ และเก็บรักษาไว้ให้ปลอดภัย คีย์นี้จำเป็นสำหรับการยืนยันตัวตนทุกคำขอที่คุณส่งไปยัง API ของ whisper-1
ขั้นตอนที่ 2: ส่งคำขอไปยัง API ของ whisper-1
เมื่อคุณมีคีย์ API แล้ว คุณสามารถส่งคำขอไปยังเอนด์พอยต์ของ CometAPI โดยใช้รหัสโมเดล whisper-1 ใส่คีย์ API ของคุณในเฮดเดอร์ Authorization และระบุ whisper-1 เป็นโมเดลเป้าหมาย สำหรับเวิร์กโฟลว์ด้านคำพูด ให้ส่งไฟล์เสียงไปยังเอนด์พอยต์สำหรับถอดเสียงหรือแปลที่เหมาะสม
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"
สำหรับเวิร์กโฟลว์การแปล ให้ใช้เอนด์พอยต์การแปลโดยใช้รหัสโมเดลเดียวกัน:
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"
ขั้นตอนที่ 3: ดึงและตรวจสอบผลลัพธ์
เมื่อคำขอได้รับการประมวลผล CometAPI จะส่งคืนผลลัพธ์ข้อความที่สร้างขึ้นสำหรับงาน whisper-1 ของคุณ ตรวจทานการตอบกลับเพื่อยืนยันคุณภาพของทรานสคริปต์ การจัดการภาษา เครื่องหมายวรรคตอน และความครบถ้วน หากจำเป็น ให้ปรับปรุงขั้นตอนเตรียมเสียงล่วงหน้าหรือแนวทางการใช้พรอมต์ แล้วส่งคำขอใหม่เพื่อปรับปรุงความสม่ำเสมอของผลลัพธ์สำหรับการใช้งานจริงของคุณ