ما هي واجهة برمجة التطبيقات speech-to-text؟

تقوم واجهة برمجة التطبيقات speech-to-text بنسخ الصوت المنطوق إلى نص مكتوب. تقوم بتحميل تسجيل أو تمرير عنوان URL الخاص به، أو بث الصوت المباشر، وتعيد واجهة برمجة التطبيقات النص مع الطوابع الزمنية أو تسميات المتحدث أو ملفات الترجمة على النماذج التي تدعمها.

أنواع النماذج

ما الذي تفعله واجهة برمجة التطبيقات speech-to-text

واجهة برمجة التطبيقات speech-to-text، وتسمى أيضا واجهة برمجة تطبيقات النسخ أو التعرف التلقائي على الكلام (ASR)، تحول الكلمات المنطوقة في ملف صوتي أو مرئي إلى نص. أبسط نتيجة هي نسخة مكتوبة عادية. اعتمادا على النموذج، يمكن لواجهة برمجة التطبيقات أيضا إرجاع:

  • الطوابع الزمنية لكل مقطع أو كلمة، للتعليقات النصية والتشغيل القابل للبحث.
  • تسميات السماعات ذلك المارك الذي قال كل جزء من المحادثة، ميزة تسمى الكتابة اليومية.
  • ملفات الترجمة بصيغة SRT أو VTT.
  • التنسيق وعلامات الترقيم، والأرقام والتواريخ، وإخفاء المعلومات الشخصية.
  • الترجمة من الكلام إلى الإنجليزية، أو إلى لغات أخرى على نماذج مصممة للترجمة.

العديد من النماذج تكتشف اللغة المنطوقة تلقائيا، وبعضها يقبل قائمة بالمصطلحات الرئيسية، مثل أسماء المنتجات أو المصطلحات، للتعرف عليها بشكل أكثر موثوقية.

نسخ الملفات والنسخ المباشر

للتسجيل، أرسل ما بعد /v1/audio/transcriptions مع معرف النموذج وإما الملف كرفع متعدد الأجزاء أو عنوان URL الخاص به عبر HTTPS في file_url. تعيد واجهة برمجة التطبيقات النص المكتوب في الرد. يمكن للنسخ الطويل أن يعيد معرف الوظيفة بدلا من ذلك، والذي تقوم باستطلاعه اذهب /v1/jobs/{job_id}، و الرأس يفضل: استجابة غير متزامنة يطلب معرف وظيفة فورا.

بالنسبة للكلام أثناء حدوثه، مثل مكالمة أو حدث مباشر، تقوم نماذج النسخ الحية ببث النص مرة أخرى عبر صوت في الوقت الحقيقي WebSocket في /v1/realtime. اعتمادا على النموذج، تصل كلمات جزئية أثناء حديث الشخص، ويصل نص ثابت في كل توقف.

ما الذي يستخدم speech-to-text

  • الاجتماعات والاتصالات. ملاحظات قابلة للبحث وملخصات عند تمرير النص إلى واجهة برمجة تطبيقات LLM.
  • الترجمة والترجمة. نص مؤقت للفيديوهات، الدورات والبث المباشر.
  • إدخال صوتي. الإملاء، الرسائل الصوتية والأوامر المنطوقة في التطبيقات.
  • أرشيفات الوسائط. نصوص تجعل البودكاست والفيديوهات قابلة للبحث.
  • التوطين. نصوص ومقاطع ترجمة مترجمة تعد فيديو للغات الأخرى.

ما الذي يجب مقارنته بين نماذج النسخ

  • دقة في صوتك. اختبر باستخدام تسجيلات حقيقية تتضمن لهجتك، ضوضاء الخلفية، الكلام المتقاطع، ومفردات المجال.
  • اللغات واللهجات. تحقق من كل لغة تحتاجها، بما في ذلك الكلام الذي يمزج اللغات.
  • تفاصيل الإخراج. الطوابع الزمنية للكلمات، تسميات المتحدثين، تنسيقات الترجمة وخيارات التنسيق.
  • ملف أو مباشر. تحتاج الترجمات الحية إلى نموذج يبث عبر WebSocket. التسجيلات المكتملة تذهب إلى نقطة نهاية الملف.
  • السعر. معظم نماذج النسخ تحسب طول الصوت، لكل دقيقة أو لكل ساعة، وبعضها يحسب رموز الصوت، لذا تزداد التكلفة مع طول التسجيل.

مقارنات النماذج جنبا إلى جنب عرض قدرات ومعدلات نموذجين معا.

حاول استدعاء نموذج نسخ على EmpirioLabs AI

تصفح نماذج النسخ ورفع تسجيل في Playground لاختبار واحد. لاستدعاء نموذج، أنشئ مفتاح API في لوحة التحكم وأرسل الصوت إلى https://api.empiriolabs.ai/v1/audio/transcriptions. ال مرجع النسخ يسرد حقول الطلب وصيغ الاستجابة، و دليل واجهة برمجة التطبيقات للصوت في الوقت الحقيقي يغطي النسخ المباشر.

ادفع أثناء الاستخدام، أو اختر خطة مع بدلات أسبوعية. الأسعار الحالية على صفحة الأسعار.

نماذج النسخ على EmpirioLabs AI

عدد النماذج: 13، مرتبة من الأرخص حين تشترك في وحدة الفوترة. تعرض صفحة كل نموذج جدول أسعاره الكامل ومعلماته وأمثلة الكود.

نقاط النهاية

POST /v1/audio/transcriptions WEBSOCKET /v1/realtime

السعر لكل دقيقة أو ساعة من الصوت

النموذجأقل سعرينطبق على
StepAudio 2.5 ASR StepFun$0.05 لكل ساعة صوتيةالنسخ
Qwen Audio 3.0 ASR Alibaba Cloud$0.252 لكل ساعة صوتيةالنسخ
Whisper Large v3 Turbo OpenAI$0.042$0.005 لكل دقيقة من الصوتالنسخ المتحكم به
StepAudio 2.5 ASR Stream StepFun$0.40 لكل ساعة صوتيةالنسخ
StepAudio 3 ASR Max StepFun$0.60 لكل ساعة صوتيةالنسخ
Qwen Audio 3.0 ASR Stream Alibaba Cloud$0.648 لكل ساعة صوتيةالنسخ
Deepgram Nova-3 Deepgram$0.014 لكل دقيقة من الصوتالنسخ
Deepgram Nova-3 Stream Deepgram$0.025 لكل دقيقة من الصوتالنسخ
OpenAI Whisper 1 OpenAI$0.030 في الدقيقةلكل دقيقة صوت

متاح أيضًا: Sonilo Proofread, Qwen Audio 3.1 ASR, Qwen Audio 3.1 ASR Stream, Qwen Audio 3.1 ASR Message

الأسئلة الشائعة

هل speech-to-text هو نفسه ASR؟

نعم. التعرف التلقائي على الكلام (ASR) هو الاسم التقني لتحويل الكلام إلى نص، وتوفر واجهة برمجة تطبيقات speech-to-text أو النسخ ذلك للكود الخاص بك.

هل يمكن لواجهة برمجة تطبيقات speech-to-text التمييز بين مكبرات الصوت المختلفة؟

نعم، على النماذج التي تدعم الكتابة اليومية. النص يضع كل جزء بمكبر تحدث، حتى تتمكن من معرفة من قال ماذا.

هل يمكنني نسخ الصوت الحي؟

نعم. نماذج النسخ الحية تبث النص عبر WebSocket أثناء حديث الشخص. تستخدم التسجيلات نقطة نهاية نسخ الملفات بدلا من ذلك.

هل يمكنني الحصول على ترجمة من واجهة برمجة تطبيقات النسخ؟

نعم، في النماذج التي تعيد SRT أو VTT. تحمل هذه الصيغ الترجمية كل سطر نص مع وقت البداية والنهاية الخاص به.

كيف يتم تسعير speech-to-text؟

معظم النماذج تفرض حسب طول الصوت، لكل دقيقة أو لكل ساعة، وبعضها يحسب الرموز الصوتية. على EmpirioLabs AI يمكنك الدفع أثناء الاستخدام أو اختيار خطة مع مخصصات أسبوعية.

ما أرخص نموذج النسخ على EmpirioLabs AI؟

من بين 9 من نماذج النسخ المسعّرة بهذه الطريقة، يعرض StepAudio 2.5 ASR أقل سعر لدقيقة الصوت، يليه Qwen Audio 3.0 ASR, Whisper Large v3 Turbo. يعرض جدول الأسعار في هذه الصفحة أقل سعر لكل نموذج وما ينطبق عليه.

هل أنت مستعد لاستخدام نقاط نهاية أفضل؟

تحقق من تسعيرنا أو تواصل إذا كنت ترغب في نشر نموذجك الخاص على مجموعتنا.