क्वेन ऑडियो 3.0 एएसआर और क्यूवेन ऑडियो 3.0 एएसआर स्ट्रीम EmpirioLabs पर उपलब्ध हैं। ASR रिकॉर्ड किए गए ऑडियो को ट्रांसक्रिप्ट करता है पोस्ट /v1/audio/transcriptions, और एएसआर स्ट्रीम लाइव ऑडियो को ट्रांसक्रिप्ट करता है wss://api.empiriolabs.ai/v1/realtime. दोनों 30 भाषाओं और प्रमुख चीनी बोलियों को पहचानते हैं, दोनों एपीआई और Playground में काम करते हैं, और दोनों की कीमत प्रति घंटे ऑडियो है और दूसरे द्वारा बिल किया जाता है।
देखिए लॉन्च फिल्म
फिल्म में अनुरोध मॉडल के अपने पृष्ठ पर है, और स्कोर EmpirioLabs पर एसीई-स्टेप द्वारा उत्पन्न किया गया था। इसे YouTube पर देखें।.
एक रिकॉर्डिंग का प्रतिलेखन
कर्ल https://api.empiriolabs.ai/v1/audio/transcriptions \ -H "प्राधिकरण: वाहक $EMPIRIOLABS_API_KEY" \ -F मॉडल = qwen-audio-3-0-asr \ -F file=@interview.mp3एक JSON बॉडी के साथ audio_url या audio_base64 फ़ाइल अपलोड के स्थान पर काम करता है। छोटी क्लिप और लंबी रिकॉर्डिंग दोनों स्वीकार किए जाते हैं। प्रतिक्रिया एक नौकरी है; मतदान /v1/jobs/ प्राप्त <job_id>करें जब तक स्थिति है पूरा, फिर से प्रतिलेख पढ़ें result.text और से समयबद्ध वाक्य परिणाम.खंड. भाषा स्वचालित रूप से पता चल जाती है।
WebSocket पर लाइव ट्रांसक्रिप्शन
wss://api.empiriolabs.ai/v1/realtime?model=qwen-audio-3-0-asr-stream प्राधिकरण: वाहक YOUR_EMPIRIOLABS_API_KEYठीक बाद session.created, पहले ऑडियो से पहले, सत्र के लिए आवश्यक कोई भी सेटिंग भेजें:
{"प्रकार": "session.update", "session": { "input_audio_transcription": {"language": "en", "prompt": "वक्ता: डॉ. ओकाफोर, प्रिया रमन। शर्तें: एंजियोप्लास्टी, स्टेंट."}, "turn_detection": {"silence_duration_ms": 600} }}फिर 16 kHz, 16-बिट मोनो PCM ऑडियो को बेस 64 के रूप में स्ट्रीम करें input_audio_buffer.append घटनाओं। भेजने के लिए कोई प्रतिबद्धता नहीं है: मॉडल प्रत्येक वाक्य को उसके बाद आने वाले विराम पर समाप्त करता है। conversation.item.input_audio_transcription.delta जब वक्ता बात कर रहा होता है तो वाक्य को अब तक ले जाता है, और conversation.item.input_audio_transcription.completed सुलझा हुआ वाक्य।
- तुरन्त।
input_audio_transcription.promptवक्ता द्वारा उपयोग किए जाने वाले नामों और शब्दों के 400 वर्णों तक लेता है, ठीक वैसे ही लिखे जाते हैं जैसे उन्हें दिखाई देना चाहिए। - रुकता है।
turn_detection.silence_duration_ms(200 से 6000, डिफ़ॉल्ट 800) सेट करता है कि कितनी देर तक एक ठहराव एक वाक्य समाप्त होता है, औरturn_detection.थ्रेशोल्ड(0.0 से 1.0) गिनती करने के लिए भाषण कितना जोर से होना चाहिए। - कमरा।
input_audio_noise_reductionलेता हैnear_fieldहेडसेट के लिए याfar_fieldएक कमरे के माइक्रोफ़ोन के लिए, औरkeep_dialectचीनी बोली के शब्दों को बोले जाने के रूप में रखता है।
परिचालन नोट्स
- प्रत्येक ट्रांसक्रिप्शन अनुरोध एक नौकरी लौटाता है, यहां तक कि एक छोटी क्लिप भी। से प्रतिलेख पढ़ें
/v1/jobs/ प्राप्त <job_id>करेंएक बारस्थितिहैपूरा।. - ऑडियो से पहले ASR स्ट्रीम की सेटिंग भेजें। ऑडियो स्ट्रीमिंग के दौरान बदली गई सेटिंग वाक्य को प्रगति में समाप्त कर देती है और केवल उसके बाद भेजे गए ऑडियो पर लागू होती है।
- एएसआर स्ट्रीम आपके द्वारा भेजे गए ऑडियो को बिल करता है, जिसमें साइलेंस भी शामिल है। जब कोई नहीं बोल रहा हो तो भेजना बंद कर दें, और सत्र समाप्त होने पर सॉकेट बंद कर दें।
मूल्य निर्धारण
दोनों मॉडल भुगतान कर रहे हैं के रूप में आप जाते हैं, ऑडियो के प्रति घंटे की कीमत और दूसरे द्वारा बिल: प्रत्येक रिकॉर्डिंग की लंबाई के हिसाब से ASR, अगले पूरे सेकंड के लिए पूर्णांक, और सत्र में भेजे गए ऑडियो द्वारा ASR स्ट्रीम, सत्र समाप्त होने पर बिल किया जाता है. एएसआर स्ट्रीम की दर अधिक है, इसलिए रिकॉर्डिंग के लिए एएसआर का उपयोग करें जिन्हें स्पीकर के बात करते समय परिणामों की आवश्यकता नहीं है. वर्तमान दरें पर हैं एएसआर तथा एएसआर स्ट्रीम मॉडल पेज और मूल्य निर्धारण पृष्ठ।.
निर्माण शुरू करें
कोशिश क्वेन ऑडियो 3.0 एएसआर Playground में रिकॉर्डिंग अपलोड करके, या एएसआर स्ट्रीम सत्र शुरू करें और बोलने पर क्लिक करके। एपीआई संदर्भ यहां है एएसआर तथा एएसआर स्ट्रीम. शब्द टाइमस्टैम्प और टोकन मूल्य निर्धारण के लिए, देखें Qwen ऑडियो 3.1 ASR, ASR स्ट्रीम और ASR संदेश का उपयोग कैसे करें।.
प्रकटीकरण: यह लेख एआई सहायता के साथ लिखा गया था और EmpirioLabs AI द्वारा समीक्षा की गई थी।.
