speech-to-text API क्या है?

एक speech-to-text API बोले गए ऑडियो को लिखित टेक्स्ट में ट्रांसक्राइब करता है। आप रिकॉर्डिंग अपलोड करते हैं या उसका URL पास करते हैं, या लाइव ऑडियो स्ट्रीम करते हैं, और API ट्रांसक्रिप्ट लौटाता है, जिसमें टाइमस्टैम्प, स्पीकर लेबल या सबटाइटल फाइलें होती हैं जो उन्हें सपोर्ट करते हैं।

मॉडल के प्रकार

speech-to-text API क्या करता है

एक speech-to-text API, जिसे ट्रांसक्रिप्शन या ऑटोमैटिक स्पीच रिकग्निशन (ASR) API भी कहा जाता है, ऑडियो या वीडियो फ़ाइल में बोले गए शब्दों को टेक्स्ट में परिवर्तित करता है। सबसे सरल परिणाम एक साधारण ट्रांसक्रिप्ट है। मॉडल के अनुसार, API निम्नलिखित भी लौटा सकता है:

  • टाइमस्टैम्प प्रत्येक सेगमेंट या शब्द के लिए, कैप्शन और खोजने योग्य प्लेबैक के लिए।
  • स्पीकर लेबल वह निशान जो बातचीत के हर हिस्से को कहता है, जिसे डायराइजेशन कहते हैं।
  • सबटाइटल फ़ाइलें SRT या VTT फॉर्मेट में।
  • फॉर्मेटिंग विराम चिह्न, संख्याएँ और तिथियाँ, और व्यक्तिगत जानकारी को छिपाने का संकेत।
  • अनुवाद अंग्रेज़ी में भाषण को, या उपशीर्षक के लिए बनाए गए मॉडलों पर अन्य भाषाओं में।

कई मॉडल बोली जाने वाली भाषा को स्वचालित रूप से पहचानते हैं, और कुछ प्रमुख शब्दों की सूची स्वीकार करते हैं, जैसे उत्पाद नाम या शब्दजाल, ताकि उन्हें अधिक विश्वसनीय रूप से पहचाना जा सके।

फ़ाइल ट्रांसक्रिप्शन और लाइव ट्रांसक्रिप्शन

रिकॉर्डिंग के लिए, भेजें पोस्ट /v1/audio/transcriptions मॉडल ID के साथ और या तो फ़ाइल को मल्टीपार्ट अपलोड के रूप में या उसके HTTPS URL के साथ file_url. API प्रतिक्रिया में ट्रांसक्रिप्ट लौटाता है। लंबा ट्रांसक्रिप्शन इसके बजाय जॉब ID लौटा सकता है, जिस पर आप मतदान करते हैं /v1/jobs/{job_id}, और हेडर पसंद: प्रतिक्रिया-async तुरंत नौकरी आईडी मांगता है।

जैसे ही भाषण होता है, जैसे कॉल या लाइव इवेंट, लाइव ट्रांसक्रिप्शन मॉडल टेक्स्ट को वापस स्ट्रीम करते हैं रीयलटाइम वॉयस WebSocket पर /v1/realtime. मॉडल के अनुसार, आंशिक शब्द व्यक्ति के बोलते समय आते हैं, और प्रत्येक विराम पर एक निश्चित ट्रांसक्रिप्ट आता है।

speech-to-text किस लिए उपयोग किया जाता है

  • मीटिंग्स और कॉल्स। खोजने योग्य नोट्स, और सारांश जब आप ट्रांसक्रिप्ट को एक LLM API।.
  • कैप्शन और सबटाइटल। वीडियो, कोर्स और लाइव स्ट्रीम के लिए समयबद्ध टेक्स्ट।
  • वॉइस इनपुट। ऐप्स में डिक्टेशन, वॉइस मैसेज और बोले गए कमांड।
  • मीडिया अभिलेखागार। ऐसे ट्रांसक्रिप्ट्स जो पॉडकास्ट और वीडियो को खोजने योग्य बनाते हैं।
  • स्थानीयकरण। ट्रांसक्रिप्ट और अनुवादित सबटाइटल ट्रैक्स जो अन्य भाषाओं के लिए वीडियो तैयार करते हैं।

ट्रांसक्रिप्शन मॉडलों के बीच क्या तुलना करें

  • आपके ऑडियो की सटीकता। असली रिकॉर्डिंग के साथ परीक्षण करें जिनमें आपके उच्चारण, पृष्ठभूमि शोर, क्रॉसटॉक और डोमेन शब्दावली शामिल हों।
  • भाषाएँ और बोलियाँ। हर भाषा की जांच करें जिसकी आपको जरूरत है, जिसमें भाषाओं को मिलाने वाला भाषण भी शामिल है।
  • आउटपुट विवरण। वर्ड टाइमस्टैम्प, स्पीकर लेबल, सबटाइटल फॉर्मेट और फॉर्मेटिंग विकल्प।
  • फाइल करें या लाइव। लाइव कैप्शन के लिए एक मॉडल चाहिए जो WebSocket के माध्यम से स्ट्रीम हो। तैयार रिकॉर्डिंग फाइल एंडपॉइंट पर जाती है।
  • कीमत। अधिकांश ट्रांसक्रिप्शन मॉडल ऑडियो की लंबाई के अनुसार, प्रति मिनट या प्रति घंटे बिल करते हैं, और कुछ ऑडियो टोकन के आधार पर, इसलिए लागत रिकॉर्डिंग की लंबाई के साथ बढ़ती है।

साइड-बाय-साइड मॉडल तुलना दो मॉडलों की क्षमताओं और दरों को एक साथ दिखाएं।

EmpirioLabs AI पर ट्रांसक्रिप्शन मॉडल कॉल करने की कोशिश करें

ब्राउज़ करें ट्रांसक्रिप्शन मॉडल और रिकॉर्डिंग अपलोड करें Playground एक का परीक्षण करने के लिए। मॉडल कॉल करने के लिए, डैशबोर्ड में एक API कुंजी बनाएं और ऑडियो भेजें https://api.empiriolabs.ai/v1/audio/transcriptions. द ट्रांसक्रिप्शन संदर्भ अनुरोध फ़ील्ड्स और प्रतिक्रिया प्रारूपों की सूची देता है, और रियलटाइम वॉइस API गाइड लाइव ट्रांसक्रिप्शन कवर करता है।

जैसे-जैसे जाएं भुगतान करें, या साप्ताहिक भत्तों वाली योजना चुनें। वर्तमान दरें मूल्य निर्धारण पृष्ठ।.

EmpirioLabs AI पर प्रतिलेखन मॉडल

13 मॉडल, जहाँ बिलिंग इकाई एक है वहाँ सबसे सस्ते पहले। हर मॉडल के पेज पर पूरा रेट कार्ड, पैरामीटर और कोड है।

एंडपॉइंट

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

ऑडियो के प्रति मिनट या घंटे की कीमत

मॉडलसबसे कम दरकिस पर लागू
StepAudio 2.5 ASR StepFun$0.05 प्रति घंटे का ऑडियोप्रतिलेखन
Qwen Audio 3.0 ASR Alibaba Cloud$0.252 प्रति घंटे का ऑडियोप्रतिलेखन
Whisper Large v3 Turbo OpenAI$0.042$0.005 प्रति मिनट ऑडियोनियंत्रित प्रतिलेखन
StepAudio 2.5 ASR Stream StepFun$0.40 प्रति घंटे का ऑडियोप्रतिलेखन
StepAudio 3 ASR Max StepFun$0.60 प्रति घंटे का ऑडियोप्रतिलेखन
Qwen Audio 3.0 ASR Stream Alibaba Cloud$0.648 प्रति घंटे का ऑडियोप्रतिलेखन
Deepgram Nova-3 Deepgram$0.014 प्रति मिनट ऑडियोप्रतिलेखन
Deepgram Nova-3 Stream Deepgram$0.025 प्रति मिनट ऑडियोप्रतिलेखन
OpenAI Whisper 1 OpenAI$0.030 प्रति मिनटप्रति मिनट ऑडियो

ये भी उपलब्ध हैं: Sonilo Proofread, Qwen Audio 3.1 ASR, Qwen Audio 3.1 ASR Stream, Qwen Audio 3.1 ASR Message

अक्सर पूछे जाने वाले प्रश्न

क्या speech-to-text ASR के समान है?

हाँ। ऑटोमैटिक स्पीच रिकग्निशन (ASR) भाषण को टेक्स्ट में बदलने का तकनीकी नाम है, और speech-to-text या ट्रांसक्रिप्शन API इसे आपके कोड के लिए उपलब्ध कराता है।

क्या speech-to-text API अलग-अलग स्पीकर्स को अलग पहचान सकता है?

हाँ, उन मॉडलों पर जो डायराइजेशन का समर्थन करते हैं। ट्रांसक्रिप्ट में हर हिस्से को एक स्पीकर से लेबल किया गया है, ताकि आप देख सकें कि किसने क्या कहा।

क्या मैं लाइव ऑडियो ट्रांसक्राइब कर सकता हूँ?

हाँ। लाइव ट्रांसक्रिप्शन मॉडल उस व्यक्ति के बोलने के दौरान WebSocket के माध्यम से टेक्स्ट वापस स्ट्रीम करते हैं। रिकॉर्डिंग्स में इसके बजाय फाइल ट्रांसक्रिप्शन एंडपॉइंट का उपयोग किया जाता है।

क्या मैं ट्रांसक्रिप्शन API से सबटाइटल्स प्राप्त कर सकता हूँ?

हाँ, उन मॉडलों पर जो SRT या VTT लौटाते हैं। ये सबटाइटल फॉर्मेट हर टेक्स्ट लाइन को उसकी शुरुआत और समाप्ति समय के साथ रखते हैं।

speech-to-text की कीमत कैसे तय की जाती है?

अधिकांश मॉडल ऑडियो की लंबाई के अनुसार, प्रति मिनट या प्रति घंटे बिल करते हैं, और कुछ ऑडियो टोकन के माध्यम से बिल करते हैं। EmpirioLabs AI आप जैसे-जैसे भुगतान करें वैसे भुगतान कर सकते हैं या साप्ताहिक भत्तों के साथ योजना चुन सकते हैं।

EmpirioLabs AI पर कौन सा प्रतिलेखन मॉडल सबसे सस्ता है?

इस तरह बिल होने वाले 9 प्रतिलेखन मॉडलों में StepAudio 2.5 ASR की ऑडियो के प्रति मिनट की दर सबसे कम है, उसके बाद Qwen Audio 3.0 ASR, Whisper Large v3 Turbo आते हैं। इस पेज की कीमत तालिका हर मॉडल की सबसे कम दर और वह किस पर लागू होती है, दिखाती है।

बेहतर समापन बिंदुओं का उपयोग करने के लिए तैयार हैं?

हमारे मूल्य निर्धारण की जाँच करें या यदि आप चाहते हैं कि आपका अपना मॉडल हमारे स्टैक पर तैनात किया जाए, तो पहुंचें।