openai/whisper
Вход
Выход
Быстрый старт
Connecte позволяет запускать open-source модели всего в несколько строк кода. Вам ничего не нужно устанавливать, просто получите API токен и сделайте свой первый прогноз.
1. Регистрация
Создайте аккаунт, чтобы получить доступ к API токену. При регистрации вы можете воспользоваться своей учетной записью Google для упрощения процесса. В ближайшем будущем планируется добавление альтернативных способов создания аккаунта.
2. Получите токен
После регистрации перейдите в раздел API токены и создайте новый токен. Обратите внимание, что мы не храним токены в открытом виде поэтому токен доступен только сразу после создания, его невозможно восстановить, только создать новый.
Теперь давайте поместим наш токен в переменную окружения CONNECTE_TOKEN
export CONNECTE_TOKEN=xxxxxxxx
3. Делаем запрос к модели
Выберите любую общедоступную модель. В этом примере мы будем использовать Whisper Turbo
Whisper Turbo.V3 - это открытая модель распознавания речи от OpenAi, предназначенная для преобразования устной речи в письменный текст.
curl https://connecte.ai/api/v1/openai/whisper \
--request POST \
--header "Authorization: Bearer $CONNECTE_TOKEN" \
--header "Content-Type: application/json" \
--data '{
"audio" : "https://site.ru/audio.mp3"
}'
Поздравляем — вы только что создали свой первый запрос в CONNECTE.
Входные данные
Выходные данные
Методы
Базовый URL
https://connecte.ai/api/v1/
Методы
{company}/{model}
- {company} - организация, которая владеет и поддерживает модель или пользователь который ее загрузил
- {model} - это уникальное имя модели, которое описывает ее версию и возможности
Полный список эндпоинтов.
HEADERS
Webhook-URL string
HTTPS адрес на который будет отправлен callback когда прогноз обновит статус на succeeded или failed, подробнее.
Prefer string
По умолчанию равно ASYNC. Установите значение SYNC, соединение будет оставаться открытым и ждать результата, по умолчанию до 30 сек.
Request-Timeout integer
По умолчанию равно ASYNC. Установите значение SYNC, соединение будет оставаться открытым и ждать результата, по умолчанию до 30 сек.
REQUEST BODY objectRequired
Тело запроса является объектом входных данных для инференса модели и может содержать различные параметры. Для каждой модели определен свой набор входных данных, структура которых описывается с помощью JSON Schema и доступна на странице модели на вкладке API > Schema.
EXAMPLE REQUEST
curl https://connecte.ai/api/v1/openai/whisper \
--request POST \
--header "Authorization: Bearer $CONNECTE_TOKEN" \
--header "Webhook-URL: https://your-app.ru/connecte-webhook" \
--header "Content-Type: application/json" \
--data '{
"audio" : "https://site.ru/audio.mp3",
"language" : "ru"
}'
RESPONSE object
id string
Уникальный идентификатор вашего прогноза
input object
Набор входных данных
status string
Допустимые значения:
- pending
- queued
- starting
- processing
- succeeded
- failed
- canceled
output object
Набор выходных данных в соответствии с JSON Schema
source strong
источник запроса
runtime float
Время выполнения прогноза в секундах
cost float
Стоимость выполнения в рублях
EXAMPLE RESPONSE
{
"id":"d5a46834-c430-4342-9779-4ea5e76d057d",
"input":{
"audio":"https://your-app.ru/audio.mp3",
"model":"large-v3-turbo",
"diarize":false,
"language":"auto",
"speakers":1,
"word_timestamp":false
},
"status":"succeeded",
"output":{
"segments":{...},
"transcirption":{...},
"translation":{...},
"detected_language":{...}
},
"source":"api",
"runtime":35.4,
"cost":0.45,
"created_at":"2024-06-26T05:26:31.974000Z"
}
/predictions/{prediction_id}
ПАРАМЕТРЫ
prediction_id string required
ID прогноза, которого нужно вернуть
EXAMPLE RESPONSE
{
"id":"d5a46834-c430-4342-9779-4ea5e76d057d",
"input":{
"audio":"https://your-app.ru/audio.mp3",
"model":"large-v3-turbo",
"diarize":false,
"language":"auto",
"speakers":1,
"word_timestamp":false
},
"status":"succeeded",
"output":{
"segments":{...},
"transcirption":{...},
"translation":{...},
"detected_language":{...}
},
"source":"api",
"runtime":35.4,
"cost":0.45,
"created_at":"2024-06-26T05:26:31.974000Z"
}
/predictions/{prediction_id}/cancel
ПАРАМЕТРЫ
prediction_id string required
ID прогноза, который нужно отменить
EXAMPLE RESPONSE
{
"id":"d5a46834-c430-4342-9779-4ea5e76d057d",
"input":{
"audio":"https://your-app.ru/audio.mp3",
"model":"large-v3-turbo",
"diarize":false,
"language":"auto",
"speakers":1,
"word_timestamp":false
},
"status":"canceled",
"output":{
"segments":{...},
"transcirption":{...},
"translation":{...},
"detected_language":{...}
},
"source":"api",
"runtime":35.4,
"cost":0.45,
"created_at":"2024-06-26T05:26:31.974000Z"
}
Стоимость использования
| Базовая транскрибация Только текст | ~ 0,026 руб за 1 минуту |
| С тайм-кодами [word_timestamp] | ~ 0,056 руб за 1 минуту |
| Расширенная [word_timestamp, diarize] | ~ 0,1236 руб за 1 минуту |
Каждый запуск этой модели на Connecte стоит в среднем 0.898355 рублей. Фактические затраты могут варьироваться в зависимости от ваших входных данных и параметров запуска.
Ценообразование строится на основе времени вычислений - каждая секунда работы модели
оценивается в 0.045 рублей.
Техническая реализация построена на базе высокопроизводительного графического ускорителя Nvidia T4 с 16 ГБ видеопамяти. Среднее время обработки одного запроса составляет около 19.9635 секунд (без учета состояний очереди и запуска модели), хотя продолжительность вычислений может существенно меняться в зависимости от сложности и объема входных данных.
Дополнительно стоит отметить, что архитектура каждой модели проходит оптимизацию для эффективного использования вычислительных ресурсов, что позволяет достигать высокого качества результатов при сохранении разумных эксплуатационных расходов.
Readme
Whisper Large V3 Turbo
Многоязычная модель автоматического распознавания речи (ASR) с расширенными возможностями и улучшенной производительностью.
Описание
Whisper Large V3 Turbo — это мощная модель для автоматического распознавания речи, разработанная для работы с множеством языков и акцентов. Модель обеспечивает высокую точность транскрибации даже в условиях шума и поддерживает расширенные функции, такие как перевод речи и идентификация языка. Версия Turbo оптимизирована для быстрой обработки данных с минимальными задержками.
Основные возможности
- Поддержка более 100 языков и диалектов
- Высокая точность распознавания даже в шумных условиях
- Возможность перевода речи на лету
- Автоматическая идентификация языка
- Оптимизированная для быстрой обработки (Turbo-режим)
- Поддержка длинных аудиозаписей
- Интеграция с реальными приложениями для потоковой обработки
Поддерживаемые языки
Русский, English, Español, Français, Deutsch, Italiano, Português, 中文, 日本語, 한국어, العربية, हिन्दी и многие другие.
Ограничения
- Точность распознавания может снижаться при сильном фоновом шуме
- Зависимость от качества аудиозаписи
- Могут возникать ошибки при распознавании редких диалектов или акцентов
- Высокие требования к вычислительным ресурсам для максимальной производительности
Лицензия
MIT License