Skapa transkript

ID:t för modellen som ska användas för transkribering.

Filen som ska transkriberas (minsta ljudlängd är 100 ms). Alla vanliga ljud- och videoformat stöds. Exakt en av parametrarna file eller cloud_storage_url måste anges. Filstorleken måste vara mindre än 5,0 GB.

En ISO-639-1- eller ISO-639-3-language_code som motsvarar ljudfilens språk. Kan ibland förbättra transkriberingsprestandan om språket är känt i förväg. Standardvärdet är null, och då förutsägs språket automatiskt.

Instruktion på naturligt språk som tillämpas på den slutliga transkriptionen (max 2 000 tecken). Den redigerade texten returneras i ‘edited_transcript’ tillsammans med originaltranskriptionen. Kan inte kombineras med entity_detection, entity_redaction eller use_multi_channel. Användning av den här parametern medför ett tillägg på 30 % av grundkostnaden för transkribering, debiterat för minst 10 sekunders ljud.

Om ljudhändelser som (skratt), (fotsteg) osv. ska taggas i transkriberingen.

Det högsta antalet talare i den uppladdade filen. Kan hjälpa till att förutsäga vem som talar när. Högst 32 talare kan förutsägas. Standardvärdet är null; då sätts antalet talare till det högsta värde som modellen har stöd för.

Detaljnivån för tidsstämplarna i transkriberingen. ‘word’ ger tidsstämplar på ordnivå och ‘character’ ger tidsstämplar på teckennivå för varje ord.

Om det ska markeras vilken talare som för närvarande talar i den uppladdade filen.

Diariseringströskel som används vid talardiarisering. Ett högre värde innebär lägre risk att en talare diariseras som två olika talare, men högre risk att två olika talare diariseras som en talare (färre talare förutsägs totalt). Ett lågt värde innebär högre risk att en talare diariseras som två olika talare, men lägre risk att två olika talare diariseras som en talare (fler talare förutsägs totalt). Kan endast anges när diarize=True och num_speakers=None. Standardvärdet är None, och då väljer vi en tröskel baserat på model_id (vanligtvis 0.22).

En lista över ytterligare format att exportera transkriptionen till.

The format of input audio. Options are ‘pcm_s16le_16’ or ‘other’ For pcm_s16le_16, the input audio must be 16-bit PCM at a 16kHz sample rate, single channel (mono), and little-endian byte order. Latency will be lower than with passing an encoded waveform.

[Föråldrat] Den här parametern är föråldrad och kommer att tas bort i framtiden. Använd ‘source_url’ i stället. HTTPS-URL:en för filen som ska transkriberas. Exakt en av parametrarna file eller cloud_storage_url måste anges. Filen måste vara tillgänglig via HTTPS och vara mindre än 2 GB. Alla giltiga HTTPS-URL:er accepteras, inklusive URL:er från molnlagringsleverantörer (AWS S3, Google Cloud Storage, Cloudflare R2 osv.), CDN:er eller andra HTTPS-källor. URL:er kan vara försigneda eller innehålla autentiseringstoken i frågeparametrar.

Webbadressen till en ljud- eller videofil som ska transkriberas. Stöder lagrade video- eller ljudfiler, YouTube-video-URL:er, TikTok-video-URL:er och andra videohostingtjänster.

Om transkriberingsresultatet ska skickas till konfigurerade speech-to-text-webhooks. Om detta anges returneras begäran tidigt utan transkriberingen, som levereras senare via webhook.

Valfritt specifikt webhook-ID att skicka transkriptionsresultatet till. Gäller endast när webhook är satt till true. Om det inte anges skickas transkriptionen till alla konfigurerade speech-to-text-webhooks.

Styr slumpmässigheten i transkriberingsresultatet. Accepterar värden mellan 0.0 och 2.0, där högre värden ger mer varierade och mindre deterministiska resultat. Om värdet utelämnas använder vi en temperatur baserad på den modell du har valt, vilket vanligtvis är 0.

Om angivet försöker systemet sampla deterministiskt, så att upprepade förfrågningar med samma seed och parametrar bör ge samma resultat. Determinism garanteras inte. Måste vara ett heltal mellan 0 och 2147483647.

Om ljudfilen innehåller flera kanaler där varje kanal innehåller en enda talare. När funktionen är aktiverad transkriberas varje kanal separat. Som standard returneras en separat transkription per kanal; ange multichannel_output_style=‘combined’ för att i stället få en enda transkription där alla kanaler har slagits ihop och sorterats efter tid. Varje ord i svaret innehåller fältet ‘channel_index’, som anger i vilken kanal det sades. Högst 5 kanaler stöds. Varje kanal debiteras separat för hela ljudlängden, så kostnaden ökar linjärt med antalet kanaler.

Styr svarsformatet när use_multi_channel är aktiverat. ‘separate’ (standard) returnerar en transkription per kanal under ‘transcripts’. ‘combined’ sammanfogar alla kanaler till en enda transkription där orden sorteras efter starttid och vart och ett har ett ‘channel_index’ – samma format som svaret för en kanal. ‘combined’ kräver tidsstämplar (timestamps_granularity får inte vara ‘none’) och stöder inte entitetsidentifiering eller maskering.

Valfria metadata att inkludera i webhook-svaret. Detta ska vara en JSON-sträng som representerar ett objekt med högst 2 nivåers djup och en maximal storlek på 16 KB. Användbart för att spåra interna ID:n, jobbreferenser eller annan kontextuell information.

Identifiera entiteter i transkriptionen. Kan vara ‘all’ för att identifiera alla entiteter, en enskild entitetstyp eller kategoristräng eller en lista med entitetstyper/kategorier. Kategorierna omfattar ‘pii’, ‘phi’, ‘pci’, ‘other’, ‘offensive_language’. När funktionen är aktiverad returneras identifierade entiteter i fältet ‘entities’ med text, typ och teckenpositioner.

Om värdet är true innehåller transkriptionen inga utfyllnadsord, felstarter eller icke-talljud. Stöds endast med modellen scribe_v2.

Om talarbiblioteket ska användas för att identifiera kända talare under diariseringsprocessen. När detta är aktiverat och diarize är true matchas identifierade talare mot registrerade talare i arbetsytans talarbibliotek.

Om talarroller ska identifieras (agent respektive kund). Kräver diarize=true. Kan inte användas med use_multi_channel=true. När funktionen är aktiverad blir speaker_id-värdena ‘agent’ och ‘customer’ i stället för ‘speaker_0’, ‘speaker_1’ osv. Användning medför ett ytterligare påslag på 10 % av grundkostnaden för transkribering.

Maskera entiteter i transkriptionstexten. Accepterar samma format som entity_detection: ‘all’, en kategori (‘pii’, ‘phi’) eller specifika entitetstyper. Måste vara en delmängd av entity_detection. När maskering är aktiverad returneras inte fältet entities.

Hur maskerade entiteter ska formateras. ‘redacted’ ersätter med {REDACTED}, ‘entity_type’ ersätter med {ENTITY_TYPE} och ‘enumerated_entity_type’ ersätter med {ENTITY_TYPE_N}, där N numrerar varje förekomst. Används endast när entity_redaction har angetts.

En lista med nyckeltermer som styr transkriberingen mot dessa. Nyckeltermer är ord eller fraser som du vill att modellen ska känna igen mer exakt. Antalet nyckeltermer får inte överstiga 1 000. Varje nyckelterm måste vara kortare än 50 tecken. Nyckeltermer får innehålla högst 5 ord (efter normalisering). Till exempel [“hello”, “world”, “technical term”]. Följande tecken stöds inte: <, >, {, }, [, ], \. Användning av den här parametern medför en extra avgift på 20 % av baskostnaden för transkribering. När fler än 100 nyckeltermer anges tillämpas en lägsta fakturerbar längd på 20 sekunder per begäran.