Речь в текст

Конвертируйте аудиозаписи в точные текстовые транскрипции с помощью API Speech-to-Text от ForgetAPI, который использует мощные технологии от наших партнеров-провайдеров.

Обзор

Audio API от ForgetAPI предоставляет два основных эндпоинта распознавания речи на основе передовых технологий:

• Транскрипции: Преобразование речи в текст на языке оригинала
• Переводы: Преобразование речи в текст на английском языке, независимо от исходного языка

Доступные модели

Мы предлагаем ряд моделей с различными возможностями:

Все модели поддерживают файлы размером до 25 МБ в следующих форматах: mp3, mp4, mpeg, mpga, m4a, wav и webm.

Начало работы

Базовая транскрипция

Для транскрибирования аудио на его оригинальном языке:

from openai import OpenAI

# Инициализация клиента
client = OpenAI(
    api_key="your_api_key", 
    base_url="https://forgetapi.ru/v1/"
)

# Открытие аудио файла
audio_file = open("recording.mp3", "rb")

# Создание транскрипции
transcription = client.audio.transcriptions.create(
    model="gpt-4o-transcribe", 
    file=audio_file
)

# Вывод результата
print(transcription.text)

Форматы ответов

По умолчанию API возвращает ответы в формате JSON. Для модели whisper-1 вы можете запросить различные форматы:

• json: Простой JSON с текстом (формат по умолчанию для всех моделей)
• text: Простой текстовый ответ (для простых сценариев интеграции)
• srt: Формат субтитров SubRip (для создания субтитров к видео)
• vtt: Формат субтитров WebVTT (для веб-видео с субтитрами)
• verbose_json: Подробный JSON с метаданными (для продвинутых приложений, требующих метаданных)

Для моделей gpt-4o в настоящее время поддерживаются только форматы json и text.

Пример с пользовательским форматом:

from openai import OpenAI

client = OpenAI(
    api_key="your_api_key", 
    base_url="https://forgetapi.ru/v1/"
)
audio_file = open("podcast.mp3", "rb")

# Запрос формата SRT для субтитров к видео
transcription = client.audio.transcriptions.create(
    model="whisper-1", 
    file=audio_file, 
    response_format="srt"
)

# Сохранение результата в файл субтитров
with open("subtitles.srt", "w", encoding="utf-8") as f:
    f.write(transcription.text)

Перевод на английский язык

Для прямого перевода аудио на иностранном языке в текст на английском языке:

from openai import OpenAI

client = OpenAI(
    api_key="your_api_key", 
    base_url="https://forgetapi.ru/v1/"
)
audio_file = open("spanish_interview.mp3", "rb")

# Перевод на английский
translation = client.audio.translations.create(
    model="whisper-1", 
    file=audio_file
)

print(translation.text)

Расширенные функции

Метки времени для слов

Для точной синхронизации с видео или аудио вы можете получить метки времени для каждого слова:

from openai import OpenAI

client = OpenAI(
    api_key="your_api_key", 
    base_url="https://forgetapi.ru/v1/"
)
audio_file = open("interview.mp3", "rb")

transcript = client.audio.transcriptions.create(
    model="whisper-1",
    file=audio_file,
    response_format="verbose_json",
    timestamp_granularities=["word"]
)

# Пример доступа к меткам времени слов
for word in transcript.words:
    print(f"{word['word']}: {word['start']} до {word['end']}")
    
# Создание простой интерактивной транскрипции
html_transcript = "
"
for word in transcript.words:
    html_transcript += f"{word['word']} "
html_transcript += "
"

with open("interactive_transcript.html", "w") as f:
    f.write(html_transcript)

Практическое применение

Улучшение точности с помощью предметно-ориентированных подсказок

Для специализированного контента с техническими терминами или профессиональным жаргоном:

from openai import OpenAI

client = OpenAI(
    api_key="your_api_key", 
    base_url="https://forgetapi.ru/v1/"
)
audio_file = open("medical_lecture.mp3", "rb")

# Подсказка с медицинской терминологией
medical_terms = """
Следующее аудио содержит медицинскую терминологию, включая: 
инфаркт миокарда, атеросклероз, тромбоз, ишемия, 
гипертония, гиперлипидемия, сахарный диабет, эндокринология, 
электрокардиограмма (ЭКГ), эхокардиограмма, ангиография, стетоскоп, 
сфигмоманометр, отоскоп, офтальмоскоп, лапароскоп.
"""

transcription = client.audio.transcriptions.create(
    model="gpt-4o-transcribe", 
    file=audio_file, 
    response_format="text",
    prompt=medical_terms
)

print(transcription.text)

Лучшие практики

Советы по качеству аудио

Для наилучших результатов:

• По возможности используйте микрофон высокого качества
• Уменьшите фоновый шум во время записи
• Расположите говорящих ближе к микрофону
• Используйте частоту дискретизации не менее 16 кГц
• Выбирайте несжатые форматы, такие как WAV, для исходных записей

Рекомендации по выбору модели