til-asr
Речь в текст, с пунктуацией
Казахский и русский в одной модели. Язык указывать не нужно — она понимает обе речи и переключается по ходу записи.
Разметка по словам
Видно, когда прозвучало каждое слово
Добавьте words=true — и к тексту придёт время начала и конца каждого слова. Время сквозное: у часовой записи последнее слово получит время около 3600-й секунды.
{
"duration_seconds": 2760,
"text": "Сәлеметсіздер ме, білім алушылар…",
"words": [
{"word": "Сәлеметсіздер", "start": 0.42, "end": 1.08},
{"word": "ме", "start": 1.08, "end": 1.31}
]
}Замеры
Сколько это занимает на самом деле
| Длина записи | Размер | Ответ через |
|---|---|---|
| 4 с | 0,2 МБ | 1–2 с |
| 2,5 мин | 9 МБ | 12 с |
| 10 мин | 36 МБ | 43 с |
| 60 мин | 220 МБ | 4 мин 19 с |
Замерено на настоящих записях через публичный API, а не в лаборатории.
Как пользоваться
Один запрос
curl --max-time 900 https://router.tilqazyna.kz/v1/audio/transcriptions \
-H "Authorization: Bearer ВАШ_КЛЮЧ" \
-F "file=@zapis.m4a" \
-F "model=til-asr" \
-F "words=true"Форматы
Форматы: wav, mp3, m4a, ogg, flac. Приводим к нужному виду сами.
Таймаут
Поднимите таймаут клиента: тридцать секунд по умолчанию хватит только на короткие записи.
Длинные записи
Длинные записи режем по паузам между фразами. Ответ приходит одним текстом.