Audio-Transkription mit der Infercom API

Für Entwickler, die Audio-Unterstützung benötigen, bietet Infercom das Whisper large-v3 Modell von OpenAI, das Echtzeit-Transkriptionen und Übersetzungen ermöglicht.

Whisper-Large-v3

Modell: Whisper-Large-v3
Beschreibung: Hochmodernes automatisches Spracherkennungs- (ASR) und Übersetzungsmodell. Entwickelt von OpenAI und trainiert auf über 5 Millionen Stunden gelabeltem Audio. Hervorragend geeignet für mehrsprachige und Zero-Shot-Sprachaufgaben in verschiedenen Bereichen.
Modell-ID: Whisper-Large-v3
Unterstützte Sprachen: Mehrsprachig

Kernfähigkeiten

Transkribiert und übersetzt erweiterte Audio-Eingaben (bis zu 25 MB).
Zeigt hohe Genauigkeit bei Spracherkennungs- und Übersetzungsaufgaben.
Bietet OpenAI-kompatible Endpunkte für Transkriptionen und Übersetzungen.

Anfrageparameter

Parameter	Typ	Beschreibung	Standard	Endpunkte
`model`	String	Die ID des zu verwendenden Modells.	Erforderlich	`transcriptions`, `translations`
`file`	File	Audiodatei im Format FLAC, MP3, MP4, MPEG, MPGA, M4A, Ogg, WAV oder WebM. Dateigrößenlimit: 25 MB.	Erforderlich	`transcriptions`, `translations`
`prompt`	String	Prompt zur Beeinflussung des Transkriptionsstils oder Vokabulars. Beispiel: “Bitte transkribieren Sie sorgfältig, einschließlich Pausen und Zögern.”	Optional	`transcriptions`, `translations`
`response_format`	String	Ausgabeformat. Nur `json` und `text` werden umgesetzt. Siehe Ausgabeformate unten.	`json`	`transcriptions`, `translations`
`language`	String	Die Sprache der Audio-Eingabe. Die Verwendung des ISO-639-1-Formats (z.B. `en`) verbessert Genauigkeit und Latenz.	Optional	`transcriptions`, `translations`
`stream`	Boolean	Aktiviert Streaming-Antworten.	`false`	`transcriptions`, `translations`
`stream_options`	Object	Nicht unterstützt. Der Endpunkt lehnt diesen Parameter mit HTTP 400 `unknown_parameter` ab.	-	Wird nicht akzeptiert

Ausgabeformate

response_format akzeptiert fünf Werte, aber nur zwei ändern die Ausgabe.

Wert	HTTP-Status	Ergebnis
`json`	200	Ein JSON-Objekt: `{"text": "..."}`
`text`	200	Der reine Transkript-String
`verbose_json`	200	Der reine Transkript-String. Kein ausführliches Objekt
`srt`	200	Der reine Transkript-String. Keine SRT-Untertitel
`vtt`	200	Der reine Transkript-String. Keine WebVTT-Untertitel

verbose_json, srt und vtt werden akzeptiert und geben HTTP 200 zurück, der Endpunkt ignoriert sie jedoch und liefert reinen Text. Es gibt keine Zeitstempel, Segmente oder Untertitel-Cues. Verwenden Sie json, wenn Sie eine strukturierte Antwort benötigen.

Nutzungsdaten

Nicht-gestreamte Antworten enthalten ausschließlich das Feld text. Es gibt kein usage-Objekt. Sie können daher weder Token- noch Dauerwerte aus einer Transkriptions- oder Übersetzungsantwort auslesen.

stream_options: {"include_usage": true} umgeht dies nicht. Der Endpunkt lehnt den Parameter mit HTTP 400 ab.

Beispielverwendung

from sambanova import SambaNova
import base64

client = SambaNova(
    base_url="https://api.infercom.ai/v1",
    api_key="ihr-infercom-api-schluessel",
)

audio_path="audio_path"
with open(audio_path, "rb") as audio_file: 
   bin_audio = audio_file.read()

response = client.audio.transcriptions.create(
    model="Whisper-Large-v3",
    file=(audio_path,bin_audio),
)
print(str(response))

from openai import OpenAI
import base64

client = OpenAI(
    base_url="https://api.infercom.ai/v1",
    api_key="ihr-infercom-api-schluessel",
)

audio_path="audio_path"
with open(audio_path, "rb") as audio_file: 
   bin_audio = audio_file.read()

response = client.audio.transcriptions.create(
    model="Whisper-Large-v3",
    file=(audio_path,bin_audio),
)
print(str(response))

import SambaNova from "sambanova";

const client = new SambaNova({
  baseURL: 'https://api.infercom.ai/v1',
  apiKey: 'ihr-infercom-api-schluessel'
});

async function run() {
  const audioPath = 'audio_path';
  const binAudio = fs.createReadStream(audioPath);

  const response = await client.audio.transcriptions.create({
    model: 'Whisper-Large-v3',
    file: binAudio,
  });

  console.log('Full Response:');
  console.dir(response, { depth: null });
}

run().catch(console.error);

Erste Schritte

Modelle

Funktionen

Agentic Coding

Entwickeln

Ressourcen

Audio-Eingabefunktionen implementieren - Entwicklerhandbuch

Whisper-Large-v3

Kernfähigkeiten

Anfrageparameter

Ausgabeformate

Nutzungsdaten

Beispielverwendung

​Whisper-Large-v3

​Kernfähigkeiten

​Anfrageparameter

​Ausgabeformate

​Nutzungsdaten

​Beispielverwendung

Whisper-Large-v3

Kernfähigkeiten

Anfrageparameter

Ausgabeformate

Nutzungsdaten

Beispielverwendung