Speech to Text ภาษาอังกฤษ

แปลงเสียงพูดภาษาอังกฤษเป็นข้อความ แบ่งเป็นช่วงตามผู้พูดพร้อมเวลากำกับ มีสองระดับที่รับ request แบบเดียวกันและตอบ response แบบเดียวกัน: Base 1 IC ต่อนาที รับเสียงยาวได้ถึง 10 ชั่วโมง; Pro 2 IC ต่อนาที เป็นโมเดลที่แม่นยำกว่า รับเสียงยาวได้ถึง 1 ชั่วโมง

POST/v3/store/speech/speech-to-text/base/en

และอีก 1 endpoint

ทดลองใช้

• ราคา1 ICต่อ 60 วินาที
• ให้บริการแล้ว38.2Kครั้ง

• v1.0
• ใช้งานได้

Input

OutputPOST /v3/store/speech/speech-to-text/base/en

output

2 × text: Transcribed text from segment one. start: 0 end: 5.28 speaker: SPEAKER_00 segment: 0

audio_duration_in_seconds

60.5

uploaded_file_name

example.mp3

processing_time_in_seconds

12.34

use_asr_pro

false

asr_pro_is_used

false

iapp

seconds: 60.5

ฟิลด์ทั้งหมดอยู่ในหัวข้อ Responseendpoint อื่น: /en ดูที่ Request

Request

curl -X POST https://api.iapp.co.th/v3/store/speech/speech-to-text/base/en \
  -H "apikey: YOUR_API_KEY" \
  -F "file=@recording.wav"

Response

200OK ฟิลด์อธิบายไว้ในหัวข้อ Response

{
    "output": [
        {
            "text": "Transcribed text from segment one.",
            "start": 0.0,
            "end": 5.28,
            "speaker": "SPEAKER_00",
            "segment": 0
        },
        {
            "text": "Transcribed text from segment two.",
            "start": 5.28,
            "end": 10.56,
            "speaker": "SPEAKER_01",
            "segment": 1
        }
    ],
    "audio_duration_in_seconds": 60.5,
    "uploaded_file_name": "example.mp3",
    "processing_time_in_seconds": 12.34,
    "use_asr_pro": false,
    "asr_pro_is_used": false,
    "iapp": {
        "seconds": 60.5
    }
}

Request

ส่งเป็น multipart/form-data ครั้งละหนึ่งไฟล์เสียง ไปยัง endpoint ของระดับที่ต้องการ

ระดับ	Endpoint	ราคา	เสียงยาวสุด
Base	POST /v3/store/speech/speech-to-text/base/en	1 IC ต่อ 60 วินาที	10 ชั่วโมง
Pro	POST /v3/store/speech/speech-to-text/pro/en	2 IC ต่อ 60 วินาที	1 ชั่วโมง

Headers

apikeystringrequired

API key ของคุณ สร้างได้ที่เมนู API Keys ในแผงควบคุม

Body

filefilerequired

ไฟล์เสียง MP3, WAV, M4A, AAC, AIF, CDA, FLAC, MID, OGG หรือ WMA

promptstring

แม่แบบ prompt ค่าเริ่มต้น base

chunk_sizeinteger

ความยาวเสียงต่อช่วงประมวลผล เป็นวินาที ค่าเริ่มต้น 20

path เดิม /asr/v3/en และ /asr/v3/en/pro ยังใช้ได้ในราคาเดียวกัน

Response

outputarray

ช่วงเสียงทั้งหมด เรียงตามลำดับที่พูด

output.textstring

ข้อความที่พูดในช่วงนั้น

output.startnumber

เวลาที่ช่วงเริ่ม เป็นวินาที

output.endnumber

เวลาที่ช่วงจบ เป็นวินาที

output.speakerstring

ป้ายชื่อผู้พูด เช่น SPEAKER_00, SPEAKER_01

output.segmentinteger

ลำดับของช่วง เริ่มจาก 0

audio_duration_in_secondsprocessing_time_in_secondsuploaded_file_name

ความยาวเสียง เวลาที่ใช้ และชื่อไฟล์

iappobject

ข้อมูลการคิดเงิน

iapp.secondsnumber

จำนวนวินาทีที่คิดเงิน

use_asr_proasr_pro_is_used

ขอใช้โมเดล Pro หรือไม่ และได้ใช้จริงหรือไม่

รหัสสถานะ

รหัส	ความหมาย
400	ไม่มีไฟล์ หรือรูปแบบไม่รองรับ
404	ไม่พบงาน
500	ประมวลผลไม่สำเร็จ

รายละเอียดเพิ่มเติม

ผลการทดสอบ

ข้อจำกัด

• เสียงพูดภาษาอังกฤษ ยาวไม่เกิน 10 ชั่วโมงต่อ request บน Base และ 1 ชั่วโมงบน Pro

การจัดการข้อมูล

บริการเป็นไปตาม GDPR และ PDPA