رفتن به محتوا
سارویتوسعه‌دهندگان
مدل‌ها ←

OpenAI

Whisper Large V3

صدا به متن · پیاده‌سازی چندزبانه

امتحان در آزمایشگاه
کاربردصدا به متن
دسترسیهمهٔ طرح‌ها با اعتبار کافی
پنجرهٔ زمینهٔ ارائه‌دهندهوابسته به مدل و نوع ورودی
هزینه در سارویاز اعتبار مشترک حساب

این مدل را برای چه کاری انتخاب کنم؟

صدا به متن · پیاده‌سازی چندزبانه. پیش از استفادهٔ گسترده، چند نمونه از ورودی واقعی محصول خودت را در آزمایشگاه مقایسه کن.

پیاده‌سازی مصاحبهمتن جلسه و یادداشت صوتیتبدیل گفتار چندزبانه به متن

تنظیمات همین مدل

مسیرPOST /v1/audio/transcriptions
قالب خروجیtext
راهنمای لحنراهنمای جداگانه ندارد؛ حالت صدا را در انتخاب گوینده بررسی کنید.
گوینده‌ها در هر درخواستانتخاب گوینده ندارد
ورودی صوتیmp3 · wav · m4a · webm · ogg · flac · aac؛ حداکثر ۱۴ مگابایت، Base64 بدون پیشوند data URL
سرعت عددیspeed: 1؛ برای Gemini آهنگ و سرعت خواندن را در instructions توضیح دهید.

model را صریح تعیین کنید. language اختیاری است؛ fa برای فارسی یا حذف آن برای تشخیص خودکار. خروجی text به زبان اصلی گفتار است.

درخواست آماده

شناسهٔ دقیق مدل را کپی کن و کلید ساروی را در متغیر محیطی سرورت قرار بده.

Model ID
openai/whisper-large-v3
Python
import json, os, urllib.request, urllib.error

payload = {
    "model": "openai/whisper-large-v3",
    "audioBase64": "YOUR_BASE64_AUDIO_DATA",
    "mediaType": "audio/wav",
    "language": "fa"
}

request = urllib.request.Request(
    "https://api.sarovi.ir/v1/audio/transcriptions",
    data=json.dumps(payload, ensure_ascii=False).encode("utf-8"),
    headers={
        "Authorization": "Bearer " + os.environ["SAROVI_API_KEY"],
        "Content-Type": "application/json"
    },
    method="POST"
)
try:
    with urllib.request.urlopen(request, timeout=300) as response:
        result = json.load(response)
        print(result)
except urllib.error.HTTPError as error:
    detail = json.load(error)
    raise RuntimeError(f"{error.code}: {detail['error'].get('code', detail['error'].get('type', 'HTTP_ERROR'))}") from error

کلید را در متغیر محیطی SAROVI_API_KEY قرار بده. بدون نصب کتابخانه؛ با Python استاندارد.

امکان‌ها در API ساروی

مسیر اصلیPOST /v1/audio/transcriptions
خروجیمتن در JSON
جریان پاسخخروجی JSON؛ ویدیو با پیگیری وضعیت
دستورالعمل نقشدر متن prompt یا text
صورتحسابرزرو اعتبار، سپس تسویهٔ مصرف در دفتر حساب ساروی

فراخوانی ابزار و JSON Schema برای مدل‌های پشتیبان از مسیر chat/completions و قرارداد پیشرفتهٔ responses در دسترس‌اند. قابلیت‌های ارائه‌دهنده و محدودیت‌های هر مسیر را پیش از اجرا بررسی کنید.