OpenAI: GPT Transcribe

GPT Transcribe, OpenAI का एक speech-to-text मॉडल है, जो api14 पर मॉडल id openai/gpt-transcribe के अंतर्गत सूचीबद्ध है। यह transcription श्रेणी में आता है, इसलिए इसका काम सीमित और विशिष्ट है: बातचीत के जवाब उत्पन्न करने या सामान्य प्रयोजन की चैट संभालने के बजाय ऑडियो को टेक्स्ट में बदलना। यदि आप ऐसी pipeline बना रहे हैं जहाँ बोली गई सामग्री को लिखित सामग्री बनना है, तो यह उसी चरण के लिए provider का इच्छित मॉडल है।

मॉडल इनपुट modality के रूप में ऑडियो लेता है और आउटपुट के रूप में transcription लौटाता है। provider विवरण के अनुसार, यह एक उच्च सटीकता वाला speech-to-text मॉडल है जो recorded audio, streamed file transcription और committed Realtime turns के लिए उपयुक्त है। यह free-form context, keyword hints और कई भाषाओं का समर्थन करता है। इस मॉडल के लिए कोई context length प्रकाशित नहीं है, और अधिकतम आउटपुट शून्य के रूप में सूचीबद्ध है, इसलिए व्यावहारिक सीमाओं को इस पृष्ठ से token बजट मान लेने के बजाय provider के अपने दस्तावेज़ के विरुद्ध सत्यापित करने योग्य चीज़ मानें। पृष्ठ जो स्पष्ट करता है वह अंतःक्रिया का स्वरूप है: ऑडियो अंदर, टेक्स्ट बाहर, साथ में पहचान को दिशा देने के लिए वैकल्पिक context और keyword मार्गदर्शन।

उपयोग के मामले सीधे इसी से निकलते हैं। Recorded audio transcription में मीटिंग रिकॉर्डिंग, साक्षात्कार, पॉडकास्ट, वॉइस मेमो और बोली गई सामग्री का कोई भी संग्रह शामिल है जिसे आप टेक्स्ट के रूप में खोजने योग्य बनाना चाहते हैं। Streamed file transcription उन workflows के लिए उपयुक्त है जहाँ ऑडियो एक फ़ाइल के रूप में आता है और आप बड़े processing कार्य के हिस्से के रूप में transcript तैयार कराना चाहते हैं। Committed Realtime turns इंटरैक्टिव सत्र के हिस्से के रूप में लाइव या लगभग लाइव speech के transcribe होने की ओर संकेत करते हैं। Free-form context तब उपयोगी होता है जब आप मॉडल को बता सकते हैं कि ऑडियो किस बारे में है, उदाहरण के लिए domain vocabulary या किसी कॉल का विषय, और keyword hints तब मदद करते हैं जब आप जानते हैं कि विशिष्ट शब्द, नाम या jargon आने की संभावना है। कई भाषाओं का समर्थन का अर्थ है कि वही endpoint बहुभाषी ऑडियो की सेवा कर सकता है, बजाय इसके कि आपको प्रत्येक भाषा के लिए अलग मॉडल अपनाना पड़े।

आप इसे api14 के OpenAI-compatible API के माध्यम से मॉडल id openai/gpt-transcribe का उपयोग करके कॉल करते हैं, इसलिए मौजूदा OpenAI client libraries और request patterns को base URL api14 की ओर इंगित करने के साथ ही चलना चाहिए। इस मॉडल की समर्थित parameters की सूची खाली है, जिसका अर्थ है कि endpoint डिफ़ॉल्ट रूप से जो स्वीकार करता है उसके अलावा यहाँ कोई अतिरिक्त request parameters प्रलेखित नहीं हैं। व्यावहारिक रूप से, इसका अर्थ है कि आप अपना ऑडियो और मॉडल id भेजें, और इस पृष्ठ पर temperature या custom sampling settings जैसे tuning विकल्प दिखने पर निर्भर न रहें। यदि आपको ऐसा parameter चाहिए जो सूचीबद्ध नहीं है, तो उसे उपलब्ध मान लेने से पहले provider के दस्तावेज़ देखें।

चूँकि मॉडल केवल transcription है, यह उन कार्यों के लिए उपयुक्त नहीं है जिनमें text generation, reasoning, tool calling या image input चाहिए। यदि आपका workload चैट, कोड या सामान्य टेक्स्ट है, तो catalog में कोई भिन्न मॉडल आपकी बेहतर सेवा करेगा। इस पृष्ठ पर कोई प्रकाशित context length भी नहीं है और अधिकतम आउटपुट शून्य है, इसलिए बहुत लंबे ऑडियो या असामान्य throughput आवश्यकताओं के लिए आपको इन फ़ील्डों से अनुमान लगाने के बजाय provider के साथ व्यवहार की पुष्टि करनी चाहिए।