Transkribatu honekin STT.ai Enhanced
4.2%
WER
99
Hizkuntzak
15.9x
Abiadura
MIT
Lizentzia
Honi buruz STT.ai Enhanced
STT.ai Enhanced gure hizketa-testurako modelorik zehatza eta azkarrena da. Azken tranformadore-arkitektura eta optimizazio pribatuetan oinarrituta, industriako hitzen errore-tasarik onenak eskaintzen ditu 100 hizkuntza baino gehiagotan. Ideala transkribapen-produkziorako, denbora errealeko azpitituluetarako eta enpresa-aplikazioetarako.
Honek onartzen dituen hizkuntzak STT.ai Enhanced
✦ Desblokeatu modelo hobetua
Gure eredurik zehatzena eskuratu dezakezu ordaindutako edozein planekin: Whisper large-v3, 99 hizkuntza eta hiztun-diarizazioa.
Ikusi planoak →Modeloaren informazioa
- HornitzaileaOpenAI (hosted by STT.ai)
- Arkitektura-
- LizentziaMIT
- EguneratutaAug 2026
Maiz egiten diren galderak
STT.ai Enhanced OpenAI (hosted by STT.ai)ren hizketa-testu modelo bat da. STT.aik STT.ai Enhanced gure GPU azpiegituran ostatzen du, zure hardwarea hornitu gabe erabil dezakezu, audioa edo bideoa igo eta STT.ai Enhanced aukeratu modelo-hautatzailean.
Erreferentzia estandarretan, STT.ai Enhancedk %4.2 inguruko hitzen errore-tasa lortzen du. Benetako zehaztasuna audio-kalitatearen, azentuaren eta hizkuntzaren araberakoa da; grabazio zaratatsu edo azentudunetarako, WER ehuneko puntu batzuk handiagoa espero daiteke.
STT.ai Enhanced premium modeloa da — $5/hilean hasita ordaindutako STT.ai plan guztietan sartzen da. Ez dago eskuragarri doako mailan: doako eta anonimo igoerek Whisper Turbo erabiltzen dute.
STT.ai Enhanced MIT lizentziapean argitaratzen da, kode irekiko lizentzia permisiboa. Zure hardwarean STT.ai Enhanced ostatatu dezakezu edo gure ostatatutako bertsioa erabili — biak erabil daitezke merkataritzan.
STT.ai Enhancedk 99 hizkuntza onartzen ditu. Auto-detekzioak hizkuntza egokia hautatzen du audio gehienentzat; eskuz ere zehaztu dezakezu zehaztasun txikiagoa lortzeko.
STT.ai Enhanced-k audioa 15.9x denbora errealean prozesatzen du gure GPUetan. Ordu bateko audio-fitxategi bat 3 minututan amaitzen da; fitxategi luzeagoak ilaran jarri eta e-postaz jakinarazi egiten dira amaitzen direnean.
STT.ai Enhanced-k 1.55B parametro ditu. Modelo handiagoak zehatzagoak izaten dira, baina motelagoak; STT.ai-k STT.ai Enhanced GPUan gordetzen du, beraz parametroen kopuruak ez du eraginik izango bezeroaren errendimenduan.
STT.ai Enhancedek STT.aik onartzen dituen formatu guztiak onartzen ditu: MP3, WAV, M4A, FLAC, OGG, MP4, MKV, MOV, WebM, AVI eta beste batzuk. Irteera TXT, SRT, VTT, DOCX, JSON edo PDF gisa.
Bai. Hiztun-diarizazioa STT.ai Enhancedrekin batera exekutatzen da transkribapen bakoitzean — hiztun bakoitza etiketatuta dago eta gero editorean izena aldatu ahal izango duzu.
Bai. STT.ai Enhanced gure azpiegitura pribatuan exekutatzen da — audioa lehenespenez prozesatu eta ezabatu egiten da. Pro+-ek bezeroaren aldeko enkriptatzea gehitzen du, transkribapenak zure gakorik gabe irakurgai ez daitezen, eta Private Cloud-ek STT.ai Enhanced osorik zure VPCn ostatatzea ahalbidetzen dizu.
Erabili compare-stt tresna STT.ai Enhanced audio beraren beste edozein onartutako modeloren aurka exekutatzeko — WER, segmentu-kopurua, bozgorailuen etiketak eta konfiantza-puntuak aldi berean ikusiko dituzu. STT.ai Enhanced eta Whisper Large V3 konparaketa da gehien erabiltzen dena.
Bai. Zehaztu "stt-ai-enhanced" modeloaren parametro gisa /v1/transcribe amaierako puntuan. Python eta Node.js SDKek STT.ai Enhanced adibidea dute. API doako maila 100 minutukoa da hilean.
Bai. STT.ai Enhanced MIT lizentziaduna denez, zeure burua ostatatu dezakezu. STT.airen kode irekiko orrialdean proiektuaren errepositorioa eta pisuak zerrendatzen dira. Produkzio-talde gehienek gure ostatatutako bertsioa erabiltzen dute GPU-ren erosketak, modeloen trukaketak eta operazioak saltatzeko.