Les conversations sont aussi des documents.
Deux modèles ajustés en un seul pipeline. Un enregistrement entre, une transcription avec locuteurs identifiés et horodatage des mots en sort, et elle rejoint le même pipeline qu'un PDF analysé.
- Transcription
- 270x
- Temps réel. Un enregistrement de 10 minutes revient en 2,2 secondes.
- Avec locuteurs séparés
- 150x
- Le même fichier, 3,9 secondes. Une option à tous les volumes, pas un palier supérieur.
- Taux d'erreur sur les mots
- ~5 %
- Mesuré à l'interne selon la méthodologie anglaise d'Artificial Analysis.
- Par 1 000 minutes
- 5,00 $
- Un tarif unique à tous les volumes. Sans minimum.
Assez rapide pour rester dans la conversation.
Il y a des flux où la qualité de la transcription est tout le travail et où personne n'attend. Et il y a ceux où la transcription est l'étape suivante d'une conversation qui vient d'avoir lieu. Ce modèle est fait pour les seconds.
- Un enregistrement de 10 minutes
- 2,2 s
- Transcrit. 3,9 secondes avec les locuteurs séparés.
- Plus rapide qu'OpenAI
- 5–10 x
- Que les modèles d'OpenAI mesurés, qui prennent de 14 à 21 secondes sur le même fichier.
- Mille heures de réunions
- 300 $
- À 5,00 $ par 1 000 minutes, horodatage des mots et détection de la langue compris.
- Deepgram Nova-3 300
- rakeaudio-asr le nôtre, transcription 270
- rakeaudio-asr, diarized le nôtre, locuteurs séparés 150
- Gemini 3.5 Transcribe 87
- OpenAI gpt-transcribe 42
- OpenAI gpt-4o-mini-transcribe 41
- OpenAI gpt-4o-transcribe 37
- OpenAI whisper-1 29
Audio préenregistré, en lot. Nos lignes proviennent d'une exécution interne à forte utilisation, sans démarrage à froid, sur un fichier de 586 secondes à deux locuteurs. Les lignes hébergées viennent des pages tarifaires des fournisseurs et du classement de reconnaissance vocale d'Artificial Analysis, mesurées sur un extrait de 10 minutes. Gemini 3.5 Transcribe est le pipeline le plus exact de cet ensemble avec 2,6 % d'erreur sur les mots, et Deepgram est plus rapide que nous. Nous préférons que vous testiez vos propres enregistrements plutôt que de croire ces chiffres sur parole.
Tout ce qu'il est, sur une page.
Un pipeline, un point de terminaison, un tarif. L'audio est plus lourd que le papier : l'exécution est asynchrone et le dit, plutôt que de garder une connexion ouverte.
| Modèle | |
|---|---|
| Nom | rakeaudio-asr |
| Catégorie | Pipeline de reconnaissance vocaleDeux modèles que nous avons ajustés et combinés, derrière la capacité Parse. |
| Tâche | Transcription et séparation des locuteursL'horodatage des mots et la détection de la langue sont inclus, pas des options. |
| Langues | Détectées, pas configuréesY compris un enregistrement qui change de langue au milieu d'une phrase. |
| Vitesse | |
| Transcription | 270x le temps réel2,2 secondes sur un fichier de 586 secondes à deux locuteurs. |
| Avec diarisation | 150x le temps réel3,9 secondes sur le même fichier. |
| Exactitude | Environ 5 % de taux d'erreur sur les motsUne mesure interne selon la méthodologie anglaise d'Artificial Analysis, pas une soumission à un classement. |
| Interface | |
| Point de terminaison | POST /v1/parseLe même appel qui lit un PDF. Un enregistrement est un autre type de fichier. |
| Modes | transcribe, transcribe_diarizeDéfini sur le fichier. Utilisez le premier quand les locuteurs ne sont pas nécessaires. |
| Exécution | AsynchroneLancez la requête, puis interrogez l'exécution jusqu'à ce qu'elle quitte l'état processing. |
| Prix | |
| Transcription | 5,00 $ par 1 000 minutesLe même tarif à tous les volumes, facturé à la minute d'audio plutôt qu'à la requête. |
| Séparation des locuteurs | OptionEn sus de ce poste, à tous les volumes. Le tarif figure sur la page des tarifs. |
Un enregistrement est un autre type de fichier.
La transcription passe par le même appel qui lit un PDF. Envoyez un fichier, recevez une transcription avec locuteurs et horodatage, puis transmettez-la à n'importe quelle autre capacité du même pipeline. L'audio s'exécute de façon asynchrone : lancez la requête et interrogez l'exécution jusqu'à ce qu'elle quitte l'état processing.
curl -X POST https://api.cloudraker.com/v1/parse \
-H "Authorization: Bearer $CLOUDRAKER_API_KEY" \
-H "Content-Type: application/json" \
-d '{"file": {"url": "https://example.com/consult.m4a", "processing": "transcribe_diarize"}}'
# Or with the CLI. Use "processing": "transcribe" when you do not need speaker labels.
paperwork parse --wait 0 \
--json '{"file": {"url": "https://example.com/consult.m4a", "processing": "transcribe_diarize"}}'Quelle version d'un fait est la bonne ?
Dans un document, la forme finale convenue se trouve généralement sur la page. Dans une conversation, non. Les idées sont soulevées, remaniées et abandonnées sans bruit, et la version qui compte est soit la plus récente, soit celle que personne n'a rejetée.
Aucune transcription ne tranche cela seule. Ce qu'elle peut faire, c'est donner au modèle suivant un relevé propre, attribué et horodaté sur lequel raisonner. C'est pourquoi les locuteurs et les temps font partie de la sortie plutôt que d'une version supérieure.
- Des locuteurs entrent et sortent dans le même enregistrement, et leur nombre n'est jamais connu d'avance.
- Une phrase peut commencer dans une langue et finir dans une autre : la langue ne peut donc pas être un champ de configuration.
- L'horodatage des mots ramène chaque affirmation à l'enregistrement, pour qu'un relecteur puisse aller écouter.
Des questions importantes, des réponses rapides.
Non, et nous le précisons chaque fois. C'est une mesure interne selon la méthodologie anglaise d'Artificial Analysis, pas une exécution soumise à un classement. Gemini 3.5 Transcribe est plus exact avec 2,6 %. Testez vos propres enregistrements avant de vous engager.
Envoyez-nous les enregistrements qui le mettent en défaut.
Deux locuteurs qui se coupent la parole, une pièce à mauvaise acoustique, un appel qui change de langue en pleine phrase. C'est ainsi que la prochaine version sera entraînée.