跳转到内容

ऑडिओ, व्हिडिओ आणि आवाज

मीडिया जॉब तयार होताच सुरू होतो आणि सर्व्हरने मोजलेल्या वापरासाठी क्रेडिटच्या दराने शुल्क आकारले जाते. प्रथम कॅटलॉग वाचा; फक्त ओपन म्हणून निर्दिष्ट केलेली उत्पादने चालवता येतात.

किंमती थेट क्रेडिटमध्ये दर्शवल्या जातात:

उत्पादनproductकिंमत
वाचन ओळखasr20 क्रेडिट/मिनिट; fun-asr रीअल-टाइम मॉडेल 30 क्रेडिट/मिनिट (मिलीसेकंदानुसार बिल केले जाते)
उपशিर्षक अनुवादsubtitle_translation60 क्रेडिट/मिनिट
मूलभूत व्हिडिओ प्रक्रिया (अनुवादित सबटाइटल्स, मूळ ऑडिओ)basic_video80 क्रेडिट/मिनिट
संपूर्ण व्हिडिओ प्रक्रिया (अनुवादित सबटाइटल्स आणि डबिंग)full_video300 क्रेडिट/मिनिट
वाक्यरचना संश्लेषणtts10,000 बिल केलेल्या वर्णांसाठी 1,500 क्रेडिट
प्रथम यशस्वीरित्या आवाजाचा वापर—प्रति आवाज 300 क्रेडिट, एकदा आकारणी
  • वाक्यरचना ओळख ही वापरल्या जाणाऱ्या ओळख मॉडेलद्वारे निश्चित केली जाते; दोन्ही मॉडेल्सच्या किमती credit-catalog मधील prices (तसेच model फील्ड) मध्ये स्वतंत्रपणे सूचीबद्ध केल्या आहेत.
  • कालावधी मिलिसेकंदांमध्ये मोजला जातो: भाषांतर करणारे स्पीच रिकॉग्निशन आणि सबटाइटल्स स्रोत कालावधीनुसार, तर व्हिडिओ वितरित केलेल्या व्हिडिओच्या कालावधीनुसार मोजले जातात.
  • वाचन संश्लेषणासाठी बिल केलेले वर्ण: प्रत्येक चिनी वर्ण 2 म्हणून मोजला जातो, तर इतर प्रत्येक वर्ण (स्पेस आणि विरामचिन्हांसह) 1 म्हणून मोजला जातो.
  • प्रतिनिधीकरण, अनुवाद, डबिंग आणि इतर उत्पादनाला आवश्यक असलेल्या पायऱ्या त्याच्या किमतीमध्ये समाविष्ट आहेत. जर विनंती कमी-स्तरीय परिणाम (allowed_fallback_products) स्वीकारण्यास परवानगी देत असेल आणि तो प्रदान केला गेला, तर प्रदान केलेल्या उत्पादनाची किंमत लागू होईल.
  • खर्च = एकक किंमत × वापर, 0.001 क्रेडिट (1 मिलीक्रेडिट) पर्यंत गोल केले.
GET /api/v1/billing/media/credit-catalog
POST /api/v1/billing/media/credit-estimates

credit-catalog प्रत्येक उत्पादनाची किंमत (prices, मिलीक्रेडिट्समध्ये) आणि ते खुले आहे की नाही हे परत करते; credit-estimates एका विशिष्ट कालावधी, मजकूर किंवा आवाजांच्या संख्येसाठी आवश्यक क्रेडिट्सची गणना करते (rounded_millicredits). हे केवळ प्रदर्शनासाठी आहे: ते कोणतीही नोकरी तयार करत नाही आणि कोणतेही शुल्क आकारत नाही.

POST /api/v1/media-jobs
Idempotency-Key: unique-request-id

उत्पादने:

productउद्देश
asrवाचन ओळख
ttsवाक्यरचना संश्लेषण
subtitle_translationऑडिओ आणि व्हिडिओसाठी उपशीर्षकाचे अनुवाद
basic_videoमूलभूत व्हिडिओ प्रक्रिया
full_videoसंपूर्ण व्हिडिओ प्रक्रिया

वाक्यरचना ओळखण्याचे उदाहरण:

{
"product": "asr",
"document_id": "4q8mx2q9z1k7p6ra",
"source_language": "auto",
"max_duration_ms": 600000
}

वाचन संश्लेषण (tts) वगळता प्रत्येक उत्पादनाला max_duration_ms (मिलीसेकंद, जास्तीत जास्त 21600000, म्हणजे 6 तास) आवश्यक असते.

After the create request returns 202, the server checks the file and starts processing:

  1. सुरू होण्यापूर्वी केवळ शिल्लक तपासली जाते : शिल्लक (कर्जानंतर) सर्व्हरने मोजलेल्या कालावधीवरून गणना केलेल्या खर्चापेक्षा जास्त असणे आवश्यक आहे (वाणी संश्लेषणासाठी, बिल केलेल्या वर्णांवरून, ज्यामध्ये अद्याप आकारण्यात आलेली प्रथम-वापराची आवाज शुल्क देखील समाविष्ट आहे); एका बजेट असलेल्या API कीसह, कीचे उर्वरित बजेट देखील त्या खर्चापेक्षा जास्त असणे आवश्यक आहे. सुरू केल्याने शिल्लक बदलत नाही.
  2. वास्तविक वापराचे शुल्क ते संपल्यावर आकारले जाते : वितरित केलेली उत्पादने आणि वापरानुसार दर ठरवला जातो आणि शुल्क आकारले जाते. जे काही शिल्लक भागवत नाही ते कर्ज म्हणून नोंदवले जाते आणि शिल्लक ऋणात्मक दर्शवते; नंतर आलेली प्राप्ती प्रथम कर्ज फेडते. शिल्लक ऋणात्मक असताना नवीन कामे सुरू होऊ शकत नाहीत.
  3. अयशस्वी झालेल्या किंवा रद्द केलेल्या जॉब्सवर कोणतेही शुल्क आकारले जात नाही.

जेव्हा शिल्लक खूप कमी असते किंवा कालावधी जुळत नाही, तेव्हा काहीही सुरू होत नाही आणि कोणतेही शुल्क आकारले जात नाही: भाषण संश्लेषण तयारीच्या वेळी तपासले जाते आणि शिल्लक खूप कमी असल्यास 402 परत करते; इतर उत्पादनांची तपासणी सर्व्हरने कालावधी मोजल्यानंतर केली जाते आणि जॉब error_code insufficient_credits (शिल्लक खूप कमी) किंवा media_duration_exceeds_confirmed_cap (वास्तविक कालावधी max_duration_ms पेक्षा जास्त) असल्यास अयशस्वी झाल्याचे समजून बंद होतो.

चौकशी करा आणि रद्द करा

Section titled “चौकशी करा आणि रद्द करा”
GET /api/v1/media-jobs/{operation_id}
GET /api/v1/media-jobs?limit=25
POST /api/v1/media-jobs/{operation_id}/cancel

क्वेरी प्रतिसादामध्ये जॉबची स्थिती, डिलिव्हर केलेली फाइल्स आणि सेटलमेंट रेफरन्सचा समावेश असतो.

GET /api/v1/media-voices
POST /api/v1/media-voices
GET /api/v1/media-voices/{asset_id}
POST /api/v1/media-voices/{asset_id}/confirm
POST /api/v1/media-voices/{asset_id}/reconcile
POST /api/v1/media-voices/{asset_id}/revoke

reconcile एक अनिश्चित दूरस्थ परिणाम पुनर्प्राप्त करते; ते केवळ मूळ ऑपरेशनची तपासणी करते आणि कधीही दुसरा आवाज तयार करत नाही.

आवाज तयार करण्यासाठी, रेकॉर्डिंगवरील आपले हक्क पुष्टी करणे आवश्यक आहे:

{
"document_id": "authorized_recording_document_id",
"consent": true,
"consent_version": "voice-source-rights-v1"
}

कॉलरने हमी द्यावी की रेकॉर्डिंग त्यांची स्वतःची आहे किंवा वैध परवानगीने वापरली जात आहे.