Przejdź do głównej zawartości

Audio, wideo i głosy

Zadanie multimedialne uruchamia się zaraz po utworzeniu i jest rozliczane według stawek kredytowych za zużycie zmierzone przez serwer. Najpierw należy zapoznać się z katalogiem; mogą uruchamiać się tylko produkty oznaczone jako dostępne.

Ceny podane są bezpośrednio w kredytach:

ProduktproductCena
Rozpoznawanie mowyasr20 kredytów/minutę; model czasu rzeczywistego fun-asr 30 kredytów/minutę (rozliczane co milisekundę)
Tłumaczenie nagłówka podrzędnegosubtitle_translation60 kredytów/minutę
Podstawowa obróbka wideo (tłumaczone napisy, oryginalny dźwięk)basic_video80 kredytów/minutę
Pełna obróbka wideo (tłumaczone napisy i dubbing)full_video300 kredytów/minutę
Synteza mowytts1 500 kredytów za 10 000 naliczanych znaków
Pierwsze udane użycie głosu—300 kredytów za głos, naliczane jednorazowo
  • Opłata za rozpoznawanie mowy jest ustalana na podstawie używanego modelu rozpoznawania; ceny obu modeli są wymienione osobno w prices oraz credit-catalog (pole model).
  • Czas trwania jest liczony w milisekundach: rozpoznawanie mowy i tłumaczenie napisów według czasu trwania źródła, wideo – według czasu trwania przekazanego wideo.
  • Liczba zliczanych znaków dla syntezji mowy: każdy chiński znak liczy się jako 2, każdy inny znak (w tym spacje i interpunkcja) jako 1.
  • Rozpoznawanie, tłumaczenie, dubbing i inne etapy niezbędne dla danego produktu są wliczone w jego cenę. Jeśli zapytanie dopuszcza wynik niższego poziomu (allowed_fallback_products) i taki zostanie dostarczony, obowiązuje cena dostarczonego produktu.
  • Koszt = cena jednostkowa × zużycie, zaokrąglone do 0,001 kredytu (1 milikredyt).
GET /api/v1/billing/media/credit-catalog
POST /api/v1/billing/media/credit-estimates

credit-catalog zwraca ceny każdego produktu (prices, w milicredytach) oraz informację o jego dostępności; credit-estimates oblicza liczbę potrzebnych credytów (rounded_millicredits) dla podanej długości, tekstu lub liczby głosów. Służy wyłącznie do wyświetlania: nie tworzy żadnego zadania i nie nalicza żadnych opłat.

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

Produkty:

productCel
asrRozpoznawanie mowy
ttsSynteza mowy
subtitle_translationTłumaczenie napisów do audio i wideo
basic_videoPodstawowa obróbka wideo
full_videoPełna przetwarzanie wideo

Przykład rozpoznawania mowy:

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

Każdy produkt, z wyjątkiem syntezatora mowy (tts), wymaga max_duration_ms (w milisekundach, maksymalnie 21600000, czyli 6 godzin).

Po zwróceniu przez żądanie create kodu 202 serwer sprawdza plik i rozpoczyna przetwarzanie:

  1. Przed rozpoczęciem sprawdzana jest tylko saldo : saldo (po uwzględnieniu zadłużenia) musi przekraczać koszt obliczony na podstawie trwania zmierzonego przez serwer (w przypadku syntezatora mowy — na podstawie naliczonych znaków, w tym ewentualnej opłaty za pierwsze użycie głosu, która jeszcze nie została pobrana); jeśli klucz API ma przydzielony budżet, pozostała dostępna kwota tego klucza również musi być wyższa od wspomnianego kosztu. Rozpoczęcie działania nie zmienia salda.
  2. Rzeczywiste zużycie jest rozliczane po jego zakończeniu : opłacane i rozliczane na podstawie dostarczonego produktu oraz zużycia. Wszelkie kwoty, których saldo nie pokrywa, są rejestrowane jako dług, a saldo wyświetlane jako ujemne; wpływy kredytowe przychodzące później najpierw spłacają ten dług. Nowe zadania nie mogą zostać rozpoczęte, gdy saldo jest ujemne.
  3. Nie ponoszone są opłaty za zadania nieudane lub anulowane.

Gdy saldo jest zbyt niskie lub długość trwania nie pasuje, żadne zadanie nie rozpoczyna się ani nie jest obciążane: syntezę mowy sprawdzamy podczas tworzenia; jeśli saldo jest zbyt niskie, zwracany kod to 402. Dla innych produktów sprawdzamy długość trwania po jej zmierzeniu przez serwer; wówczas zadanie kończy się niepowodzeniem z kodem error_code insufficient_credits (saldo zbyt niskie) lub media_duration_exceeds_confirmed_cap (faktyczna długość trwania przekracza max_duration_ms).

GET /api/v1/media-jobs/{operation_id}
GET /api/v1/media-jobs?limit=25
POST /api/v1/media-jobs/{operation_id}/cancel

Odpowiedź na zapytanie zawiera status zadania, dostarczone pliki oraz referencję rozliczeniową.

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 odzyskuje niepewny wynik zdalny; sprawdza jedynie oryginalną operację i nigdy nie tworzy drugiego wątku.

Utworzenie głosu wymaga potwierdzenia praw do nagrania:

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

Nadawca jest odpowiedzialny za upewnienie się, że nagranie jest jego własnością lub używane na podstawie ważnego zezwolenia.