Mit HeartMuLa aus einer Gesangsaufnahme einen geprüften Liedtext machen

HeartMuLa Transcribe macht aus einer Gesangsaufnahme einen Textentwurf für $0.05 pro Anfrage, egal ob der Track zwanzig Sekunden oder sechs Minuten lang ist. Senden Sie eine direkte Audio-URL, lesen Sie den Liedtext aus data.output.text und prüfen Sie dann wiederholte Passagen und unklare Wörter anhand derselben Aufnahme. Die Aufgabe liefert keine Zeilenzeiten, Sängerkennzeichnungen oder Konfidenzwerte. Ein geprüfter Liedtext und eine synchronisierte Untertiteldatei sind daher zwei getrennte Aufgaben.

Was die Aufgabe annimmt und zurückgibt

Die HeartMuLa Transcribe Seite listet eine Eingabe, audio_url: eine MP3 oder WAV bis zu 90 MB. Es gibt kein Prompt-Feld, kein Feld für die Modellgröße und keinen Zeitstempel, ebenso wenig eine Sprachauswahl: Das Modell erkennt die Sprache aus dem Audio, sodass nicht englische Lyrics genauso funktionieren. Das Modell ist für Gesang über Musik gebaut; für ein Interview oder einen Podcast passt ein allgemeines Sprachmodell wie Grok STT besser. Es ist ein unzensiertes Modell: Explizite Lyrics kommen so zurück, wie sie gesungen werden, ohne Maskierung oder Ablehnung, und Sie bleiben für die Rechte an dem Audio verantwortlich.

HeartMuLas offener Liedtexterkenner, HeartTranscriptor, basiert auf Whisper und ist auf getrennten Gesangsspuren trainiert; seine Autoren empfehlen, zuerst den Gesang zu trennen. Die gehostete Anfrage hat keinen Trennschalter. Hat eine Aufnahme eine dichte Begleitmischung, können Sie selbst ein Trennwerkzeug wie Demucs ausführen und die Gesangsspur als zweite Anfrage einreichen. Behandeln Sie die Spur als Experiment: Vergleichen Sie jedes Wort, das sie gegenüber der Originalmischung ändert, denn das Trennen kann Artefakte erzeugen, und ein Studio-Gesang kann ein Wort in einer anderen Aufführung nicht entscheiden. Geflüsterte oder geschriene Parts und Dateien mit sehr niedriger Bitrate kommen schlechter zurück; reichen Sie die MP3 oder WAV mit der besten Qualität ein, die Sie haben.

Erst im Playground ausprobieren

Öffnen Sie die HeartMuLa Transcribe Seite und bleiben Sie im Tab Playground.

1. Wählen Sie unter Input audio über Choose a file eine Datei (MP3 oder WAV, bis zu 90 MB) oder wechseln Sie zu Asset URL und drücken Sie Add URL für eine anderswo gehostete Datei. Das ist das einzige Feld.
2. Prüfen Sie die Preisschätzung: $0.05, unabhängig von der Länge.
3. Melden Sie sich an und starten Sie den Lauf. Der Liedtext erscheint im Panel Output, mit einer JSON-Ansicht neben der Vorschau.

Die URL muss die Audiodatei selbst zurückgeben, nicht einen Player, eine Freigabeseite oder eine Login-Seite, sonst scheitert die Aufgabe als ungültiges Asset. Bewahren Sie Ihre eigene Kopie der exakt eingereichten Version auf, damit das Transkript an diese Aufführung gebunden bleibt. Probieren Sie hier Ihr schwierigstes Stück aus, bevor Sie einen Stapel einreihen.

Oder aus dem Code aufrufen

Installieren Sie das Python SDK (pip install spicyapi, Python 3.11+), setzen Sie SPICY_API_KEY auf Ihren serverseitigen Schlüssel und führen Sie aus:

from pathlib import Path
import uuid

from spicyapi import SpicyClient

client = SpicyClient()  # reads SPICY_API_KEY from the environment

song = client.upload_file("./authorized-original-song.wav")  # uploads are kept for one day
task = client.create_task(
    model="heartmula/transcribe/speech-to-text",
    input_data={"audio_url": song["uri"]},
    idempotency_key=str(uuid.uuid4()),  # new key per new request; reuse only to retry the same one
)
final = client.wait_for_terminal(task["taskId"])
if final["state"] != "succeeded":
    raise RuntimeError(f"Task {task['taskId']} ended as {final['state']}")

# The lyrics are text on the task, not a file; save them now, task content is not permanent
Path("lyrics-draft.txt").write_text(final["output"]["text"])

Uploads, Warten, Fehler und Wiederholungen stehen in der Python SDK Referenz, und der Aufgaben-Leitfaden behandelt den Task-Lebenszyklus und Callbacks. Ein Instrumentaltitel liefert wenig oder nichts und wird trotzdem als erfolgreicher Lauf berechnet, filtern Sie also Titel ohne Gesang heraus, bevor Sie einen Stapel einreihen. Ein abgeschlossener Task belegt die Vollständigkeit, nicht die Richtigkeit.

Oder einen Agenten damit laufen lassen

Soll ein Assistent einen Ordner mit Songs für Sie transkribieren, geben Sie ihm die CLI oder den MCP-Server. Beide zeigen den Preis und fragen vor einem kostenpflichtigen Aufruf nach Ihrer Bestätigung. Der Skill ergänzt Anweisungen für beides.

• CLI. spicyapi führt einen Task aus einem Terminal aus (npx @spicyapi/cli funktioniert ohne Installation):

``bash spicyapi files upload ./song.wav # prints a spicy:// URI spicyapi tasks create --model heartmula/transcribe/speech-to-text \ --input-json '{"audio_url": "spicy://YOUR-UPLOAD-URI"}' --wait ``

• MCP-Server. Fügen Sie Ihrem Assistenten den MCP-Server hinzu und fragen Sie dann: "Transkribiere den Liedtext in ./song.wav mit HeartMuLa Transcribe." Er ruft spicyapi_upload_file, dann spicyapi_task_create (das für Ihre Preisbestätigung anhält), dann spicyapi_task_wait.

``json { "mcpServers": { "spicyapi": { "command": "npx", "args": ["--yes", "--package=@spicyapi/mcp", "spicyapi-mcp"], "env": { "SPICY_API_KEY": "YOUR_SPICY_API_KEY" } } } } ``

• Skill. npx skills add spicyapi-ai/spicy-skill installiert den Agent Skill, der einem Coding-Assistenten beibringt, das aktuelle Schema zu lesen und Idempotenzschlüssel wiederzuverwenden. Er kann keine Tasks allein ausführen, verwenden Sie ihn daher mit der CLI oder MCP.

Erst die Abdeckung prüfen, dann die Zeichensetzung

Spielen Sie die Quelle einmal durch und schreiben Sie ihre Struktur auf: Strophe, Refrain, Bridge, Outro. Vergleichen Sie diese Abfolge mit dem Entwurf. Ein flüssiges Transkript kann zwei Refrains zu einem zusammenfassen, und saubere Zeichensetzung stellt die fehlende Aufführung nicht wieder her. Whisper-artige Modelle können außerdem eine Zeile wiederholen, eine kurze Passage auslassen oder Wörter über einem langen "ooh" oder Summen erzeugen. Hören Sie deshalb an jeder Stelle nach, an der der Text wie eine Endlosschleife oder ungewöhnlich sicher wirkt.

Löschen Sie wiederholte Wörter nicht automatisch. Es kann ein gesungener Nachhall, eine wiederholte Leitphrase oder ein Erkennungsfehler sein; hören Sie die Stelle erneut und entscheiden Sie. Bewahren Sie einen unveränderten Entwurf auf, damit eine Änderung des Redakteurs nie dem Modell zugeschrieben wird.

Behalten Sie jede Wiederholung so, wie sie gesungen wird. Nehmen Sie ein erfundenes Lied, dessen erster Refrain "Leave the lamp beside the window" singt und dessen letzter "Leave the lamp beneath the window." Beide passen zur Melodie. Das Transkript sollte die tatsächlich gesungene Änderung behalten, statt den ersten Refrain auf den zweiten zu kopieren.

Die Wörter klären, die die Bedeutung ändern

Priorisieren Sie Verneinungen, Namen, Zahlen und kleine Wörter, die eine Zeile umkehren. "Do not close the garden gate" und "Do close the garden gate" lesen sich beide gut und bedeuten Gegenteiliges. Hören Sie mit mehreren Sekunden Kontext auf beiden Seiten erneut, denn ein einzelner Konsonant ist schwerer zu hören als die ganze Phrase.

Bleibt das Audio mehrdeutig, fragen Sie die ausführende Person oder notieren Sie privat eine Unsicherheit. Entscheiden Sie ein umstrittenes Wort nicht per Mehrheitsentscheid über mehrere Transkripte: identische Vermutungen sind keine unabhängigen Belege. Legen Sie bei mehrstimmigem Gesang fest, ob das Blatt nur die Hauptstimme oder jede hörbare Begleitstimme abdeckt, und ergänzen Sie Rollenbezeichnungen nur aus Ihrem eigenen Zuhören oder Ihren Produktionsnotizen.

Untertitel erst ergänzen, wenn die Wörter geprüft sind

Die Aufgabe liefert keine Zeitstempel. Öffnen Sie die fertige Audio- oder Videomontage in einem Untertitel-Editor, setzen Sie für jede gesungene Phrase einen Cue und legen Sie Start- und Endzeiten anhand dieser Aufführung fest. Prüfen Sie den ersten Gesangseinsatz, jeden wiederholten Refrain und die letzte Zeile. Eine gleichmäßige Verteilung der Zeilen über die Dauer scheitert, weil instrumentale Pausen und gehaltene Silben ungleichmäßig sind.

Synchronisieren Sie nach jeder Änderung des Audios neu. Halten Sie den Text in der Originalsprache getrennt von jeder Übersetzung: Die Aufgabe hat kein Übersetzungsfeld, und eine singbare Adaptation ändert Wortlaut und Rhythmus.

Kosten nach Aufnahme planen

Die Kosten sind Anfragen mal $0.05: Zwei Gesangsarrangements kosten $0.10, eine zusätzliche Gesangsspuranfrage für jedes davon bringt Sie auf $0.20, und vierundzwanzig Aufnahmen kosten $1.20 vor Wiederholungen. Weil die Dauer nie in den Preis eingeht, ist ein Ordner kurzer Clips pro Minute relativ teuer. Reichen Sie einen Song pro Anfrage ein: Mehrere in eine Datei zusammengefügte Songs kommen als ein durchgehender Textblock ohne Grenzen zurück, und ohne Zeitangaben gibt es nichts, womit Sie sie rekonstruieren könnten.