Ir al contenido principal

HeartMuLa Transcribe API

Sin censura — Este modelo declara que no aplica filtros. SpicyAPI reenvía sin añadir análisis de contenido de la plataforma; las obligaciones legales y de consentimiento siguen siendo del cliente.Ver todos los modelos con este nivel de filtrado
heartmula/transcribe/speech-to-text

HeartMuLa Transcribe es un endpoint speech-to-text multilingüe afinado para voces cantadas: envía una URL de audio y recibe la letra en texto. No hay opciones y no se devuelven tiempos por línea, valores de confianza ni etiquetas de hablante.

Desde $0.05/solicitud
Ejecutar modelo

Playground

Entrada

Voz a texto
0/1

Suelta un audio o elige un archivo · 1 archivo · Máx. 90 MB · MP3 · WAV

0 / 1 archivos
Una URL que resuelve directamente a un archivo de audio. Las páginas que devuelven HTML fallan como material inválido. No hace falta ninguna pista de idioma, y tampoco se acepta: el modelo es multilingüe y lo deduce del audio. mínimo 1 caracteres

Comprobando tu cuenta antes de habilitar el envío y el cálculo de precios.

Falta 1 campo obligatorio: Audio de entrada

Salida

Listo para una nueva ejecución

El resultado aparecerá aquí.

Configura las entradas, revisa la estimación y ejecuta el modelo.

Modelos relacionados y tareas siguientes

¿No está el modelo que buscas?

Dinos cuál añadir y para qué lo usarías. Las solicitudes llegan directamente al equipo que decide los próximos modelos.

La letra sacada de una mezcla terminada y devuelta como texto

HeartMuLa Transcribe recibe un solo campo, una URL de audio, y devuelve las palabras cantadas en esa grabación como texto en la tarea. No hay ajuste de idioma, ni opción de marcas de tiempo, ni interruptor para separar voces: esos campos no existen en el esquema. Es la única familia de este catálogo que termina una tarea con texto en lugar de un archivo multimedia, así que no se escribe nada en el almacenamiento de medios y no tienes que construir ningún paso de descarga. El cobro es por transcripción y no por minuto, de modo que una pista de seis minutos y un gancho de veinte segundos cuestan exactamente lo mismo.

Abrir el Playground
Campos de la solicitud
Uno: audio_url, una URL que resuelve a audio
Salida
La letra como texto en el resultado de la tarea, sin archivo ni URL de recurso
Cobro
Por transcripción, sin importar la duración del audio
Idiomas
Multilingüe; el idioma detectado no se informa
Límite de la tarea
3.600 segundos desde el envío hasta el estado terminal
Conservación
No se crea ningún recurso; el audio subido se borra tras 1 día
Forma
Un campo obligatorio, y el esquema rechaza lo demásaudio_url es todo el cuerpo de la solicitud: una cadena URI no vacía que debe resolver directamente al audio. Cualquier otra clave falla en la validación en lugar de descartarse en silencio, así que una ejecución que devuelve transcripción es una ejecución que usó exactamente lo que enviaste. No hay nada que ajustar entre llamadas ni ninguna hoja de parámetros que mantener al día conforme crece la integración.
Salida
Texto en la tarea, no un archivo en un bucketTodas las demás familias de aquí terminan escribiendo un archivo para que lo recojas. Esta termina en la propia tarea, con la transcripción dentro del resultado. Sin paso de descarga, sin nada que entre en la ventana de conservación de medios de 14 días y, en tu cliente, una sola rama que lee un campo de texto donde las demás recorren una lista de recursos.
Objetivo
Ajustado a una voz que pelea contra la mezclaUna línea cantada llega comprimida, doblada, empapada en reverberación y compitiendo con instrumentos en su mismo rango de frecuencias: justo el caso para el que no se entrenaron los modelos de voz generales, y donde suelen devolver fragmentos. A eso está ajustado este modelo. Para una entrevista o un pódcast, sin mezcla que combatir, un modelo general de voz a texto es la mejor herramienta.

Lo que la API de HeartMuLa Transcribe hace bien

  • Una solicitud que escribes de memoria

    Una clave y un valor de texto. No hay hoja de parámetros que mantener, ni combinación de ajustes capaz de cambiar en silencio lo que se le pide al modelo, ni plan de migración que preparar cuando la integración crece. Como el esquema está cerrado, una errata en el nombre de una clave vuelve de inmediato como solicitud inválida, en vez de como una transcripción hecha con un ajuste que creías aplicado.

  • La letra llega en la propia tarea

    El resultado trae la transcripción directamente, así que no hay URL firmada que recoger, ni almacenamiento de objetos que alimentar, ni tarea de limpieza que programar para archivos descargados. Una canalización que ya maneja tareas multimedia necesita una rama más: cuando este endpoint termina, lee el campo de texto en lugar de recorrer una lista de recursos y mándalo directo a donde ya viven tus letras.

  • La duración nunca entra en la factura

    El cobro es por solicitud aceptada, así que la duración del audio, la frecuencia de muestreo y la cantidad de texto que realmente salga dejan el importe donde está. Presupuestar un atraso pasa a ser una multiplicación, número de pistas por precio unitario, en vez de una función del tiempo total. Conviene prever el reverso: un montón de recortes muy cortos resulta comparativamente caro por minuto de audio procesado.

  • Multilingüe y sin campo de idioma

    El modelo maneja varios idiomas por su cuenta y no existe un campo para declarar uno, lo que elimina toda una categoría de trabajo previo en un catálogo mezclado: sin pasada de detección antes de la llamada, sin tabla de rutas por idioma y sin reintentos por idioma equivocado. Eso sí, no informa de cuál encontró, de modo que si necesitas esa etiqueta tendrá que salir de tus propios metadatos.

  • Cada línea vuelve tal como se cantó

    SpicyAPI no añade ningún filtro de contenido propio, así que las palabrotas y las letras sin censura se transcriben en lugar de enmascararse o censurarse con un pitido. Para revisión de derechos, colas de moderación y productos de audio sin censura eso es justo lo que importa: una transcripción con agujeros no puede responder a la pregunta para la que se construyeron esos flujos. Los derechos sobre el audio y sobre la transcripción siguen siendo tuyos.

  • Asíncrono, con un límite deliberadamente amplio

    Al enviar recibes una tarea enseguida; la transcripción se lee consultando esa tarea o atendiendo el callback que registraste. El límite es de 3.600 segundos desde la creación hasta el estado terminal, tan amplio porque solo la espera en cola supera con frecuencia los cinco minutos. Por eso un lote de unos cientos de pistas sale de un único worker y se recoge a medida que aterrizan los resultados.

Para quién es HeartMuLa Transcribe

  • Equipos de catálogo y metadatos

    Hacer que un fondo antiguo se pueda buscar por lo que dice

    El texto de la letra convierte un estante de archivos de audio en algo que se puede buscar, etiquetar, cotejar y mostrar. Lo que aquí vuelve asequible la cola larga es el cobro por ejecución: el costo depende del número de pistas y no del tiempo total, así que el cierre de álbum de diez minutos no sale más caro que el interludio que lo precede.

  • Video corto y subtitulado

    Conseguir las palabras antes que los tiempos

    Los subtítulos sobre una base musical necesitan primero las líneas y después los tiempos. Este endpoint te da el texto; los tiempos salen de una pasada de alineación forzada contra el mismo audio, porque la salida no trae tiempos por línea, ni valores de confianza, ni segmentación. Ese reparto conviene diseñarlo desde el principio en vez de descubrirlo en el paso de subtitulado.

  • Confianza, seguridad y revisión de derechos

    Leer lo que una pista dice de verdad antes de publicarla

    Quien decide sobre una etiqueta de clasificación por edad o sobre una reclamación de derechos necesita las palabras, no un resumen ni una versión censurada. Como no se aplica ningún filtro de plataforma, la transcripción refleja la grabación, y esa es la única forma en que resulta útil para esa decisión. Lo que la transcripción no hace es decirte quién tiene los derechos: esa comprobación sigue siendo tuya.

  • Productos de audio sin censura

    Un paso de transcripción que no rechaza el material

    Catálogos que un proveedor general rebotaría aquí se transcriben tal como se grabaron. Así la búsqueda, el etiquetado y las funciones de accesibilidad siguen funcionando sobre el mismo contenido que el resto del producto, en vez de dejar una sección de la biblioteca sin texto alguno. La responsabilidad sobre el material de origen y sus derechos queda en quien llama.

Cómo llamar a la API de HeartMuLa Transcribe

  1. Apunta audio_url al archivo, no a una página que hable de él

    La URL tiene que responder con los datos de audio. Un enlace firmado con caducidad sirve mientras siga vigente. Una página de reproducción, un enlace para compartir o cualquier dirección que responda HTML falla como material inválido antes de transcribir una sola línea. Si no lo tienes claro, pide la URL tú mismo una vez y mira qué llega.

  2. Envía el único campo con un Idempotency-Key

    El cuerpo lleva audio_url y nada más. Guarda el identificador de tarea que recibes y manda un Idempotency-Key en la solicitud: la clave vale 24 horas, así que un reintento tras una conexión cortada cae en la misma tarea en vez de crear una segunda que se cobra aparte.

  3. Consulta o recibe el callback, con esperas cercanas al límite

    El endpoint es asíncrono. Consulta con intervalos crecientes o registra una URL de callback y quítate el bucle de encima. Deja margen hasta el límite de 3.600 segundos: la espera en cola pasa de cinco minutos con frecuencia, y un tiempo de espera de uno o dos minutos en tu cliente hace que una ejecución sana parezca muerta.

  4. Lee el texto de la tarea y cópialo a un sitio tuyo

    La transcripción llega como texto en el resultado, así que no hay nada que descargar ni aparece nada en el almacenamiento de medios. Se borra al mismo ritmo que los prompts, de modo que la copia duradera es la tuya y no la nuestra. Escríbela junto al identificador de la pista en el momento en que la tarea alcanza un estado terminal.

  5. Filtra el lote antes de lanzarlo

    Una pista instrumental devuelve poco o nada, y esa ejecución igualmente alcanzó un estado terminal correcto, así que se cobra como cualquier otra. Comprobar la presencia de voz antes de un lote grande se paga solo, porque un recorte de seis segundos cuesta lo mismo que un tema de seis minutos. Mantén el audio a la escala de una obra: varias pistas pegadas en un archivo vuelven como un único bloque de texto continuo.

Ejemplos reales de HeartMuLa Transcribe

  • Una pista suelta desde almacenamiento público

    La llamada mínima que funciona: una clave y una URL que responde con audio. No se acepta nada más y nada más hace falta. La respuesta es un registro de tarea; la letra llega en el resultado de esa tarea en cuanto alcanza un estado terminal.

    {"audio_url": "https://files.example.com/masters/track-07.mp3"}

  • Un archivo privado detrás de un enlace firmado

    El material que no es público funciona mientras el enlace resuelva al audio durante su vigencia. Dale a la firma vida suficiente para cubrir la espera en cola, que pasa de cinco minutos con frecuencia, y no solo los segundos de una descarga directa.

    {"audio_url": "https://storage.example.com/takes/session-04.wav?X-Amz-Expires=3600&X-Amz-Signature=2f9c1a"}

  • Una pasada de fondo antiguo sobre una lista de trabajo

    Como una solicitud es un solo campo, un lote es un bucle sobre una lista de URL con un Idempotency-Key por fila. Cada fila se liquida por su cuenta, así que una fila fallida se reintenta sin repetir el conjunto, y el costo de toda la pasada es el número de filas por el precio de una transcripción, no la duración acumulada del catálogo.

Preguntas sobre la API de HeartMuLa Transcribe

Trátalo como un servicio de texto al que da la casualidad de que se le manda audio, y no como un endpoint multimedia al que da la casualidad de que devuelve palabras. Todas las diferencias que pesan aguas abajo salen de ahí: tu cliente lee un campo en vez de recoger un archivo, tu plan de almacenamiento tiene que incluir la transcripción porque el nuestro no la guarda mucho, y subtitular exige una pasada de alineación que pones tú. Aguas arriba lo único que controlas es la URL, así que el trabajo que de verdad mejora el resultado es asegurarte de que resuelve al audio y de que en ese audio hay alguien cantando.

Comparativas relacionadas

HeartMuLa Transcribe vs Grok STT