Modele i API: HeartMuLa

O HeartMuLa

HeartMuLa wnosi na platformę model z wejściem dźwiękowym. To jedyny producent na tej liście, którego zadanie zaczyna się od pliku dźwiękowego, a nie od promptu, obrazu czy fragmentu wideo.

HeartMuLa Transcribe przyjmuje jeden adres URL audio i zwraca zaśpiewany tekst jako ciąg znaków. Jest wielojęzyczny, nie ma opcji do strojenia, a rozliczenie idzie za transkrypcję, nie za sekundę ani za token, więc koszt wywołania znasz, zanim je wykonasz. Wynik jest artefaktem tekstowym, ale przechodzi ten sam cykl życia co obraz albo wideo: tworzysz zadanie, obserwujesz je do stanu końcowego, a potem czytasz wynik.

Sięgaj po niego wtedy, gdy z nagrania potrzebujesz słów. Skoro nie ma parametrów, liczą się tylko przesłany dźwięk i to, jak obchodzisz się ze zwróconym tekstem, więc większość pracy integracyjnej to ścieżka wysyłki i przechowywania, a nie prompt. Jeśli natomiast chcesz dźwięku generowanego razem z obrazem, to zadanie rodzin wideo, których zadania podkładają audio pod kadr.