Pular para o conteúdo principal

HeartMuLa Transcribe API

Sem censura — Este modelo declara não aplicar filtro de conteúdo. A SpicyAPI encaminha a solicitação sem adicionar uma análise de conteúdo da plataforma; as obrigações legais e de consentimento continuam com o cliente.Ver todos os modelos com esse nível de filtragem
heartmula/transcribe/speech-to-text

O HeartMuLa Transcribe é um endpoint de speech-to-text multilíngue ajustado para vocais cantados: envie a URL de um áudio e receba a letra em texto. Não há opções, e não são devolvidos tempos por linha, valores de confiança nem rótulos de falante.

A partir de $0.05/solicitação
Executar modelo

Playground

Entrada

Fala para texto
0/1

Solte um arquivo de áudio aqui ou procure no computador · 1 arquivo · Máx. 90 MB · MP3 · WAV

0 / 1 arquivos
Uma URL que resolve direto para um arquivo de áudio. Páginas que devolvem HTML falham como material inválido. Nenhuma dica de idioma é necessária nem aceita: o modelo é multilíngue e tira isso do próprio áudio. pelo menos 1 caracteres

Verificando sua conta antes de liberar o envio e a estimativa de preço.

Falta 1 campo obrigatório: Áudio de entrada

Saída

Pronto para uma nova execução

O resultado aparecerá aqui.

Configure as entradas, confira a estimativa de preço e execute o modelo.

Modelos relacionados e próximas tarefas

Não encontrou o modelo que precisa?

Conte qual modelo adicionar e para que você vai usá-lo. Os pedidos vão direto para quem decide os próximos modelos.

A letra extraída de uma mixagem pronta e devolvida como texto

O HeartMuLa Transcribe recebe um único campo, uma URL de áudio, e devolve as palavras cantadas naquela gravação como texto na tarefa. Não existe ajuste de idioma, nem opção de marcação de tempo, nem chave para separar vozes: esses campos não existem no esquema. Esta é a única família deste catálogo que encerra uma tarefa com texto em vez de um arquivo de mídia, então nada é gravado no armazenamento de mídia e você não precisa construir nenhuma etapa de download. A cobrança é por transcrição e não por minuto, o que faz uma faixa de seis minutos e um refrão de vinte segundos custarem exatamente o mesmo.

Abrir o Playground
Campos da requisição
Um: audio_url, uma URL que resolve para áudio
Saída
A letra como texto no resultado da tarefa, sem arquivo nem URL de recurso
Cobrança
Por transcrição, independentemente da duração do áudio
Idiomas
Multilíngue; o idioma detectado não é informado
Limite da tarefa
3.600 segundos do envio até o estado terminal
Retenção
Nenhum recurso de mídia; o áudio enviado é apagado após 1 dia
Formato
Um campo obrigatório, e o esquema recusa o restoaudio_url é todo o corpo da requisição: uma string URI não vazia que precisa resolver direto para o áudio. Qualquer outra chave falha na validação em vez de ser descartada em silêncio, então uma execução que devolve transcrição é uma execução que usou exatamente o que você enviou. Não há nada para ajustar entre chamadas e nenhuma planilha de parâmetros para manter em dia conforme a integração cresce.
Saída
Texto na tarefa, não um arquivo em um bucketTodas as outras famílias daqui terminam gravando um arquivo para você buscar. Esta termina na própria tarefa, com a transcrição dentro do resultado. Sem etapa de download, sem nada entrando na janela de retenção de mídia de 14 dias e, no seu cliente, um único ramo que lê um campo de texto onde os outros percorrem uma lista de recursos.
Alvo
Ajustado para uma voz que briga com a mixagemUma linha cantada chega comprimida, dobrada, encharcada de reverb e disputando espaço com instrumentos na mesma faixa de frequência: exatamente o caso para o qual modelos de fala genéricos não foram treinados, e no qual costumam devolver fragmentos. É para isso que este modelo está ajustado. Para uma entrevista ou um podcast, sem mixagem para enfrentar, um modelo genérico de fala para texto é a ferramenta melhor.

O que a API do HeartMuLa Transcribe faz bem

  • Uma requisição que você escreve de cabeça

    Uma chave e um valor de texto. Não há planilha de parâmetros para manter, nem combinação de ajustes capaz de mudar em silêncio o que se pede ao modelo, nem plano de migração para preparar quando a integração crescer. Como o esquema é fechado, um erro de digitação no nome de uma chave volta na hora como requisição inválida, e não como uma transcrição feita com um ajuste que você achava que tinha aplicado.

  • A letra chega na própria tarefa

    O resultado carrega a transcrição diretamente, então não há URL assinada para buscar, nem armazenamento de objetos para alimentar, nem rotina de limpeza para agendar para arquivos baixados. Um pipeline que já lida com tarefas de mídia precisa de um ramo a mais: quando este endpoint termina, leia o campo de texto em vez de percorrer uma lista de recursos e mande direto para onde as suas letras já moram.

  • A duração nunca entra na conta

    A cobrança é por requisição aceita, então a duração do áudio, a taxa de amostragem e a quantidade de texto que de fato sai deixam o valor onde está. Orçar um acúmulo vira uma multiplicação, número de faixas vezes o preço unitário, em vez de uma função do tempo total. Vale prever o outro lado: um monte de trechos muito curtos sai comparativamente caro por minuto de áudio processado.

  • Multilíngue e sem campo de idioma

    O modelo lida com vários idiomas por conta própria e não existe campo para declarar um, o que elimina uma categoria inteira de preparação em um catálogo misturado: sem passada de detecção antes da chamada, sem tabela de roteamento por idioma e sem repetições por idioma errado. Em compensação, ele não informa qual encontrou, então se você precisa dessa etiqueta ela terá que vir dos seus próprios metadados.

  • Cada trecho volta como foi cantado

    A SpicyAPI não acrescenta nenhum filtro de conteúdo próprio, então palavrões e letras sem censura são transcritos em vez de mascarados ou censurados com bipe. Para revisão de direitos, filas de moderação e produtos de áudio sem censura é justamente isso que importa: uma transcrição com buracos não responde à pergunta para a qual esses fluxos foram construídos. Os direitos sobre o áudio e sobre a transcrição continuam sendo seus.

  • Assíncrono, com um limite deliberadamente largo

    O envio devolve uma tarefa na hora; a transcrição é lida consultando essa tarefa ou tratando o callback que você registrou. O limite é de 3.600 segundos da criação até o estado terminal, tão largo porque só a espera na fila passa de cinco minutos com frequência. Por isso um lote de algumas centenas de faixas sai de um único worker e é recolhido conforme os resultados chegam.

Para quem o HeartMuLa Transcribe serve

  • Times de catálogo e metadados

    Tornar um acervo antigo pesquisável pelo que ele diz

    O texto da letra transforma uma prateleira de arquivos de áudio em algo que dá para pesquisar, etiquetar, cruzar e exibir. O que torna a cauda longa viável aqui é a cobrança por execução: o custo depende do número de faixas e não do tempo total, de modo que o fecho de álbum de dez minutos não sai mais caro que o interlúdio que vem antes dele.

  • Vídeo curto e legendagem

    Conseguir as palavras antes do tempo

    Legendas sobre uma base musical precisam primeiro das linhas e só depois do tempo. Este endpoint entrega o texto; os tempos vêm de uma passada de alinhamento forçado contra o mesmo áudio, já que a saída não traz tempo por linha, nem valores de confiança, nem segmentação. Essa divisão é melhor desenhar desde o começo do que descobrir na etapa da legenda.

  • Confiança, segurança e revisão de direitos

    Ler o que uma faixa realmente diz antes de publicar

    Quem decide sobre um rótulo de classificação etária ou sobre uma reivindicação de direitos precisa das palavras, não de um resumo nem de uma versão censurada. Como nenhum filtro de plataforma é aplicado, a transcrição espelha a gravação, e essa é a única forma em que ela serve para essa decisão. O que a transcrição não faz é dizer quem detém os direitos: essa checagem continua com você.

  • Produtos de áudio sem censura

    Uma etapa de transcrição que não recusa o material

    Acervos que um fornecedor genérico devolveria são transcritos aqui como foram gravados. Assim busca, etiquetagem e recursos de acessibilidade seguem funcionando sobre o mesmo conteúdo que o resto do produto, em vez de deixar um trecho da biblioteca sem texto nenhum. A responsabilidade pelo material de origem e por seus direitos permanece com quem chama.

Como chamar a API do HeartMuLa Transcribe

  1. Aponte audio_url para o arquivo, não para uma página sobre ele

    A URL precisa responder com os próprios dados de áudio. Um link assinado com validade serve enquanto estiver válido. Uma página de player, um link de compartilhamento ou qualquer endereço que responda HTML falha como material inválido antes de uma única linha ser transcrita. Na dúvida, busque a URL você mesmo uma vez e veja o que volta.

  2. Envie o único campo com um Idempotency-Key

    O corpo carrega audio_url e mais nada. Guarde o identificador de tarefa que você recebe e mande um Idempotency-Key na requisição: a chave vale 24 horas, então uma nova tentativa depois de uma conexão caída cai na mesma tarefa em vez de criar uma segunda, cobrada à parte.

  3. Consulte ou receba o callback, com tempos de espera perto do limite

    O endpoint é assíncrono. Consulte com intervalos crescentes ou registre uma URL de callback e elimine o laço de vez. Deixe folga até o limite de 3.600 segundos: a espera na fila passa de cinco minutos com frequência, e um tempo de espera de um ou dois minutos no seu cliente faz uma execução perfeitamente saudável parecer morta.

  4. Leia o texto da tarefa e copie para um lugar seu

    A transcrição chega como texto no resultado, então não há nada para baixar e nada aparece no armazenamento de mídia. Ela é apagada no mesmo ritmo dos prompts, ou seja, a cópia duradoura é a sua e não a nossa. Grave-a ao lado do identificador da faixa no momento em que a tarefa alcança um estado terminal.

  5. Peneire o lote antes de rodar

    Uma faixa instrumental devolve pouco ou nada, e essa execução ainda assim alcançou um estado terminal bem-sucedido, então é cobrada como qualquer outra. Checar presença de voz antes de um lote grande se paga rápido, porque um trecho de seis segundos custa o mesmo que uma faixa de seis minutos. Mantenha o áudio na escala de uma obra: várias faixas emendadas em um arquivo voltam como um único bloco de texto contínuo.

Exemplos reais do HeartMuLa Transcribe

  • Uma faixa avulsa em armazenamento público

    A chamada mínima que funciona: uma chave e uma URL que responde com áudio. Nada além disso é aceito e nada além disso é preciso. A resposta é um registro de tarefa; a letra chega no resultado dessa tarefa assim que ela alcança um estado terminal.

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

  • Um arquivo privado atrás de um link assinado

    Material que não é público funciona enquanto o próprio link resolver para o áudio enquanto estiver válido. Dê à assinatura vida suficiente para cobrir a espera na fila, que passa de cinco minutos com frequência, e não apenas os segundos de um download direto.

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

  • Uma rodada de acervo antigo sobre uma lista de trabalho

    Como uma requisição é um campo só, um lote é um laço sobre uma lista de URLs com um Idempotency-Key por linha. Cada linha é liquidada por conta própria, então uma linha que falhou é repetida sem rodar o conjunto de novo, e o custo da rodada inteira é o número de linhas vezes o preço de uma transcrição, não a duração somada do acervo.

Perguntas sobre a API do HeartMuLa Transcribe

Trate isto como um serviço de texto que por acaso recebe áudio, e não como um endpoint de mídia que por acaso devolve palavras. Todas as diferenças que pesam lá na frente saem daí: seu cliente lê um campo em vez de buscar um arquivo, seu plano de armazenamento precisa incluir a transcrição porque o nosso não a guarda por muito tempo, e legendar exige uma passada de alinhamento que você mesmo fornece. Na entrada, a única coisa sob seu controle é a URL, então o trabalho que de fato melhora o resultado é garantir que ela resolva para o áudio e que nesse áudio tenha alguém cantando.

Comparações relacionadas

HeartMuLa Transcribe vs Grok STT