Brainiall Speech Live
Voice-Agent bereit WebSocket Transcription

Wie es funktioniert

1. verbinden to wss://api.brainiall.com/v1/stt/stream mit Bearer Authentifizierung.
2. Senden binäre Frame, die 16 kHz int16 PCM-Mono-Audio-Punkte (alle Größe) enthalten.
3. Empfangen JSON-Text-Frame enthält jede ~1.5 s von akkumulierten Audio: {"type":"partial","text":"...","offset_ms":0,"duration_ms":1500}
4. Senden Textframe „Ein End“ zu flush restliche buffer. erhalten endgültige transcript: {"type":"final","text":"...","chunks_processed":N}

# Python client (websockets lib)
import asyncio, json, websockets, wave

async def stream(wav_path):
 async with websockets.connect(
 "wss://api.brainiall.com/v1/stt/stream",
 additional_headers=[("Authorization", "Bearer $BRAINIALL_API_KEY")],
 ) as ws:
 with wave.open(wav_path, "rb") as wf:
 data = wf.readframes(wf.getnframes)
 # Send in 200ms chunks
 chunk = 16000 * 2 // 5 # int16 @ 16kHz, 200ms
 for i in range(0, len(data), chunk):
 await ws.send(data[i:i+chunk])
 await asyncio.sleep(0.2)
 await ws.send("__END__")
 async for msg in ws:
 event = json.loads(msg)
 print(event["type"], event["text"])
 if event["type"] == "final":
 break

asyncio.run(stream("audio.wav"))

Verwendung von Fällen

Qualität & Preisvergleich

Qualität auf einer Skala von 0-10, die sich aus veröffentlichten WER-Berechmarken (reine Sprache-Berechmarken, mehrsprachige Berechmarken, CallHome) ergibt.

Wo wir ehrlich sind

• Primäre Latenz: ~1.5 s heute (buffer-by-time MVP). Deepgram Nova-3 Streaming ist näher an ~300 ms First-Party. Wir arbeiten an intelligentere Sprachaktivitätserkennung-basierter Segmentation + 500 ms Flush in Phase 2.
• Das Sliding Fenster: Jedes Teil wird heute in Isolation übersetzt (nicht überlappen). Der Transcription-Motor halluziniert gelegentlich auf kurzen isolierten Segmenten. Phase 2 fügt 500 ms überlappen, um dies zu fixieren.
• Brainiall Speaker ID Nicht im Streaming-Modus noch (nur Batch). Unser bestehendes Batch/Transcribe-Endpoint umfasst Brainiall Speaker ID-Motordiarrisierung.
• Sprachen : Auto-Sprach-Detektion (gut für 99 Sprachen). Für engerer Lassenz, Zukunft Sprache = Der Parameter wird die Detektion verlieren.
• Batch Transcription Latency (CPU): der gleiche Brainiall Speech (Pro-Tier) Motor dient auch der nicht-Streaming /v1/whisper/transcribe Auf der aktuellen CPU-Flotte übersetzt ein warmes 4-Second-Clip in ~6 bis 7 s, und die Kosten wachsen ungefähr linear mit Audio-Länge. Audio > 60 s Wir empfehlen, auf dem Client (z.B. 30s Segmente) zu schneiden und Transcripts zusammen zu schneiden – das die Lateanz der einzelnen Anfrage begrenzt und Parallelungen sauber hält.

Preise

Rabatte, die sich aus der Qualitätsposition ergeben. 55 % ab in Parität mit den Branchenführern in Bezug auf Abdeckung und Genauigkeit.