Brainiall Speech Live
Voix-agent prêt WebSocket transcription

Comment ça fonctionne

1. Connexion to mss://api.brainiall.com/v1/stt/stream avec l’authentification de l’appareil.
2. Envoyer Frames binaires contenant 16 kHz int16 PCM mono pièces audio (toute taille).
3. Recevoir JSON est un cadre de texte à chaque ~1.5 s d'audio accumulé : {"type":"partial","text":"...","offset_ms":0,"duration_ms":1500}
4. Envoyer Frame de texte « En finir » Résumé : Résumé : Résumé final : Résumé final : {"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"))

Utiliser les cas

Comparaison qualité et prix

Qualité sur une échelle de 0 à 10 dérivée des références WER publiées (marques de référence de langue propre, marques de référence multilingue, CallHome).

Où nous sommes honnêtes

• La latence primaire : ~1.5 s aujourd'hui (buffer-by-time MVP).Deepgram Nova-3 est en streaming plus proche de ~300 ms de première partie.Nous travaillons sur la segmentation basée sur détection d'activité vocale plus intelligente + 500 ms de flush en phase 2.
• La fenêtre Sliding : Chaque partiel est transcrit en isolation aujourd'hui (pas surlap).Le moteur de transcription hallucine occasionnellement sur des segments isolés courts.Phase 2 ajoute 500 ms surlap pour corriger cela.
• Brainiall Speaker ID Non en mode de streaming encore (uniquement batch). Notre endpoint de batch / transcription existant inclut la diarrhisation du moteur Brainiall Speaker ID.
• Les langues : Détection de la langue automatique (bon pour 99 langues). pour une latence plus étroite, l'avenir langue = Le paramètre échappe à la détection.
• La latence de transcription de batch (CPU) : le même moteur Brainiall Speech (Pro tier) sert également le non-streaming /v1/whisper/transcribe sur la flotte actuelle de la CPU, un clip chaud de 4 secondes transcrit dans ~6 à 7 s, et le coût augmente approximativement linéaire avec la longueur audio. Audio > 60 s Nous vous conseillons de chunker sur le client (par exemple, les segments de 30 s) et d'affiner les transcripts ensemble - ce qui maintient la latence de la demande individuelle limitée et les parallèles propres.

prix

Réduction découlant de la qualité. 55 % off parité avec les leaders de l'industrie sur la couverture et l'exactitude.