Brainiall Speech Live
オリジナルタイトル: Voice-agent ready WebSocket transcription

どのように機能するか

1. つながり to wss://api.brainiall.com/v1/stt/ストリーム Bearer 認証
2. 送信 16kHz int16 PCM モノオーディオ パーツ(あらゆるサイズ)を含むバイナリーフレーム。
3. 受信 JSON テキストフレームは、蓄積されたオーディオの 1.5 秒ごとに表示されます。 {"type":"partial","text":"...","offset_ms":0,"duration_ms":1500}
4. 送信 テキストフレーム 「終わり」 残りのバッファーをフラッシュするために. 最終トランスクリプトを受け取る: {"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"))

ケース利用

品質&価格比較

公開されたWER基準(純言語基準、多言語基準、CallHome)から得られた0～10のスケールの品質。

どこで正直

• ファーストパーティーラテンシー: Deepgram Nova-3 ストリーミングは ~300 ms ファーストパーティルに近づいています. シレロ VAD ベースのセグメンテーション + ステージ 2 で 500 ms フラッシュで作業しています。
• スライドウィンドウ: それぞれの部分は今日隔離に翻訳されます(過渡されていません)。過渡エンジンは時々短隔セグメントで幻覚します。
• Brainiall Speaker ID 現在のバッチ/トランスクリブエンドポイントには、Brainall Speaker ID エンジンダイアリズムが含まれています。
• 言語: 自動言語検出(99言語のための良い) より密度の遅延、未来のために 言語= パラメーターは検出を中止します。
• バッチ・トランスクリプション・ラテンシー(CPU): 同じ Brainiall Speech (Pro tier) エンジンも非ストリーミングを提供します。 /v1/whisper/transcribe バッチエンドポイント. 現在のCPU艦隊では、温かい4秒のクリップがトランスクリプト6～7S値段は、オーディオの長さとほぼ線形で増加します。 オーディオ > 60S クライアント(たとえば30セグメント)を振り回し、トランスクリプトを組み合わせることをお勧めします - それは個々のリクエストの遅延を制限し、パラレルをきれいに保ちます。

価格

品質ポジションから引き出される割引 55%割引 業界のリーダーと、カバーと正確さについて平等に。