สวัสดีค่ะคุณสมชายยอดชำระของท่านจำนวน พันสองร้อยห้าสิบ บาทครบกำหนดวันที่ สิบห้า สิงหาคมนี้ชำระผ่านแอปได้ตลอด ยี่สิบสี่ ชั่วโมงค่ะ
按原话
数字、日期和时间按说话人的读法写成文字。适合逐字记录、跟随声音的字幕和训练数据。
注册即得 100 免费积分,无需绑定银行卡。
Paxa STT Lite 转写泰语录音,其他语言按原话转写,单段录音最长 60 分钟,提供词级时间戳,可选口语或书面写法,每分钟 8.33 积分。该模型为研究预览版。评估期间按公布价格销售,其输出和选项可能随版本更新而变化。
一个选项决定数字、日期、时间和重复词的写法。录音始终是同一段,两种写法不同的词已高亮标出。
สวัสดีค่ะคุณสมชายยอดชำระของท่านจำนวน พันสองร้อยห้าสิบ บาทครบกำหนดวันที่ สิบห้า สิงหาคมนี้ชำระผ่านแอปได้ตลอด ยี่สิบสี่ ชั่วโมงค่ะ
数字、日期和时间按说话人的读法写成文字。适合逐字记录、跟随声音的字幕和训练数据。
สวัสดีค่ะคุณสมชายยอดชำระของท่านจำนวน 1,250 บาทครบกำหนดวันที่ 15 สิงหาคมนี้ชำระผ่านแอปได้ตลอด 24 ชั่วโมงค่ะ
数字、单位、日期和重复符号 ๆ 都按泰语的书写习惯呈现。适合会议纪要、笔记、搜索索引,以及任何供读者快速浏览的内容。
六个字段决定转写稿的形态,任何一个都不改变价格。
audio支持 MP3、WAV、FLAC、Ogg、M4A、AAC 或 WebM,最长 60 分钟、最大 25 MiB,以 base64 发送。扣费前会先从文件读取时长。无法读取或超出限制的录音会被拒绝,不收取费用。
language默认自动检测。检测选错语言时,可设为 th 或 en。另一种语言的语音仍会按原话转写。夹杂英语术语的泰语会议无需任何设置。
timestamps设为 word,每个词都会带上以秒为单位的开始和结束时间。上方录音返回了 26 个词段,下方列出最前面几个。泰语词与词之间没有空格,这些时间段本身就是分词结果。
{ "text": "สวัสดี", "start": 0.12, "end": 0.44 },
{ "text": "ค่ะ", "start": 0.52, "end": 0.66 },
{ "text": "คุณ", "start": 1.08, "end": 1.24 },
{ "text": "สมชาย", "start": 1.32, "end": 1.88 },
{ "text": "ยอด", "start": 2.36, "end": 2.56 },
{ "text": "ชำระ", "start": 2.6, "end": 2.879 },
…subtitles设为 srt 或 vtt,响应会包含完整的字幕文件。字幕条目在说话人切换、句末和停顿处断开,再按每行 60 字符、最多两行切分。每次换行都落在词边界上,泰语字幕不会把一个词拆开。
diarization设为 true,响应会为每个发言轮次增加一段,并附上说话人编号,按首次出现的顺序从 0 开始计数。不会识别任何人的身份。同时开启词级时间戳时,每个词都会标明说话人。说话人分段一次读完整段录音,因此该选项要求录音短于 9 分钟。
style默认的 verbatim 会照原样写出语气词和说错重来的部分。clean 会删去这些内容,并把断开的短语合并。clean 读起来更顺,与录音的对应没那么严格。这是可读性上的选择,要求准确就用 verbatim。
vocabulary列出录音中可能出现的术语,最多 50 个,每个不超过 50 字符,并按它们应有的写法拼写,例如产品名、人名、地名和行业术语。词表可与其他所有字段组合使用。
关于泰语的三个事实决定了模型的评估方式,第四条说明如何计分。出处链接附在数字出现的位置。
没有空格
大多数语音基准逐词计算错误。泰语通常不在词与词之间加空格,一个词在哪里结束,取决于分词器。这就是泰语语音识别通常改用字符来衡量的原因。
泰语口语也会走捷径:โรงเรียน 听起来常常更接近 โลงเลียน,ครับ 可能被压缩成 ขับ。转写稿必须还原声音背后的书面词语。
一串数字,两种读法
把 10150 念出来。作为邮政编码,它逐位读出;作为数量,它按数值读出。音频可能清清楚楚,正确的转写却仍取决于上下文。
外来词也带来同样的难题。对同一个借词,泰语作者可能使用不同的公认拼写。计分时必须把真正的识别错误和无害的拼写选择区分开。
英语夹在中间
研究泰国政治演讲的学者发现,演讲者每小时约有 43 次切换到英语。几乎所有切换都发生在分句内部,句与句之间的切换很少。
另一项针对泰国电视节目的研究,在其涵盖的所有节目类型中都发现了同样的模式。切换的往往是单个名词,这正是只按泰语处理时容易丢失的地方。
公平计分
我们计分时不假定空格标记词界,会根据数字的读法对参考文本做归一化,并让英语片段保持在说话人实际切换的位置。
这样,模型只会因为听错而被扣分。另一种合理的分词或拼写不会让它失分。我们只会连同产生准确度的方法一起公布准确度。
# Encode without line wrapping: wrapped base64 breaks the JSON string. AUDIO=$(base64 < meeting.m4a | tr -d '\n') # --max-time covers an hour-long recording; curl defaults to no limit. curl -X POST https://api.paxalabs.com/v1/stt \ --max-time 300 \ -H "Authorization: Bearer $PAXA_API_KEY" \ -H "Content-Type: application/json" \ -d "{\"audio\": \"$AUDIO\", \"model\": \"paxa-stt-lite-v1-preview\"}"
import { readFile } from "node:fs/promises"; const audio = (await readFile("meeting.m4a")).toString("base64"); const response = await fetch("https://api.paxalabs.com/v1/stt", { method: "POST", headers: { Authorization: `Bearer ${process.env.PAXA_API_KEY}`, "Content-Type": "application/json", }, body: JSON.stringify({ audio, model: "paxa-stt-lite-v1-preview" }), // A long recording can run for minutes; give it room. signal: AbortSignal.timeout(300_000), }); if (!response.ok) throw new Error(`Transcription failed: ${response.status}`); const { text, usage } = await response.json(); console.log(text, `${usage.credits} credits`);
import base64 import os import requests with open("meeting.m4a", "rb") as file: audio = base64.b64encode(file.read()).decode() response = requests.post( "https://api.paxalabs.com/v1/stt", headers={"Authorization": f"Bearer {os.environ['PAXA_API_KEY']}"}, json={"audio": audio, "model": "paxa-stt-lite-v1-preview"}, # A long recording can run for minutes; give it room. timeout=300, ) response.raise_for_status() body = response.json() print(body["text"], body["usage"]["credits"], "credits")
{ "text": "สวัสดีค่ะคุณสมชายยอดชำระของท่านจำนวน พันสองร้อยห้าสิบ บาทครบกำหนดวันที่ สิบห้า สิงหาคมนี้ชำระผ่านแอปได้ตลอด ยี่สิบสี่ ชั่วโมงค่ะ", "usage": { "seconds": 11.952, "credits": 1.66 } }
Paxa STT Lite Realtime 在说话的同时转写麦克风或电话线路中的语音,整段对话只用一个保持打开的 WebSocket。它能察觉用户何时开始和停止说话,每个发言轮次交付一份完整的转写稿。智能体无需自己判断一轮在哪里结束。下面是一次会话,按 WebSocket 实际上报的内容呈现:连续播放三段提示,每一轮都自行结束。
สวัสดีค่ะ
0.23 积分ขอบคุณที่ติดต่อบริษัทของเรากด 1 เพื่อติดต่อฝ่ายขายกด 2 ฝ่ายบริการลูกค้าหรือกด 0 เพื่อติดต่อเจ้าหน้าที่ค่ะ
1.84 积分สวัสดีค่ะคุณสมชายยอดชำระของท่านจำนวน 1,250 บาท
1.55 积分ครบกำหนดวันที่ 15 สิงหาคมนี้
0.61 积分ชำระผ่านแอปได้ตลอด 24 ชั่วโมงค่ะ
0.64 积分ขณะนี้อยู่นอกเวลาทำการ
0.81 积分เราเปิดให้บริการวันจันทร์ถึงศุกร์เวลา 9 โมงเช้าถึง 6 โมงเย็น
1.03 积分ฝากข้อความหลังเสียงสัญญาณได้เลยค่ะ
0.51 积分按收到的音频每分钟 12.5 积分,约 $0.01,静音也计入,在对话进行中持续扣费。
实时转写参考按毫秒计费,每次请求最低 0.1 积分。时间戳、写法、语言提示和词表都不改变价格。上方 0:11 的录音花费 1.66 积分。
100 免费积分约可转写 12 分钟。
查看全部价格以泰语为先,其他语言按原话转写,包括在句子中途切换泰语和英语的录音。任何语言的语音都会用该语言写出。
在评估方法一并公布之前,我们不公布任何准确度数字。上方的笔记解释了为什么单纯的词错误率在泰语上会产生误导。您可以在转写工具中试用自己的录音,首批积分免费。
不用。系统先扣费,请求失败时自动退还。因文件无法读取或超出限制而被拒绝的请求,从不扣费。
每次请求最长 60 分钟、最大 25 MiB。更长的内容可以在停顿处切开,分段并行发送。
可以,需要在请求中开启。将 diarization 设为 true,每个轮次都会带上说话人编号,按首次出现的顺序从 0 开始计数。模型从不判断说话人是谁。说话人轮次来自对录音的一次完整读取,要求录音短于 9 分钟,比转写本身支持的 60 分钟更短。摘要不在该模型的功能范围内。
可以。Paxa STT Lite Realtime 通过一个 WebSocket 读取麦克风或电话线路的音频,自行找出轮次边界,每轮交付一份完整的转写稿,按收到的音频每分钟 12.5 积分计费。上面的端点用于您已有的录音,一次性返回完整的转写稿。
录音和转写稿会在不关联账户身份的情况下保留,并用于训练模型。服务条款和隐私政策说明了这一用途。
积分在所有 Paxa API 之间通用:语音、转写、OCR 和翻译都从同一个钱包扣费,使用同一个 API 密钥。
请求失败时,积分会自动退还。如果因连接中断而重新发送同一请求,不会被重复扣费。
转写和语音合成返回的词级时间段结构相同:text、start、end。字幕可以在两个 API 之间往返使用。
POST /v1/audio/transcriptions 接受 whisper-1、gpt-4o-transcribe、gpt-4o-mini-transcribe、gpt-4o-mini-transcribe-2025-03-20、gpt-4o-mini-transcribe-2025-12-15,它们在 paxa-stt-lite-v1-preview 上运行;并支持 verbose_json,返回时长和分段,通过 timestamp_granularities 还可返回词级时间戳。
Paxa STT Lite Realtime(paxa-stt-lite-realtime-v1-preview)通过 WS /v1/stt/live 在说话的同时转写语音,并自行检测每个发言轮次的结束。它为语音智能体而设计:用户开始说话时发出 speech_started,轮次结束时发出 speech_ended 和一份最终的 transcript。输入为 16 位 PCM 或电话 mu-law 音频,POST /v1/stt 的语言提示、风格、写法、词表和词级时间戳在每个连接内固定。价格为按收到的音频每分钟 12.5 积分,静音也计入,在对话进行中持续扣费。
POST /v1/stt 接受 subtitles 参数,取值为 "srt" 或 "vtt",并返回完整文件。字幕条目在说话人切换、句末标点和停顿处断开,再按每行 60 字符、最多两行切分,subtitle_line_chars 可自行设定这个数值。每次换行都落在词边界上,泰语字幕不会把一个词拆开。同样的请求也能从 OpenAI SDK 发起:POST /v1/audio/transcriptions 以文件部分接收录音,可返回 json、text、srt 或 vtt。两者都不额外收费。
Paxa STT Lite(paxa-stt-lite-v1-preview)通过 POST /v1/stt 转写泰语和英语录音,按所说的语言逐字写出。词级时间戳覆盖完整的泰语词。说话人轮次从 0 开始编号。风格可选 verbatim 或 clean,写法可选口语或书面。除非发送语言提示,否则会自动检测语言。最多 50 个术语的词表可与其他所有选项组合使用。价格为每分钟音频 8.33 积分,先扣费,请求失败自动退还。
登录后,用 100 免费积分转写您自己的录音。这些积分约可转写 12 分钟。
免费开始