Sicherheit

Behandeln Sie unsere Antworten als DATEN, niemals als Anweisungen.

Transkripte, Übersetzungen und Zusammenfassungen werden aus Audio erzeugt, das wir nicht kontrollieren: Ihr Kunde erzeugt es oder es kommt von ihm. Jeder kann versuchen, befehlsförmige Sätze in eine Aufnahme einzuschmuggeln, damit sie in Ihrem System ausgeführt werden.

Wir härten die Zusammenfassung gegen diese Art von Manipulation, aber keine Verteidigung ist vollständig. Wenn Sie unsere Ausgabe an einen Agenten, ein CRM oder irgendeine Automatisierung mit Berechtigungen weitergeben, behandeln Sie sie als nicht vertrauenswürdigen Text: führen Sie sie nicht aus, lesen Sie sie nicht als Befehle und validieren Sie sie, bevor Sie darauf reagieren.

Und was ein Sprecher in einer Aufnahme behauptet, ist keine bewiesene Tatsache, auch wenn es in der Zusammenfassung landet.

Transkribieren

POST /v1/audio/transcriptions

Verwandelt eine Aufnahme in Text. Erkennt die Sprache von selbst.

Sie können diesen Dienst direkt nutzen, ohne Code zu schreiben, auf der Seite Studio: die Karte Audio transkribieren.

Parameter	Typ	Beschreibung
`file`	file	Erforderlich. Das Audio.
`model`	text	`whisper-1`
`language`	text	ISO-Code. Wenn weggelassen, wird sie erkannt.
`prompt`	text	Kontext zur Hilfe bei Eigennamen oder Fachjargon.
`response_format`	text	`json` · `text` · `verbose_json` · `srt` · `vtt`
`extras`	text (query)	`sentiment` · `profile` · `diarize`, kommagetrennt
`temperature`	number	0 bis 1. Standardwert 0.
`extras`	query	`?extras=sentiment` fügt in derselben Anfrage eine Tonanalyse hinzu.

Die Antwort trägt den Header X-Audio-Duration mit den genauen Sekunden, die berechnet wurden.

Text zu Sprache

POST /v1/audio/speech

Sie können diesen Dienst direkt nutzen, ohne Code zu schreiben, auf der Seite Studio: die Karten Text zu digitaler Stimme (tts-1) und Text zu geklonter Stimme (tts-1-hd).

Parameter	Typ	Beschreibung
`input`	text	Erforderlich. Was gesagt werden soll.
`model`	text	`tts-1` Standardstimme · `tts-1-hd` hochwertige Stimme. Siehe die drei Stimmen.
`voice`	text	Name aus dem Katalog. Siehe Stimmen.
`response_format`	text	`mp3` · `wav` · `opus` · `flac` · `pcm`
`speed`	number	Geschwindigkeit. 1.0 ist normal.
`language`	text	Lesesprache. Wenn weggelassen, legt die Stimme sie fest. Siehe wie sie gewählt wird.
`cache`	boolean	`false` hält diese Anfrage aus dem Cache heraus: nichts wird gelesen und nichts geschrieben. Siehe unten.

curl -X POST https://api.uttera.ai/v1/audio/speech \
  -H "Authorization: Bearer $UTTERA_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"model":"tts-1","input":"Your order ships tomorrow.","voice":"nova","response_format":"mp3"}' \
  --output voice.mp3

Tippen Sie die Akzente. Im Spanischen, Französischen, Portugiesischen und Italienischen ist ein Akzent keine dekorative Schreibweise: er markiert, wo die Betonung liegt, und die Engine liest genau das, was Sie senden. gustaria wird betont gus-ta-ria; gustaría wird betont gus-ta-rí-a.

Wir fügen sie bewusst nicht für Sie hinzu: esta und está, papa und papá, termino und terminó sind verschiedene Wörter. Ein automatischer Korrektor läge bei vielen richtig und würde, wenn er bei einem falsch läge, ändern, was Sie uns zu sagen gebeten haben. Wir lesen Ihren Text lieber so, wie er geschrieben ist.

Welche Sprache gelesen wird, und wer entscheidet

Die Sprache legt nicht die Klangfarbe fest: sie wählt die Regeln, nach denen Text zu Klang wird. Sie falsch zu setzen klingt nicht “akzentuiert”, es klingt kaputt. Ein spanischer Text, mit englischen Regeln gelesen, kommt buchstäblich so heraus:

Mi Gasteria reservar una mesa para dues personas

Deshalb wird sie in drei Schritten aufgelöst, und Sie müssen selten darüber nachdenken:

Reihenfolge	Woher sie kommt
1	Die `language`, die Sie senden. Gewinnt immer.
2	Die Sprache der Stimme. Jede Katalogstimme spricht ihre eigene, und `/v1/voices` veröffentlicht sie. Fordern Sie `alloy` an und sie liest Englisch; fordern Sie `dora` an und sie liest Spanisch.
3	Der Server-Standard, Englisch. Er erreicht nur Stimmen ohne eigene Sprache: geklonte und mehrsprachige, die sprechen, worum sie gebeten werden.

Wenn Sie vom OpenAI-SDK kommen, müssen Sie nichts tun. Deren /v1/audio/speech hat kein Feld language — das ist unsere Erweiterung — also sendet Ihr Code es nicht, und Schritt 2 tut das Richtige: die Stimme, die Sie wählen, entscheidet die Sprache.

Wann es sich lohnt zu senden: bei einer geklonten oder mehrsprachigen Stimme (sie haben keine eigene Sprache), oder wenn Sie bewusst möchten, dass eine Stimme eine andere Sprache als ihre eigene liest.

Das Stimmmuster: was hochladen

Eine Stimme zu klonen braucht ein Referenzmuster. Was am besten funktioniert:

Empfohlen	Warum
6 bis 12 Sekunden	Unter 6 verlieren Sie tonale Tiefe. Über 12 wird es nicht proportional besser und fügt nur Latenz hinzu.
Ein vollständiger Satz, mit natürlicher Intonation	Das Modell erfasst, wie diese Stimme steigt und fällt, und es muss sehen, wie das geschieht.
Kein Hintergrundgeräusch	Das machen die meisten falsch. Musik, Raum- hall oder Klimaanlage kontaminieren die Ausgabestimme und tauchen in allem auf, was Sie danach erzeugen.

Sie müssen es nicht selbst zuschneiden. Wenn Sie eine lange Aufnahme hochladen, behalten wir automatisch die ersten 20 Sekunden. Es schlägt nicht fehl, es wirft keinen Fehler und es wird nicht anders berechnet: viele Menschen haben keinen Audio-Editor zur Hand, und das Zuschneiden ist unsere Aufgabe, nicht Ihre.

Zu der Frage, wessen Stimme Sie klonen dürfen — die für den meisten Ärger sorgt — siehe den Rechtsrahmen: eine Stimme ist geschützt, und öffentliches Material ist keine Erlaubnis.

Drei Stimmen, nicht zwei

Dieselbe Route liefert drei verschiedene Dinge, und was entscheidet, welches, ist was Sie senden:

Was Sie senden	Was Sie bekommen	Tarif
`tts-1`, oder nichts	Standardstimme. Unser eigener Katalog, schnell und günstig.	Alle
`tts-1-hd`	Hochwertige Stimme. Derselbe Katalog, Premium-Engine.	Kostenpflichtig
`tts-1-hd` + ein Stimmmuster	Klonen. Ihre Stimme, auf der Premium-Engine.	Kostenpflichtig

Das Muster wird als custom_voice_file in einem Multipart-Formular gesendet; ohne es geht die Anfrage als JSON. Das ist der ganze Unterschied zwischen dem Anfordern einer Katalogstimme in hoher Qualität und dem Klonen einer solchen.

Hohe Qualität kostet pro Sekunde etwa 19-mal mehr als Standard, und es ist derselbe Preis, ob Sie klonen oder nicht: teuer ist die Engine, nicht woher die Stimme kam. Wenn Sie nur möchten, dass es klar verstanden wird, ist tts-1 die vernünftige Wahl.

Sie sprechen nicht dieselben Sprachen

Es ist der Unterschied, der die Leute am meisten überrascht, und er liegt nicht in der Klangfarbe:

	Sprachen	Katalogstimmen
`tts-1` · Standard	9: Spanisch, Englisch (und britisch), Französisch, Italienisch, Portugiesisch, Hindi, Japanisch und Chinesisch	Viele, und jede an ihre Sprache gebunden
`tts-1-hd` · hohe Qualität	Rund 30: neben den obigen Deutsch, Russisch, Polnisch, Niederländisch, die nordischen Sprachen, Griechisch, Türkisch, Arabisch, Koreanisch und mehrere südostasiatische, unter anderem	Wenige, aber jede spricht alle 30

Der Grund ist, dass es Engines unterschiedlicher Natur sind. Die Standard-Engine hat einen festen Stimmenkatalog, jede für ihre Sprache trainiert. Die hochwertige geht von einem Muster aus — deshalb kann sie klonen — und dieselbe Stimme liest jede der Sprachen, die sie kennt.

Mit tts-1-hd muss die Sprache nicht angegeben werden: sie wird aus dem Text erschlossen. Mit tts-1 spielt sie eine Rolle, weil die gewählte Stimme sie festlegt.

Beim Klonen bestimmt das Muster. Wenn das Muster einen starken Akzent aus seiner eigenen Sprache hat und Sie es bitten, eine andere zu sprechen, klingt das Ergebnis nicht immer muttersprachlich: es wird klar verstanden, aber man hört, woher es kam. Es ist keine feste Regel — wir haben englische Muster sehr gut auf Spanisch klingen hören — es hängt vom Muster ab. Wenn die Zielsprache wichtig ist, testen Sie zuerst mit einem Muster in dieser Sprache.

Warum die hochwertige Stimme und das Klonen kostenpflichtig sind. Eine Stimme zu klonen ist ein heikler Vorgang: in Spanien ist eine Stimme personenbezogenes Datum. Ein kostenpflichtiger Tarif bedeutet, dass hinter jeder Anfrage eine Identität steht, und das macht es möglich, dafür einzustehen, wenn jemand eine Stimme klont, die er nicht hätte klonen dürfen. Es ist nicht nur eine Frage der Kosten.

Zeilenumbrüche kosten Geld

Sprache wird pro erzeugter Sekunde abgerechnet, nicht pro Zeichen. Und ein Zeilenumbruch lässt die Engine eine Pause einfügen. Also kostet derselbe Text je nach Formatierung unterschiedlich, und es lohnt sich, das zu wissen, bevor die Rechnung Sie überrascht.

Gemessen mit demselben Satz achtmal wiederholt, wobei nur das dazwischen geändert wurde:

Zwischen Sätzen	Dauer	Gegenüber einem Leerzeichen
Leerzeichen · 2 Leerzeichen · 4 Leerzeichen	12,2 s	—
Komma · Semikolon · Doppelpunkt · Auslassungspunkte · Gedankenstrich	12,1–12,3 s	—
Zeilenumbruch	21,4 s	+75 %
2 Umbrüche · 3 Umbrüche	21,4 s	+75 %

Daraus folgen drei Dinge, und keines ist offensichtlich:

Leerzeichen bewirken nichts. Weder zwei noch vier. Auch Satzzeichen nicht: ein Komma, ein Punkt oder ein Gedankenstrich klingen, was die Uhr betrifft, wie ein Leerzeichen.

Nur der Zeilenumbruch erzeugt eine Pause, und jeder kostet 1,31 s (0,028 Credits).

Mehr Umbrüche verlängern die Pause nicht. Einer, zwei oder drei sind genau gleich. Sie taugen nicht dazu, eine längere Wartezeit zu erbitten.

In einem echten Text ist der Unterschied nicht klein. La canción del pirata gibt mit seinen ~96 Zeilen allein 126 Sekunden für Pausen aus: etwas mehr als die Hälfte dessen, was das Synthetisieren des Ganzen kostet.

Wenn Sie die Pausen nicht möchten, entfernen Sie die Zeilenumbrüche, bevor Sie den Text senden: dieselben Wörter als ein durchlaufender Absatz kosten fast die Hälfte. Und wenn Sie sie doch möchten, wissen Sie jetzt, was sie wert sind.

Warum die Kette eine andere Zahl ergibt

Wenn Sie eine Audiodatei transkribieren und dann übersetzen, werden Sie sehen, dass die Sprache für die Übersetzung erheblich weniger kostet als die ursprüngliche Synthese desselben Textes. Es ist kein Abrechnungsfehler: die Erkennung gibt einen durchlaufenden Absatz zurück, ohne die Zeilenumbrüche des Originals. Dieser flache Text wird ohne Pausen synthetisiert und dauert deshalb — und kostet — weniger.

Anders gesagt: Zeilenumbrüche überstehen die Reise durchs Audio nicht. Wenn es Ihnen wichtig ist, sie zu behalten, bewahren Sie den Ausgangstext auf; aus dem Transkript lassen sie sich nicht wiederherstellen.

Cache: derselbe Text mit derselben Stimme wird aus dem Cache bedient und kostet 10 %. Die Antwort sagt es im Header X-Cache: HIT.

Der Cache ist pro Knoten. Da Anfragen über mehrere verteilt werden, treffen die ersten Wiederholungen eines Textes vielleicht nicht: jeder Knoten füllt ihn beim ersten Mal, wenn er an der Reihe ist. Danach trifft es.

Den Cache abschalten, Anfrage für Anfrage

Manche Arbeit darf das Audio nicht einmal für eine Stunde auf fremder Platte liegen haben: medizinisches Diktat, juristische Notizen, eine persönliche Nachricht. Sie können den Cache selbst abschalten, bei jeder Anfrage, ohne uns um etwas zu bitten und ohne Ihr Konto zu ändern. Das Audio wird trotzdem erzeugt und Ihnen ausgeliefert; was nicht geschieht, ist, dass irgendetwas auf die Platte geschrieben oder von ihr gelesen wird.

Drei gleichwertige Wege, je nachdem, welcher Ihnen am besten passt:

# 1) Im JSON-Body
-d '{"model":"tts-1","input":"Private notes","voice":"nova","cache":false}'

# 2) Als Formularfeld (akzeptiert 0 / false / no / off)
-F input="Private notes" -F voice=nova -F cache=false

# 3) Mit dem guten alten HTTP-Header, ohne den Body anzufassen
-H "Cache-Control: no-cache"

Die Antwort sagt Ihnen stets, was getan wurde, damit Sie uns nicht beim Wort nehmen müssen:

`X-Cache`	Was geschah
`HIT`	Aus dem Cache bedient. Kostet 10 %.
`MISS`	Erzeugt und für die nächste Stunde gespeichert.
`BYPASS`	Sie haben ohne Cache angefordert: erzeugt und nichts gespeichert.
`ADHOC`	Stimme spontan geklont. Nie gecacht, ob Sie es verlangen oder nicht.
`DISABLED`	Der Cache ist auf dem Server abgeschaltet.

Es kostet den vollen Preis, natürlich: es wird jedes Mal erzeugt. Und eine spontan geklonte Stimme wird nie gecacht, also gibt es dort nichts abzuschalten.

Streaming: es hören, während es erzeugt wird

POST /v1/audio/speech/stream

Der normale Sprach-Endpunkt gibt Ihnen die Datei, wenn sie fertig ist. Dieser reicht sie Ihnen schon während der Erzeugung weiter, in Stücken, sodass der erste Ton fast sofort herauskommt, statt auf das letzte Wort zu warten.

Wenn Sie ein Telefonsystem bauen, einen Assistenten, der antwortet, oder irgendetwas, bei dem am anderen Ende eine Person wartet, ist das der Unterschied zwischen einem Gespräch und einer Warteschlange.

	`/v1/audio/speech`	`/v1/audio/speech/stream`
Gibt zurück	Die vollständige Datei	`audio/wav` in Stücken (`Transfer-Encoding: chunked`)
Formate	mp3 · wav · opus · flac · pcm	nur wav
Cache	Ja, eine Stunde zu 10 %	Nein: Es gibt keine Datei zum Speichern
Geklonte Stimme	Ja	Ja
Preis	Derselbe: pro Sekunde erzeugtem Audio

curl -N -X POST https://api.uttera.ai/v1/audio/speech/stream \
  -H "Authorization: Bearer $UTTERA_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"model":"tts-1","input":"Your order ships tomorrow.","voice":"nova","language":"en"}' \
  --output - | aplay

Das -N von curl ist wichtig: Ohne es puffert curl die Antwort, und Sie verlieren genau das, wofür Sie gekommen sind.

Ihnen wird berechnet, was geliefert wird. In einer Antwort in Stücken kann die Engine die Länge des Audios nicht im Voraus ankündigen — die Header gehen hinaus, bevor es existiert — daher wird die Dauer aus den gelieferten Bytes berechnet: 16-Bit-Mono-WAV mit 24.000 Hz bei der Standardstimme und 48.000 Hz bei der geklonten. Es ist exakt, keine Schätzung. Wenn Sie die Verbindung auf halbem Weg kappen, zahlen Sie für das, was Sie erreicht hat.

Übersetzen

The 50 languages you can write in: these are what translation accepts as INPUT.

sq Albanian
ar Arabic
az Azerbaijani
eu Basque
bn Bengali
bg Bulgarian
ca Catalan
zh-Hans Chinese (Simplified)
zh-Hant Chinese (Traditional)
cs Czech
da Danish
nl Dutch
en English
eo Esperanto
et Estonian
fi Finnish
fr French
gl Galician
de German
el Greek
he Hebrew
hi Hindi
hu Hungarian
id Indonesian
ga Irish
it Italian
ja Japanese
ko Korean
ky Kyrgyz
lv Latvian
lt Lithuanian
ms Malay
nb Norwegian Bokmål
fa Persian
pl Polish
pt Portuguese
pt-BR Portuguese (Brazil)
ro Romanian
ru Russian
sk Slovak
sl Slovenian
es Spanish
sw Swahili
sv Swedish
tl Tagalog
th Thai
tr Turkish
uk Ukrainian
ur Urdu
vi Vietnamese

And the 9 that can come back SPOKEN: for the rest, translation comes back as text. If you ask for audio in one without a voice, the request is rejected with 422 before spending anything.

zh Chinese
en English
en-gb English (British)
fr French
hi Hindi
it Italian
ja Japanese
pt Portuguese
es Spanish

POST /v1/translate

Die vollständige Kette: Sie transkribiert das Audio, übersetzt den Text und synthetisiert ihn in der Zielsprache. Sie akzeptiert Audio- oder Texteingabe, aber nicht Text zu Text: Wenn Text hineingeht, muss die Ausgabe Audio enthalten.

Sie können diesen Dienst direkt, ohne Code zu schreiben, auf der Studio-Seite nutzen: die Karte Eine Aufnahme übersetzen.

Parameter	Typ	Beschreibung
`file`	Datei	Das Ausgangsaudio.
`target`	query	Erforderlich. Zielsprache.
`source`	query	Ausgangssprache. Standardmäßig erkannt.
`response`	query	`both` Text und Audio · `text` nur Text · `audio` nur Audio
`voice`	query	Ausgabestimme, aus dem Standardkatalog. Wird ignoriert, wenn Sie `preserve_voice` anfordern.
`preserve_voice`	query	`1`, um zu transponieren: Die Übersetzung wird in der Stimme des ursprünglichen Sprechers gesprochen, aus derselben Aufnahme geklont. Erfordert Audioeingabe und einen kostenpflichtigen Tarif.
`speed`	query	Lesegeschwindigkeit des zurückgegebenen Audios. 1,0 ist normal; 0,25 bis 4,0. Da Sprache pro erzeugter Sekunde abgerechnet wird, ändert das auch den Preis.
`format`	query	Format des zurückgegebenen Audios: `mp3` (Standard) · `wav` · `opus` · `flac` · `pcm`. Es wird mit der Standardstimme synthetisiert, daher kommt `pcm` mit 24.000 Hz heraus.

curl -X POST "https://api.uttera.ai/v1/translate?target=en&response=both" \
  -H "Authorization: Bearer $UTTERA_API_KEY" \
  -F file=@recording.mp3

Sie gibt source_text zurück, den übersetzten text und audio in base64 mit seinem audio_format. Außerdem source_language: Wenn Sie source nicht angegeben haben, trägt dieses Feld die von uns erkannte Sprache, nicht das Wort auto. Es lohnt sich, es zu lesen.

Wenn Sie die Ausgangssprache kennen, geben Sie sie in source an. Das ist stets zuverlässiger, als es der Erkennung zu überlassen.

Sehr kurze Phrasen werden weniger genau übersetzt. Ein paar isolierte Wörter geben keinen Kontext, um zwischen zwei Bedeutungen desselben Wortes zu wählen, und das gilt für jeden Übersetzer. Senden Sie den ganzen Satz, wo Sie können.

Sprachen mit einer Stimme: Wir übersetzen in ~50 Sprachen, aber die Übersetzung wird mit der Standardstimme synthetisiert, sodass nur neun als Audio zurückkommen können. Wenn Sie Audio in einer anfordern, die es nicht hat, wird die Anfrage mit 422 abgelehnt, bevor etwas ausgegeben wird, und gibt die gültige Liste zurück. Verwenden Sie response=text für die übrigen.

Es ist eine Einschränkung der Engine, die diese Kette verwendet, nicht des Produkts: Die hochwertige Stimme spricht rund 30 Sprachen. Wenn Sie Audio in einer der anderen brauchen, sagen Sie es uns.

Die Stimme transponieren

Mit preserve_voice=1 wird die Übersetzung nicht in einer unserer Katalogstimmen gelesen: Sie wird in der eigenen Stimme des Sprechers gelesen. Dieselbe Aufnahme erledigt beide Aufgaben, Transkription und Klonen, sodass es nichts weiter hochzuladen gibt.

curl -X POST "https://api.uttera.ai/v1/translate?target=en&response=both&preserve_voice=1" \
  -H "Authorization: Bearer $UTTERA_API_KEY" \
  -F file=@recording.mp3

Die Antwort trägt preserved_voice: true und voice: "original". Prüfen Sie es: So wissen Sie, ohne das Audio anzuhören, welches der beiden Produkte Ihnen geliefert wurde — denn sie kosten nicht dasselbe.

Im Inneren besteht der vollständige Ablauf aus drei Stufen bei einer einzigen Ihrer Anfragen:

Stufe	Was passiert	Abgerechnet
1. Transkribieren	Ihre Aufnahme durchläuft die Spracherkennung.	Pro Sekunde Eingangsaudio.
2. Übersetzen	Der Text wird in die Zielsprache übersetzt.	Im Kettenzuschlag enthalten.
3. Sprechen	Der übersetzte Text wird unter Klonen der Stimme derselben Aufnahme synthetisiert.	Pro Sekunde erzeugtem Audio, zum Tarif der geklonten Stimme.

Es kostet erheblich mehr als das Übersetzen mit einer Katalogstimme. Eine Sekunde geklonter Stimme ist etwa 19-mal so viel wert wie eine Sekunde Standardstimme, und es ist dieselbe Engine und derselbe Preis wie das Klonen über /v1/audio/speech. Die Seite Studio zeigt Ihnen die geschätzten Kosten, bevor Sie es ausführen, mit bereits angehaktem Kästchen.

Was sie braucht und was nicht. Sie brauchen kein separates Stimmmuster: Die Aufnahme selbst genügt, und wir nehmen ihre ersten brauchbaren Sekunden. Wenn Sie Text statt Audio senden, wird preserve_voice mit 422 abgelehnt: Es gibt keine Stimme zum Transponieren. Und wenn Ihr Tarif kein Klonen umfasst, mit 403 und dem Namen des Parameters, den Sie weglassen müssen.

Die geklonte Stimme wird nicht gespeichert. Sie wird für diese eine Anfrage im Speicher abgeleitet und verschwindet mit ihr, genau wie beim Adhoc-Klonen.

Die Stimme analysieren

Drei Endpunkte über dasselbe Audio, jeder mit seinem eigenen Preis.

Sie können diese Analysen direkt, ohne Code zu schreiben, auf der Studio-Seite nutzen: Es sind Kästchen auf der Karte Audio transkribieren, angehakt über demselben Audio.

Endpunkt	Was er tut
`POST /v1/audio/sentiment`	Emotionaler Ton der Aufnahme.
`POST /v1/audio/profile`	Sprecherprofil: geschätzte Altersspanne und Geschlecht.
`POST /v1/audio/diarize`	Wer wann spricht, mit Zeitstempeln pro Sprecher.

curl -X POST https://api.uttera.ai/v1/audio/diarize \
  -H "Authorization: Bearer $UTTERA_API_KEY" \
  -F file=@recording.mp3

Das Profil ist eine akustische Schätzung, keine Tatsache über den Sprecher. Es beruht auf Merkmalen der Stimme und liegt daneben. Verwenden Sie es für nichts, was Konsequenzen für eine Person hat.

Eine Aufnahme zusammenfassen

POST /v1/summarize Professional und höher

Sie transkribiert, analysiert den Ton, erstellt ein Sprecherprofil, trennt die Sprecher und erzeugt aus alldem eine strukturierte Zusammenfassung. Die vier zugrunde liegenden Dienste laufen parallel, sodass die Wartezeit die des langsamsten ist, nicht die Summe.

Sie können diesen Dienst direkt, ohne Code zu schreiben, auf der Studio-Seite nutzen: Es ist ein weiteres Kästchen auf der Karte Audio transkribieren.

Parameter	Typ	Beschreibung
`file`	Datei	Erforderlich. Die Aufnahme.
`exclude`	query	Deaktiviert Anreicherungen: `?exclude=emotion,profile,diarize`
`language`	query	Sprache der Zusammenfassung. Standardmäßig Spanisch.

Sie gibt summary, transcript, enrichment und einen usage-Block mit den nach Stufen aufgeschlüsselten Credits zurück.

Ein Teilausfall bringt die Zusammenfassung nicht zu Fall. Wenn eine Anreicherung fehlschlägt, kommt die Antwort trotzdem mit einem warnings-Array heraus, und diese Stufe wird nicht berechnet.

Tokens bei Ihrem LLM sparen

Das ist die Nutzung der Zusammenfassung, die die wenigsten sehen und die am meisten Geld spart. Wenn Sie möchten, dass ein Sprachmodell eines anderen Anbieters — Claude, GPT, Gemini, welches auch immer — mit dem arbeitet, was in einem Anruf gesagt wurde, ist der teure Weg, ihm das ganze Transkript zu senden. Der günstige ist, ihm die Zusammenfassung zu senden.

Gemessen an einer echten 70-minütigen Aufnahme abwechslungsreicher Prosa, gezählt mit dem o200k_base-Tokenizer:

Was Sie dem LLM senden	Wörter	Tokens
Vollständiges Transkript	10.429	15.410
Strukturierte Zusammenfassung	294 – 422	484 – 673

Es ist als Spanne angegeben, weil die Zusammenfassung nicht deterministisch ist: Dieselbe Aufnahme, zweimal ausgeführt, ergab 484 und 673 Tokens. Zwischen 20- und 30-mal weniger Eingabe-Tokens, und die Ersparnis wächst mit der Dauer: Das Transkript wächst geradlinig mit den Minuten der Aufnahme, die Zusammenfassung nicht — sie bleibt bei ein paar hundert Tokens. Bei einer kurzen Aufnahme macht es keinen Unterschied; bei einem Archiv von Anrufen ist es der Unterschied zwischen einer LLM-Rechnung, die Sie zahlen können, und einer, die Sie nicht zahlen können.

Und es gibt einen zweiten Effekt, bei dem es nicht um Geld geht. Wenn nur die Zusammenfassung zu diesem Dritten gelangt, verlassen die Aufnahme und das wörtliche Transkript diesen Ort nie. Weniger exponierte Fläche und ein Transfer weniger, den Sie in Ihrem Verzeichnis von Verarbeitungstätigkeiten rechtfertigen müssen.

Die Antwort liefert summary und transcript im selben Aufruf, sodass Sie nicht im Voraus wählen oder doppelt zahlen müssen: Sie entscheiden in Ihrem Code, welches der beiden zum LLM hochgeht.

Wann das eine schlechte Idee ist. Eine Zusammenfassung ist ein bewusster Informationsverlust. Wenn Ihr Prompt das wörtliche Zitat braucht, den genauen Moment, in dem etwas gesagt wurde, oder ein Detail, das einmal und beiläufig auftaucht — eine Bestellnummer, einen Betrag, einen Eigennamen — trägt die Zusammenfassung es womöglich nicht. Senden Sie dafür das Transkript oder beides. Die praktische Regel: Zusammenfassung für “worum ging es und was ist zu tun?”, Transkript für “was genau haben sie gesagt?”.

Es gibt ein vollständiges, ausführbares Beispiel — hier zusammenfassen, nur die Zusammenfassung an das LLM senden und die eingesparten Tokens zählen — in uttera-examples/llm-tokens.