Amazon Transcribe palauttaa äänitiedoston litteraatin nyt yhdellä kutsulla
AWS:n uusi TranscribeAudio-rajapinta ottaa vastaan valmiin, enintään tunnin mittaisen äänitiedoston ja palauttaa litteraatin samassa vastauksessa ilman eräajon seurantaa. Hinta on 0,0070 $ äänen minuutilta.
Amazon Web Services (AWS) julkisti 20. marraskuuta Transcribe-puheentunnistuspalveluunsa synkronisen TranscribeAudio-rajapinnan. Synkroninen tarkoittaa, että sovellus lähettää pyynnön ja saa tuloksen saman kutsun vastauksena.
Transcribessa on tähän asti ollut kaksi tapaa litteroida. Eräajossa sovellus käynnistää litterointityön ja kyselee sen tilaa, kunnes työ on valmis. AWS:n ohjeiden koodiesimerkeissä tila tarkistetaan silmukassa 5–10 sekunnin välein. Suoratoistossa sovellus pitää auki HTTP/2- tai WebSocket-yhteyttä. Teksti saapuu osatuloksina, jotka voivat vielä muuttua puheen edetessä. AWS:n mukaan uusi rajapinta ei vaadi työn käynnistämistä, tilan seurantaa eikä yhteyden hallintaa.
Suoratoistoa rajapinta ei korvaa. Sille lähetetään valmis äänitiedosto, joten tekstiä ei synny puhumisen aikana. AWS mainitsee käyttökohteiksi ääniavustajat, asiakaspalvelijoita avustavat työkalut ja toiminnot, joissa käyttäjä pyytää litteroimaan yksittäisen pätkän. Yhtiön mukaan litteraatit ovat yhtä tarkkoja kuin eräajossa, mutta vertailulukuja se ei esitä.
Rajapinta tukee sanakohtaisia aikaleimoja, kielen tunnistusta, puhujaerottelua ja enintään kahden kanavan erottelua. Se myös muotoilee numerot, päivämäärät, rahasummat ja puhelinnumerot. Oman sanaston ja sanasuodattimen voi antaa suoraan pyynnössä ilman erillistä valmisteluvaihetta.
Äänen voi lähettää pyynnön mukana (enintään 25 Mt) tai Amazon S3 -tallennuspalvelusta (enintään 500 Mt). Tallenteen pituus voi olla puolen sekunnin ja tunnin välillä. Tiedostomuodot ovat samat kuin eräajossa: WAV, MP3, FLAC, M4A, MP4, Ogg, WebM ja AMR. Litteraatin saa vastauksena tai S3:een.
Hinta on 0,0070 $ äänen minuutilta, ja AWS laskuttaa sekunnin tarkkuudella. Hintaan sisältyvät puhujaerottelu, kielen tunnistus, oma sanasto ja kanavaerottelu. Kaksikanavainen ääni laskutetaan kerran tiedoston keston mukaan. Henkilötietojen peittäminen maksaa erikseen.
Tuettuja kieliä ovat englanti, espanja, ranska, italia, saksa, japani, portugali, korea ja kiina. Suomi puuttuu, vaikka suoratoistorajapinnan kielikoodeissa se on mukana. Euroopassa rajapinta toimii Irlannin, Lontoon ja Frankfurtin alueilla. Lisäksi se toimii Yhdysvalloissa Pohjois-Virginian, Ohion ja Oregonin alueilla, Kanadan keskisellä alueella, Mumbain, Singaporen, Sydneyn, Tokion ja Soulin alueilla sekä São Paulossa. Henkilötietojen peittäminen puuttuu vain São Paulon alueelta.