Amazon Transcribe returnerar nu en ljudfils transkription med ett enda anrop
AWS:s nya API TranscribeAudio tar emot en färdig ljudfil på högst en timme och returnerar transkriptionen i samma svar, utan att ett batchjobb behöver bevakas. Priset är 0,0070 dollar per ljudminut.
Amazon Web Services (AWS) presenterade den 20 november det synkrona API:et TranscribeAudio för sin taligenkänningstjänst Transcribe. Synkront innebär att appen skickar en begäran och får resultatet i svaret på samma anrop.
Hittills har Transcribe haft två sätt att transkribera. Vid batchtranskribering startar appen ett transkriptionsjobb och frågar efter dess status tills jobbet är klart. I kodexemplen i AWS:s dokumentation kontrolleras statusen i en loop med 5–10 sekunders mellanrum. Vid strömning håller appen en HTTP/2- eller WebSocket-anslutning öppen. Texten kommer som delresultat som fortfarande kan ändras medan talet pågår. Det nya API:et kräver varken att ett jobb startas, att statusen bevakas eller att anslutningen hanteras, uppger AWS.
API:et ersätter inte strömning. Det tar emot en färdig ljudfil, så ingen text skapas medan någon talar. Som användningsområden nämner AWS röstassistenter, verktyg som stöttar kundtjänstpersonal och funktioner där användaren ber om transkribering av ett enskilt klipp. Enligt företaget är transkriptionerna lika exakta som vid batchtranskribering, men det redovisar inga jämförelsesiffror.
API:et stöder tidsstämplar per ord, språkidentifiering, talarseparering och kanalidentifiering för högst två kanaler. Det formaterar också tal, datum, penningbelopp och telefonnummer. Anpassad vokabulär och ordfilter kan anges direkt i begäran utan ett separat förberedelsesteg.
Ljudet kan skickas med i begäran (högst 25 MB) eller hämtas från lagringstjänsten Amazon S3 (högst 500 MB). Inspelningen kan vara mellan en halv sekund och en timme lång. Filformaten är desamma som vid batchtranskribering: WAV, MP3, FLAC, M4A, MP4, Ogg, WebM och AMR. Transkriptionen kan fås i svaret eller sparas i S3.
Priset är 0,0070 dollar per ljudminut, och AWS debiterar per sekund. I priset ingår talarseparering, språkidentifiering, anpassad vokabulär och kanalidentifiering. Tvåkanaligt ljud debiteras en gång efter filens längd. Maskering av personuppgifter kostar extra.
De språk som stöds är engelska, spanska, franska, italienska, tyska, japanska, portugisiska, koreanska och kinesiska. Finska saknas, trots att språket finns med bland strömnings-API:ets språkkoder. I Europa fungerar API:et i regionerna Irland, London och Frankfurt. Dessutom fungerar det i USA i regionerna Norra Virginia, Ohio och Oregon, i regionen Kanada Central, i regionerna Mumbai, Singapore, Sydney, Tokyo och Seoul samt i São Paulo. Maskering av personuppgifter saknas bara i São Paulo-regionen.