پردازش فایل‌های صوتی با API هوشی: راهنمای جامع رونویسی و تحلیل

هوشی با ارائه API قدرتمند خود، امکان پردازش پیشرفته فایل‌های صوتی را با بهره‌گیری از مدل‌های زبانی مدرن فراهم می‌آورد. این راهنما به شما نشان می‌دهد چگونه با استفاده از مدل‌های پیشرفته هوش مصنوعی از طریق API هوشی، که با استانداردهای OpenAI سازگار است، به رونویسی، تحلیل و استخراج اطلاعات کلیدی از فایل‌های صوتی بپردازید. این قابلیت‌ها به برنامه‌های شما اجازه می‌دهند تا محتوای گفتاری را به طور عمیق درک کنند و برای کاربردهایی نظیر خدمات رونویسی، تحلیل محتوا و اتوماسیون پردازش صوتی ایده‌آل هستند.

قابلیت‌های کلیدی پردازش صوتی در هوشی

• رونویسی دقیق صوت: تبدیل محتوای گفتاری به متن با بالاترین دقت.
• تحلیل محتوای صوتی: شناسایی موضوعات اصلی، احساسات و اطلاعات حیاتی در فایل‌های صوتی.
• پشتیبانی چندزبانه: پردازش فایل‌های صوتی به زبان‌های مختلف.
• پاسخ به پرسش‌ها: امکان پرسیدن سؤالات مرتبط با محتوای صوتی و دریافت پاسخ‌های دقیق.
• دسترسی یکپارچه به API: دسترسی به مدل‌های متنوع از طریق یک رابط کاربری استاندارد و سازگار با OpenAI.

مدل‌های هوش مصنوعی پشتیبانی‌کننده در هوشی

هوشی از طیف گسترده‌ای از مدل‌های پیشرفته برای پردازش صوتی پشتیبانی می‌کند:

• Gemini 2.5 Flash: بهینه‌سازی شده برای سرعت و کارایی هزینه.
• Gemini 2.5 Pro: با قابلیت‌های پیشرفته در استدلال، درک چندوجهی و کدنویسی.
• Gemini 2.0 Flash و Flash Lite: برای پردازش سریع و مقرون‌به‌صرفه.
• Gemini 1.5 Flash و 1.5 Flash 8B: عملکرد همه‌کاره و مناسب برای وظایف با حجم بالا.
• Gemini 1.5 Pro: ایده‌آل برای وظایف پیچیده که نیاز به استدلال عمیق دارند.

این مدل‌ها از فرمت‌های صوتی رایج مانند WAV، MP3، AIFF، AAC، OGG Vorbis و FLAC پشتیبانی می‌کنند.

نحوه استفاده از API هوشی برای پردازش صوتی

برای پردازش فایل‌های صوتی با API هوشی، از روش کدگذاری Base64 استفاده می‌شود. فایل صوتی شما به صورت داده کدگذاری شده به API ارسال می‌گردد.

مثال پیاده‌سازی با پایتون

در زیر نمونه کدی برای پردازش فایل صوتی با استفاده از پایتون آورده شده است. شما می‌توانید با ثبت‌نام در hooshi.net و دریافت کلید API، این قابلیت را در برنامه‌های خود به کار گیرید.

from openai import OpenAI
import base64

# مقداردهی اولیه کلاینت با API هوشی
client = OpenAI(api_key="YOUR_HOOSHI_API_KEY", base_url="https://api.hooshi.net/v1")

# بارگذاری فایل صوتی (از URL یا فایل محلی)
audio_url = "https://example.com/path/to/audio.mp3"
try:
    resp
    file_data = response.content
except Exception as e:
    with open("path/to/your/audio.mp3", "rb") as f:
        file_data = f.read()

# کدگذاری داده صوتی به base64
encoded_file = base64.b64encode(file_data).decode("utf-8")
base64_url = f"data:audio/mp3;base64,{encoded_file}"

# ایجاد درخواست با فایل کدگذاری شده
file_c
    {"type": "text", "text": "این فایل صوتی درمورد چیست؟"},
    {
        "type": "file",
        "file": {
            "file_data": base64_url,
            "format": "audio/mp3" # فرمت فایل را مشخص کنید
        },
    },
]

# ارسال درخواست به مدل
resp
    model="gemini-2.0-flash",
    messages=[{"role": "user", "content": file_content}],
)

print(response.choices[0].message.content)

مثال پیاده‌سازی با جاوااسکریپت

برای توسعه‌دهندگان جاوااسکریپت نیز نمونه کدی مشابه در دسترس است. برای استفاده از این قابلیت، کافیست توکن API خود را از هوشی دریافت کرده و در کد خود قرار دهید.

import { OpenAI } from "openai";
import axios from "axios";
import fs from "fs";

// مقداردهی اولیه کلاینت با API هوشی
const client = new OpenAI({
  apiKey: process.env.HOOSHI_API_KEY,
  baseURL: "https://api.hooshi.net/v1",
});

// تابع دریافت فایل صوتی کدگذاری شده با base64
async function getBase64Audio() {
  const audioUrl = "https://example.com/path/to/audio.mp3";
  try {
    const resp axios.get(audioUrl, { responseType: "arraybuffer" });
    const buffer = Buffer.from(response.data);
    return `data:audio/mp3;base64,${buffer.toString("base64")}`;
  } catch (error) {
    const buffer = fs.readFileSync("path/to/your/audio.mp3");
    return `data:audio/mp3;base64,${buffer.toString("base64")}`;
  }
}

// تابع اصلی پردازش
async function processAudio() {
  const base64Audio = await getBase64Audio();

  const fileC
    { type: "text", text: "این فایل صوتی را تحلیل کن." },
    {
      type: "file",
      file: {
        file_data: base64Audio,
        format: "audio/mp3", // فرمت فایل را مشخص کنید
      },
    },
  ];

  const resp client.chat.completions.create({
    model: "gemini-2.0-flash",
    messages: [{ role: "user", content: fileContent }],
  });

  console.log(response.choices[0].message.content);
}

processAudio();

محدودیت‌ها و ملاحظات

مدل‌های Gemini در هوشی دارای محدودیت‌هایی هستند که باید در نظر گرفته شوند:

• حجم فایل: حداکثر ۱۰ مگابایت برای فایل‌های صوتی.
• مدت زمان: تا ۱۲۰ دقیقه صوت.
• فرمت‌ها: پشتیبانی از فرمت‌های استاندارد صوتی.
• مصرف توکن: متغیر بر اساس طول و پیچیدگی صوت.
• پشتیبانی زبان: دقت متفاوت بسته به زبان.

برای بهره‌مندی کامل از این قابلیت‌ها و ساخت ایجنت کدنویسی سفارشی خود، به بخش مستندات hooshi.net/p/docs مراجعه کنید.

کاربردهای عملی

هوشی امکانات گسترده‌ای برای کاربردهای مختلف فراهم می‌کند:

• رونویسی دقیق: تبدیل خودکار جلسات، مصاحبه‌ها و پادکست‌ها به متن.
• تحلیل احساسات: درک لحن و احساسات بیان شده در مکالمات.
• استخراج اطلاعات کلیدی: شناسایی نام‌ها، تاریخ‌ها، مکان‌ها و سایر داده‌های مهم از صوت.
• ساخت دستیارهای صوتی: توسعه سیستم‌هایی که قادر به درک و پاسخگویی به دستورات صوتی هستند.

با بیلینگ شفاف هوشی، هزینه‌های استفاده از این قابلیت‌ها را به طور کامل درک خواهید کرد.

چرا هوشی؟

هوشی با ارائه یک پلتفرم جامع برای توسعه‌دهندگان و مدیران محصول، امکان دسترسی به قدرتمندترین مدل‌های هوش مصنوعی را فراهم می‌کند. با رابط کاربری ساده، مستندات کامل و قیمت‌گذاری شفاف، هوشی بهترین انتخاب برای پیاده‌سازی راهکارهای هوش مصنوعی در پروژه‌های شماست. برای شروع، به https://hooshi.net/login مراجعه کنید.