Multimodal Transkrip

Advanced multimodal transcription API that extracts text, emotions, and visual context from videos

原始信息汇总

数据集概述：Multimodal Transkrip

这是一个高级多模态转录API，能够提取文本、情感和视觉上下文信息。

核心功能

• 多模态分析：通过单一API处理图像、音频和视频，返回详细、可读的分析结果。
• 端点：
  • POST /v1/analyze/image：描述/检测图像中的物体、文本和上下文。
  • POST /v1/analyze/audio：转录音频内容、总结语气和显著声音。
  • POST /v1/analyze/video：逐场景描述视频内容。
  • POST /v1/analyze/multimodal：在单个请求中组合图像、音频和视频，进行统一分析。
  • GET /health：检查服务状态。
• 可定制分析：所有分析端点支持可选的 prompt 字段，用于指定分析重点（例如“仅关注可见文本”或“总结情感基调”）。
• 字幕格式输出：为 /v1/analyze/video 或 /v1/analyze/multimodal 添加 format=srt 参数，可获得带时间戳的字幕格式分析，适用于场景索引、无障碍字幕或审核日志。

技术规格与限制

• 文件大小：图像最大50MB，音频/视频最大2GB。
• 时长限制：视频最长60分钟，音频最长150分钟（可根据需求配置更高限制）。
• 错误处理：服务器端自动重试瞬态错误（如AI后端过载），减少客户端重试需求。
• 计费方式：基于实际媒体大小/时长按使用量计费，响应中包含 X-RapidAPI-Billing 头部。

适用场景

内容审核流水线、无障碍工具、视频索引/搜索、用户生成内容的市场研究、自动化媒体编目。

提供者信息

• 创作者：Umar Syafiq
• 类别：视觉识别（Visual Recognition）
• 订阅者数：1