สร้างงานถอดเสียง — POST /new-transcribe

Personal API key ใช้โควตาบัญชีเดียวกับ editor และเข้าถึงเฉพาะงานของเจ้าของ key บัญชีที่ไม่เปิดใช้งานตอบ 403 โควตาไม่พอตอบ 402 ดูวิธีสร้าง key

สร้างงานถอดเสียงใหม่จาก URL ของไฟล์เสียงหรือวิดีโอ ระบบจะตอบกลับ job_id สำหรับติดตามสถานะ แล้วประมวลผลงานในเบื้องหลัง

POST https://api.lomasub.ai/new-transcribe

Headers

Request Body

URL ที่อนุญาต

ค่าเริ่มต้นอนุญาตเฉพาะ lomafastsrt.sgp1.digitaloceanspaces.com และ lomafastsrt.sgp1.cdn.digitaloceanspaces.com ใช้ URL จาก POST /presigned-url หลังอัปโหลดไฟล์ หรือ URL ของไฟล์ที่อยู่บน hostname เหล่านี้

API และ worker ตรวจสอบ hostname แบบตรงตัวและตรวจว่า IP ที่ DNS ตอบกลับทุกตัวเป็นสาธารณะ ไม่รับ URL ที่มี username/password, IP literal หรือพอร์ตที่ไม่ใช่ HTTP 80 / HTTPS 443 รองรับ redirect สูงสุด 5 ครั้ง โดยปลายทางทุกครั้งต้องผ่านเงื่อนไขเดียวกัน URL ที่ไม่ผ่านนโยบายตอบ 400 พร้อม detail: "source_url destination is not allowed" โดยไม่สร้างงาน ข้อมูล URL ที่ผิดรูปแบบยังตอบ 422

ผู้ดูแลเพิ่ม hostname ได้ผ่าน SOURCE_ALLOWED_HOSTS ใน .env ของ API และ worker ทุกเครื่อง ค่านี้เป็น runtime configuration ไม่ใช่ตัวเลือกใน job config แม้ hostname อยู่ในรายการก็ยังเข้าถึง private/loopback/link-local IP ไม่ได้

worker จำกัดขนาด source ที่ดาวน์โหลดจริงไว้ที่ 1 GiB และความยาวเสียงที่ถอดรหัสจริงไว้ที่ 24 ชั่วโมง ค่า runtime SOURCE_MAX_BYTES และ MEDIA_MAX_DURATION_SECONDS ตั้งใน .env ของ worker ไม่ใช่ job config และไม่ใช้ duration_seconds ที่ client แจ้ง เพื่อผ่านข้อจำกัดนี้ งานที่เกินขีดจำกัดจะล้มเหลวใน SPLITTING ก่อนเรียกโมเดล โดยไม่ตัดเสียงแล้วรับงานต่อ timeout ของแต่ละ stage ยังคงมีผลตามเดิม

โควตาและจำนวนงาน

สำหรับ session และ personal API key ค่า duration_seconds เป็นคำใบ้สำหรับจองโควตาตอนสร้างงาน: งานจอง ความยาว × อัตราของโหมด (อย่างน้อยหนึ่งนาที) หลัง SPLITTING worker ใช้ความยาวเสียงที่ถอดรหัสจริง เพื่อจองโควตาเต็มจำนวนก่อนเริ่มถอดเสียง ถ้าโควตาไม่พอ งานจะเป็น FAILED ใน SPLITTING และคืนการจอง โดยยังไม่เรียกโมเดล /finish คิดค่าเสียงจริงเพียงครั้งเดียว ใช้โควตารายเดือนก่อน แล้วจึงใช้เครดิต (เครดิตติดลบได้ถ้างานสุดท้ายใหญ่กว่ายอด)

แต่ละบัญชีมีแพ็กเกจ — บัญชีใหม่เริ่มเป็น free และได้โควตารายเดือนตามแพ็กเกจ รีเซ็ตทุกเดือน เวลา 00:00 ตามวันครบรอบสมัครบัญชีในเวลาไทย โดยไม่สะสมส่วนที่เหลือ (วันที่ 29–31 ใช้วันสุดท้ายของเดือนที่สั้นกว่า)

1 MB = 1,000,000 bytes ใช้กับไฟล์เสียงที่อัปโหลดจริง ไม่ใช่วิดีโอต้นฉบับใน browser เกินจำนวนงานตอบ 429 พร้อม Retry-After เสียงเกินเวลาตอบ 422 ไฟล์ใหญ่เกินตอบ 413 โควตาไม่พอตอบ 402 พร้อม detail ภาษาไทยที่บอกยอดคงเหลือทั้งสองส่วนและเวลารีเซ็ตครั้งถัดไป worker ใช้ขีดจำกัดที่ต่ำกว่าระหว่างแพ็กเกจกับ runtime limit และตรวจขนาด/เวลาเสียงจริงก่อนเรียกโมเดล การจองคงอยู่จนงานเป็น READY หรือ FAILED แม้งานจะเกิน 24 ชั่วโมงหรือ lease หมดอายุ อัปเกรดแพ็กเกจแล้วโควตารายเดือนเพิ่มเป็นของแพ็กเกจใหม่ทันที ดาวน์เกรดมีผลกับยอดในรอบรีเซ็ตถัดไป เมื่อจำนวนงานเดิมเกินแพ็กเกจใหม่ จะรับงานใหม่ไม่ได้จนจำนวนลดลง โดยไม่ยกเลิกงานเดิมอัตโนมัติ shared secret ภายในไม่ถูกตรวจโควตาหรือจำกัดจำนวนงานต่อบัญชี แต่ runtime limits ของ worker ยังมีผล

ตัวอย่าง Request

curl -X POST "https://api.lomasub.ai/new-transcribe" \
  -H "Authorization: Bearer $LOMA_API_SECRET_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "source_url": "https://lomafastsrt.sgp1.cdn.digitaloceanspaces.com/cancer.mp3",
    "language": "th",
    "config": {
      "speaker_diarization": true
    }
  }'

ตัวเลือกใน config

ทุกฟิลด์เป็นตัวเลือกเสริม — ระบบจะบันทึกค่าเหล่านี้ไว้กับงาน (config snapshot) ตั้งแต่ตอนสร้าง โดย snapshot คือ ค่าเริ่มต้นของเซิร์ฟเวอร์ → ค่าที่คุณส่ง และ GET /status คืน object นี้กลับมาใน config ให้ตรวจสอบได้ว่า worker ใช้ค่าอะไรจริง ค่าเริ่มต้นในตารางคือค่าที่ติดตั้งมากับซอฟต์แวร์ แต่ละ deployment ปรับได้ — ปัจจุบัน api.lomasub.ai ปรับ 3 ค่า: min_vad_duration_seconds 10.0, min_srt_duration_ms 1200, srt_max_chars 48 (srt_cue_words ใช้ค่าเริ่มต้น 6)

รูปทรงของบรรทัดซับไตเติลกำหนดด้วย 3 คีย์: srt_max_chars คือเพดานตัวอักษร, srt_cue_words คือจำนวนคำที่ตัวตัดบรรทัดพยายามให้ได้, min_srt_duration_ms คือเวลาแสดงผลขั้นต่ำ ชุดค่าที่เข้ากันคือประมาณ จำนวนคำ × 5 ตัวอักษร และ จำนวนคำ × 200 มิลลิวินาที — production ใช้ 6 / 48 / 1200

การสร้างซับไตเติล

ซับไตเติลแสดงต่อเนื่องเสมอ: เวลาสิ้นสุดของบรรทัดจะยืดไปจนถึงเวลาเริ่มของบรรทัดถัดไป เว้นแต่มีช่วงเงียบตั้งแต่ 1 วินาทีคั่นอยู่ (เวลาเริ่มของบรรทัดไม่ถูกขยับ) ไม่มีฟิลด์สำหรับตั้งค่าพฤติกรรมนี้

การแบ่งช่วงเสียง (VAD)

การระบุผู้พูด (Speaker Diarization)

Response — 201 Created

{
  "job_id": "0b8a4f3e-6c1d-4a9b-9f2e-7d5c3b1a8e64",
  "status_url": "https://api.lomasub.ai/status?job_id=0b8a4f3e-6c1d-4a9b-9f2e-7d5c3b1a8e64",
  "state": "QUEUED",
  "s1_queued_ts": "2026-07-10T09:15:22.481Z"
}

ข้อผิดพลาดที่อาจพบ

ขั้นตอนถัดไป: นำ job_id ไปติดตามความคืบหน้าที่ ตรวจสอบสถานะงาน — GET /status

Filler removal

config.remove_filler is a boolean, true by default. Set it to false to keep fillers. Omission or null uses the default; strings and numbers are rejected with 422. The effective value is stored in the job snapshot and returned by /status and /claim-job. Older queued snapshots missing the setting also default to true; completed results are not rewritten.

For Thai and English jobs (including mixed Thai/English speech), the worker removes only separated uh, um, เอ่อ, and อ่า, after ASR cleanup and before optional Pro correction and alignment. Both uh/um and Uh/Um are recognized. All-uppercase abbreviations, quoted terms, URLs, email addresses, compound words, possible numeric um measurements, and attached Thai text (such as อ่าน, เอ่อล้น, or อ่าตำรวจ) are preserved. Other sounds such as อืม, อื้อ, hm, and hmm are never removed by this filter. Other job languages are unchanged.

This is a readability option: removing hesitation can lose conversational nuance, and อ่า sometimes expresses acknowledgement. Only adjacent filler punctuation/whitespace is repaired; surviving words are not rewritten. Clear filler-only chunks may become empty. If no transcript units remain in the entire job, the existing no-content failure applies.

The option applies to all three forcealigner_level values and all generated subtitle formats. Original ASR remains in the worker trace; filler_filter.json records before/after text and removal spans. ASR segment timestamps are retained when cleaned segment text agrees with the cleaned transcript. Otherwise the worker clears stale segments; level none then uses chunk-level coarse timing.

Both CLI clients accept --remove-filler and --no-remove-filler; omission uses the API default:

python3 runjob.py "<audio_url>" --no-remove-filler
PYTHONPATH=api-server api-server/.venv/bin/python api-server/enqueue-job.py "<audio_url>" --no-remove-filler

Pro transcript correction

config.promodel="pro" enables word correction after ASR cleanup and before alignment. The worker sends ordered batches of 50 chunk rows to the fixed worker preset, validates exact replacements, and waits for all batches or the stage deadline. Valid edits are retained even if other edits/batches fail; only unresolved portions keep their original cleaned text. Repeated exact matches within a row are all corrected, with longer phrases taking overlap precedence. No speaker-name inference is performed. Normal and Pro jobs use the same result fields; no separate revised subtitle objects are created.

revise_srt, revise_speakername, and srt_revision_backend are retired and return 422. Worker-only model, concurrency, and timeout settings cannot be selected by a job. ASR omission recovery has been removed for every job.

Translation: one output language per job

Select exactly one mode with config.promodel (CLI: --promodel):

• translate-th: Thai.
• translate-en: English.
• translate-ja: Japanese (translate-jp is accepted and normalized).
• translate-ko: Korean (translate-kr is accepted and normalized).
• translate-zh: Simplified Chinese.

{"source_url":"<public audio URL>","language":"th","config":{"promodel":"translate-zh"}}

language is still the source ASR hint. Omission/null keeps original-language output; pro retains its existing correction behavior. Unsupported modes return 422. Translation supports forcealigner_level=default|none; combining it with llmsplitting returns 422 because that adds another LLM processing stage.

Translation uses the same worker preset as Pro with a different prompt, combining conservative recognition correction and translation in one stage. It runs after source cue timing, within BUILDING_SRT, in batches of 100 cues with read-only neighboring context. This batch size is independent of Pro correction's 50 ASR chunk rows. It does not run Pro first. A source/target language match uses conservative same-language correction.

Cue count, timestamps and speaker assignments stay fixed. The source splitter still applies srt_max_chars; target text may exceed it to retain meaning, with length overages logged. Translation never silently returns original-language fallback cues: an incomplete batch after retries fails the job.

The existing srt_url, vtt_url, and compact_url deliver the selected language. debug_vtt_url, when available, contains translated text and source diagnostics. Translation jobs have no karaoke_vtt_url or words_url: source word timings cannot be assigned to translated words. Original text remains in local worker traces only. Quota charging is unchanged.

Job history rows include promodel. GET /jobs/match accepts promodel with the same modes and aliases; absent/empty means normal original-language jobs only. The editor supplies its selected mode so reusing a file cannot load another language.