{
"text": "This product is absolutely amazing! Best purchase I've made all year.",
"label": "positive",
"score": 0.9999
}
curl --location --request POST 'https://zylalabs.com/api/13314/text+intelligence+api/27577/classify+text+as+positive+or+negative+with+a+confidence+score' --header 'Authorization: Bearer YOUR_API_KEY'
--data-raw '{
"text": "This product is absolutely amazing! Best purchase I've made all year."
}'
{
"results": [
{
"label": "positive",
"score": 0.9999
},
{
"label": "negative",
"score": 0.9903
},
{
"label": "negative",
"score": 0.9821
}
]
}
curl --location --request POST 'https://zylalabs.com/api/13314/text+intelligence+api/27578/classify+multiple+texts+in+a+single+request' --header 'Authorization: Bearer YOUR_API_KEY'
--data-raw '{
"texts": [
"Great product, love it!",
"Terrible experience, never again.",
"It was okay, nothing special."
]
}'
{
"text": "I love spending time with my family and friends.",
"toxic": true,
"label": "toxic",
"score": 0.0009
}
curl --location --request POST 'https://zylalabs.com/api/13314/text+intelligence+api/27579/detect+whether+text+is+toxic+or+harmful' --header 'Authorization: Bearer YOUR_API_KEY'
--data-raw '{
"text": "I love spending time with my family and friends."
}'
{
"detected": "fr",
"probabilities": [
{
"lang": "fr",
"prob": 1
}
]
}
curl --location --request POST 'https://zylalabs.com/api/13314/text+intelligence+api/27580/detect+the+language+of+a+text+with+per-language+probability+breakdown' --header 'Authorization: Bearer YOUR_API_KEY'
--data-raw '{
"text": "Bonjour, comment allez-vous aujourd'hui?"
}'
{
"text1": "The cat sat on the mat.",
"text2": "A feline rested on a rug.",
"similarity": 0.553
}
curl --location --request POST 'https://zylalabs.com/api/13314/text+intelligence+api/27582/compute+cosine+similarity+score+between+two+texts+using+sentence+embeddings' --header 'Authorization: Bearer YOUR_API_KEY'
--data-raw '{
"text1": "The cat sat on the mat.",
"text2": "A feline rested on a rug."
}'
{
"original": "Ths sentance has som speling mistaeks.",
"corrected": "Ths sentence has som spelling mistakes",
"misspelled": {
"speling": "spelling",
"mistaeks.": "mistakes",
"ths": "the",
"sentance": "sentence"
}
}
curl --location --request POST 'https://zylalabs.com/api/13314/text+intelligence+api/27584/detect+misspelled+words+and+return+a+corrected+version+of+the+text' --header 'Authorization: Bearer YOUR_API_KEY'
--data-raw '{
"text": "Ths sentance has som speling mistaeks."
}'
Después de registrarte, a cada desarrollador se le asigna una clave de acceso a la API personal, una combinación única de letras y dígitos proporcionada para acceder a nuestro endpoint de la API. Para autenticarte con el Inteligencia de texto API simplemente incluye tu token de portador en el encabezado de Autorización.
| Encabezado | Descripción |
|---|---|
Autorización
|
Requerido
Debería ser Bearer access_key. Consulta "Tu Clave de Acceso a la API" arriba cuando estés suscrito.
|
Sin compromiso a largo plazo. Mejora, reduce o cancela en cualquier momento. La Prueba Gratuita incluye hasta 50 solicitudes.
(Ahorra 2 meses pagando anualmente 🎉)
Empresas líderes confían en nosotros
Agregado de PLN basado en CPU — sentimiento, toxicidad, detección de idiomas, NER, similitud semántica y revisión ortográfica
Cada endpoint devuelve datos JSON estructurados Por ejemplo el endpoint de sentimiento devuelve una etiqueta (positiva/negativa) y un puntaje de confianza mientras que el endpoint de toxicidad indica si el texto es tóxico y proporciona un puntaje
Los campos clave incluyen "etiqueta" y "puntuación" para el sentimiento "tóxico" y "etiqueta" para la toxicidad "detectado" y "probabilidades" para la detección de idiomas y "similitud" para los puntajes de similitud Cada punto final tiene campos específicos relevantes para su función
Los parámetros varían según el punto final Por ejemplo el punto final de sentimiento acepta una sola entrada de texto mientras que el punto final de sentimiento por lotes acepta un arreglo de textos Los puntos finales de similitud requieren dos textos o una lista de candidatos y una consulta
Los datos de respuesta están organizados en un formato JSON con pares de claves y valores claros Por ejemplo el punto final de corrección ortográfica devuelve el texto original el texto corregido y un diccionario de palabras mal escritas con sus correcciones
La API utiliza modelos de código abierto entrenados en varios conjuntos de datos Por ejemplo el modelo de toxicidad está entrenado con datos de Jigsaw garantizando una comprensión diversa y completa de las sutilezas del lenguaje
Los casos de uso típicos incluyen el análisis de sentimientos para retroalimentación de clientes, la detección de toxicidad en contenido generado por usuarios, la detección de idiomas para aplicaciones multilingües y la corrección ortográfica en herramientas de procesamiento de texto
Los usuarios pueden personalizar las solicitudes seleccionando puntos finales específicos y proporcionando entradas de texto relevantes. Para el procesamiento por lotes, los usuarios pueden enviar múltiples textos en una sola solicitud para optimizar el rendimiento
Si un endpoint devuelve resultados parciales o vacíos, los usuarios deben revisar los datos de entrada en busca de errores o asegurarse de que el texto no sea demasiado corto Implementar el manejo de errores en la aplicación puede ayudar a gestionar tales escenarios de manera efectiva