Fish Audio: Transcribe 1 Pro

Transcribe 1 Pro هو نموذج تحويل الكلام إلى نص من Fish Audio للمقاطع القصيرة والمحادثات المتعددة المتحدثين والتسجيلات الطويلة. يستقبل صوتًا مسجّلًا ويعيد نصًا مفرّغًا، مع توقيت اختياري وأدوار كلام منظَّمة للمتحدثين. وتتمثّل خصائصه المميزة في تحديد تغيّر المتحدث داخل النص، وإشارات المشاعر أو الأحداث الصوتية، ما يحافظ على قدر أكبر من البنية الحوارية للتسجيل مقارنةً بتسلسل كلمات مجرد.

في المقابلة أو الاجتماع أو البودكاست، احتفظ بالمحادثة كاملةً في ملف واحد، حتى يحتفظ المتحدثون العائدون بتسميات متسقة ضمن الاستجابة. وناتج المراجعة المفيد نص مفرّغ مرتبط بالتسجيل الأصلي، مع عرض أدوار الكلام منفصلةً وإتاحة طابع زمني للتحقق من اقتباس. أما الملخّص أو قائمة الإجراءات فخطوة لاحقة في التطبيق: أبقهما منفصلين عن النص المفرّغ، حتى يظل المصدر المنطوق متاحًا للمقارنة.

يقبل المُنتج تسجيلات تصل إلى 60 دقيقة، ويصف معالجة الملفات الطويلة باستخدام صوت مضغوط مثل MP3 أو Opus أو AAC. وتشمل التنسيقات المدعومة WAV وMP3 وAAC داخل M4A أو MP4 وFLAC وOgg مع Opus أو Vorbis وWebM/Matroska وMOV. وفي ملف الفيديو، يستخدم المسار الصوتي الأول. ولا تُدعم AIFF وCAF وWMA وAMR وAC-3 وPCM الخام من دون ترويسة. ويُقدَّم ملف صوتي واحد لكل طلب؛ وتصل النتيجة بعد تفريغ التسجيل كاملًا، وقد يستغرق التسجيل الطويل عدة دقائق. وتُرفض المقاطع الأقصر من نحو 0.08 ثانية.

تتضمن استجابة المُنتج النص الكامل ومدة التسجيل بالثواني ومصفوفة segments. ويحدّد Pro تغيّر المتحدث داخل النص بتسميات مثل <|speaker:0|> و<|speaker:1|>؛ وتسري التسمية على النص التالي حتى العلامة اللاحقة. وهذه معرّفات داخل استجابة واحدة، وليست أسماء أو هويات متحقَّقًا منها يمكن مطابقتها عبر الطلبات. وإذا لم يتضمن النص المفرّغ علامة متحدث، يعامله الدليل بوصفه نتيجة لمتحدث واحد. واحتفظ بأي نص قبل العلامة الأولى مع دور الكلام الأول، بدلًا من حذفه.

الطوابع الزمنية على مستوى الكلمات اختيارية. وفي طلب المُنتج، تكون القيمة الافتراضية لـ ignore_timestamps هي true؛ وضبطها على false يطلب مقاطع تتضمن النص ووقتَي البداية والنهاية بالثواني. ويكون المقطع عمومًا كلمة واحدة، أو حرفًا واحدًا أو بضعة أحرف في الصينية واليابانية. ولا يتضمن نص المقطع علامات الترقيم أو علامات المتحدثين أو إشارات الأحداث، وقد يطبّع قيمة منطوقة بصورة تختلف عن النص المفرّغ الكامل. ويمكن أن يكون لمقطع الكلمة وقت بداية ونهاية متطابقان. وقد تعني مصفوفة segments الفارغة أن الطوابع الزمنية لم تُطلب، أو أنه لم يُعثر على كلام، أو أن التوقيت كان غير متاح مؤقتًا. واستخدم النص المفرّغ الكامل للصياغة المقروءة، والمقاطع للمحاذاة، بدلًا من افتراض تطابق السلسلتين حرفًا بحرف.

القيمة الافتراضية لإعداد diarize هي auto. وعند طلب الطوابع الزمنية، وعدم كون diarize مضبوطًا على false، يعيد Pro أيضًا speaker_turns. ويتضمن كل دور كلام تسمية متحدثه ونصه ووقتَي بدايته ونهايته، مع الحفاظ على الترقيم والإشارات المحتفَظ بها من دون علامة المتحدث داخل النص. وإذا لم يتوفر توقيت الكلمات، فقد تكون أوقات الأدوار تقريبية وتغطي التسجيل كاملًا؛ وليس بالضرورة أن تكون الأدوار المتجاورة متصلة أو غير متداخلة. ويزيل تعطيل diarize قائمة الأدوار المنظمة، لكنه يُبقي علامات المتحدثين في النص الكامل. ويمكن لعدد متحدثين معلوم، أو حدَّين أدنى وأقصى للعدد، توجيه فصل المتحدثين في التسجيلات الأطول على أساس بذل أفضل جهد. ولا يمكن الجمع بين العدد الدقيق وحدود العدد، كما لا يمكن استخدام تلميحات العدد مع تعطيل diarize.

تظهر إشارات المشاعر والأحداث الصوتية كنص بين أقواس مربعة، مثل [laughter]، بجانب الكلام المتعرَّف عليه. وهي استنتاجات من الصوت، وليست كلمات يحتاج المستخدم إلى إضافتها قبل التفريغ. والقيمة الافتراضية لإعداد tag_audio_events في Pro هي true؛ ويزيل تعطيله هذه الإشارات من النص المفرّغ ونص الأدوار من دون تغيير التوقيت. ولا يوجد حقل مشاعر منفصل أو تعداد ثابت للمشاعر. احتفظ بالنص المفرّغ المشروح عندما تكون نبرة العبارة مهمة، واستخدم نسخة خالية من الإشارات عندما يحتاج الناتج اللاحق إلى الكلمات المنطوقة فقط.

تُكتشف اللغة تلقائيًا. ولا يفرض تلميح ISO 639-1 اختياري بحروف صغيرة ترجمةً، ولا يغيّر النص المفرّغ في Pro. وإذا تعذّر تحديد اللغة، فقد يعكس رمز اللغة المُعاد التلميح من دون التحقق منه في ضوء الصوت. ويُبلغ المُنتج عن لغة واحدة، لا جردٍ لكل لغة في تسجيل مختلط اللغات. واحتفظ بالصياغة الأصلية وبيانات اللغة الوصفية معًا عند تجهيز أرشيف قابل للبحث، خصوصًا عندما تنتقل أجزاء مختلفة من المحادثة بين اللغات.

للتعليقات النصية، اجمع الكلمات المتتالية الموقّتة في مقاطع SRT أو WebVTT مقروءة، بدلًا من إنتاج مقطع تعليق لكل كلمة. وافصل المقاطع عند الوقفات، واختر طولها ومدة عرضها بما يناسب المشغّل والجمهور. ويمكن لحدود أدوار الكلام إبقاء المتحدثين المختلفين في مقاطع منفصلة. وتحقّق من نتيجة توقيت فارغة، ومن المقاطع التي يجب أن تكون نهايتها لاحقة لبدايتها. وتنسيق التعليقات النصية وأسماء تسميات المتحدثين المجهولة وأي ملخّص لاحق هي نواتج تطبيق تُبنى من نتيجة التفريغ.

في سير عمل عملي للتسجيلات، حدّد قبل التفريغ ما إذا كنت تحتاج إلى نص بسيط مقروء، أو أدوار حوار مشروحة، أو تعليقات نصية موقّتة. واحتفظ بمعرّف الصوت مع النتيجة، واحفظ النص الكامل المُعاد عندما يكون الترقيم والإشارات مهمين، واستخدم حقول التوقيت المنظمة للتنقل. وتختلف قدرات Pro للتسجيلات الطويلة وتعدد المتحدثين عن نموذج Transcribe 1 العام للتسجيلات القصيرة؛ فلا ينبغي اعتبار حدودهما وأدوات التحكم فيهما قابلة للتبادل.