Fish Audio: Transcribe 1 Pro

Transcribe 1 Pro je model společnosti Fish Audio pro převod řeči na text u krátkých klipů, rozhovorů s více mluvčími a dlouhých nahrávek. Přijímá nahraný zvuk a vrací přepis s volitelným časováním a strukturovanými promluvami mluvčích. Jeho rozlišujícími vlastnostmi jsou změny mluvčího označené v textu a náznaky emocí nebo hlasových událostí, které zachovávají více konverzační struktury nahrávky než prostá posloupnost slov.

U rozhovoru, schůzky nebo podcastu ponechte celou konverzaci v jednom souboru, aby opakovaně vystupující mluvčí mohli v odpovědi zachovat konzistentní označení. Užitečným podkladem ke kontrole je přepis propojený s původní nahrávkou, s odděleně zobrazenými promluvami a časovou značkou dostupnou k ověření citace. Shrnutí nebo seznam úkolů jsou následným krokem aplikace: uchovávejte je odděleně od přepisu, aby mluvený zdroj zůstal dostupný k porovnání.

Výrobce přijímá nahrávky až 60 minut a popisuje zpracování dlouhých souborů s komprimovaným zvukem, například MP3, Opus nebo AAC. Podporované formáty zahrnují WAV, MP3, AAC v M4A nebo MP4, FLAC, Ogg s Opus nebo Vorbis, WebM/Matroska a MOV. U video souboru používá první zvukovou stopu. AIFF, CAF, WMA, AMR, AC-3 a nezpracovaný PCM bez hlavičky nejsou podporovány. Na požadavek se dodává jeden zvukový soubor; výsledek přichází až po přepisu celé nahrávky a zpracování dlouhé nahrávky může trvat několik minut. Klipy kratší než přibližně 0,08 sekundy jsou odmítány.

Odpověď výrobce obsahuje úplný text, délku nahrávky v sekundách a pole segments. Pro označuje změny mluvčích přímo v textu značkami jako <|speaker:0|> a <|speaker:1|>; označení platí pro následující text až do další značky. Jde o identifikátory v rámci jedné odpovědi, nikoli o ověřená jména nebo identity, které lze přiřazovat napříč požadavky. Pokud přepis nemá značku mluvčího, průvodce jej považuje za výsledek s jediným mluvčím. Text před první značkou zachovejte u první promluvy, místo abyste jej zahodili.

Časové značky na úrovni slov jsou volitelné. V požadavku výrobce má ignore_timestamps výchozí hodnotu true; nastavení false žádá segmenty s textem a časy začátku a konce v sekundách. Segmentem je obvykle slovo, případně jeden nebo několik znaků v čínštině a japonštině. Text segmentu vynechává interpunkci, značky mluvčích a označení událostí a může normalizovat vyslovenou hodnotu jinak než úplný přepis. Slovní segment může mít stejný čas začátku a konce. Prázdné pole segments může znamenat, že časové značky nebyly požadovány, nebyla nalezena řeč nebo časování dočasně nebylo dostupné. Úplný přepis používejte pro čitelné znění a segmenty pro časové zarovnání, místo abyste předpokládali shodu obou řetězců znak po znaku.

Nastavení diarize má výchozí hodnotu auto. Jsou-li požadovány časové značky a diarize není false, Pro vrací také speaker_turns. Každá promluva obsahuje označení mluvčího, text a časy začátku a konce se zachovanou interpunkcí a ponechanými náznaky, avšak bez značky mluvčího vložené do textu. Pokud časování slov není dostupné, časy promluv mohou být přibližné a pokrývat celou nahrávku; sousední promluvy nemusejí být souvislé ani se časově nepřekrývat. Vypnutí diarize odstraní strukturovaný seznam promluv, ale ponechá značky mluvčích v úplném textu. Známý počet mluvčích nebo minimální a maximální počet mohou podle možností vést diarizaci delších nahrávek. Přesný počet nelze kombinovat s mezemi počtu a nápovědy k počtu nelze použít při vypnutém diarize.

Náznaky emocí a hlasových událostí se objevují jako text v hranatých závorkách, například [laughter], vedle rozpoznané řeči. Jde o odhady ze zvuku, nikoli o slova, která má uživatel přidat před přepisem. Nastavení tag_audio_events v Pro má výchozí hodnotu true; jeho vypnutí odstraní tato označení z přepisu a textu promluv bez změny časování. Neexistuje samostatné pole emocí ani pevný výčet emocí. Anotovaný přepis zachovejte, pokud záleží na zvukové podobě poznámky, a verzi bez označení používejte, když navazující výstup potřebuje pouze vyslovená slova.

Jazyk se rozpoznává automaticky. Volitelná nápověda ISO 639-1 malými písmeny nevynucuje překlad ani nemění přepis Pro. Pokud jazyk nelze určit, vrácený kód jazyka může odrážet nápovědu bez jejího ověření vůči zvuku. Výrobce hlásí jeden jazyk, nikoli seznam všech jazyků v jazykově smíšené nahrávce. Při přípravě prohledávatelného archivu uchovávejte původní znění společně s jazykovými metadaty, zejména když různé části konverzace přecházejí mezi jazyky.

Pro titulky seskupujte po sobě jdoucí časovaná slova do čitelných úseků SRT nebo WebVTT místo vytváření titulku pro každé slovo. Úseky oddělujte kolem pauz a jejich délku i dobu zobrazení volte podle přehrávače a publika. Hranice promluv mohou zachovat různé mluvčí v samostatných úsecích. Kontrolujte prázdný výsledek časování a úseky, jejichž konec musí být pozdější než začátek. Formátování titulků, pojmenování anonymních označení mluvčích a případné pozdější shrnutí jsou výstupy aplikace vytvořené z výsledku přepisu.

V praktickém postupu s nahrávkou před přepisem rozhodněte, zda potřebujete prostý čitelný přepis, anotované promluvy konverzace nebo časované titulky. U výsledku zachovejte identifikátor zvuku, uchovávejte vrácený úplný text, pokud záleží na interpunkci a označeních, a pro navigaci používejte strukturovaná časová pole. Schopnosti Pro pro dlouhé nahrávky a více mluvčích se liší od obecného modelu Transcribe 1 pro krátké nahrávky; jejich limity a ovládací prvky nelze považovat za zaměnitelné.