Deepgram: Nova-3

Nova-3 er Deepgrams generelle talegenkendelsesmodel til at omdanne lyd til tekst. Producenten anbefaler den til møder, undertekster til arrangementer, optagelser med flere talere og krævende forhold som støj eller fjernt placerede mikrofoner, med enten transskription af optagelser eller streaming. Dens nyttige resultat er genkendt tale med tidsangivelser og sikkerhedsoplysninger, der fortsat er knyttet til kildelyden.

Vælg sprogforløbet

Det dokumenterede standardsprog er engelsk. En enkeltsproget forespørgsel vælger det talte sprog eller en understøttet sprogvariant. Den aktuelle tabel for den generelle model omfatter regionale engelske varianter, spansk, fransk, tysk, russisk, portugisisk, japansk, italiensk, nederlandsk, arabisk, kinesiske skriftvarianter og mange andre sprog, herunder kasakhisk. Vælg blandt producentens understøttede koder frem for at antage, at ethvert navn på en sprogvariant accepteres.

Den flersprogede indstilling er et separat forløb til sprogskift. Den aktuelle Nova-3-tabel angiver ti sprog til dette: engelsk, spansk, fransk, tysk, hindi, russisk, portugisisk, japansk, italiensk og nederlandsk. Dette sæt er ikke identisk med den større enkeltsprogede liste. Til en optagelse, der skifter mellem understøttede sprog, forberedes den flersprogede tilstand frem for at tvinge hele samtalen ind i en uvedkommende enkeltsproget indstilling. Bevar det sagte, før en oversat eller opsummeret version klargøres.

Optaget lyd og forberedelse af transskriptionen

Deepgrams filforløb accepterer uploadede lydbytes eller en reference til en lydfil. Gem den returnerede transskription, når forespørgslen er færdig; producenten gemmer ikke transskriptioner til senere hentning. Almindelige dokumenterede inputformater og kodninger omfatter MP3, MP4, MP2, AAC, WAV, FLAC, PCM, M4A, Ogg, Opus og WebM. Bevar oplysninger om det faktiske format og kanalerne sammen med optagelsen. Giv optagelsen en stabil identifikator, og hold resultatet knyttet til den korrekte kilde og dens kanaloplysninger. Til et møde gennemgås deltagernavne og fagudtryk, mens der lyttes til originallyden. Til en forelæsning eller et arrangement bevares lydens rækkefølge, så en senere undertekst eller et søgeresultat kan finde den relevante passage.

Producentens vejledning til optaget lyd angiver en maksimal filstørrelse på 2 GB og anbefaler at udtrække lydstrømmen fra en stor videofil. Den dokumenterer også en behandlingstimeout på ti minutter for Nova-forespørgsler. Denne timeout vedrører, hvor længe forespørgslen behandles, ikke en maksimal optagelsesvarighed på ti minutter. Et nyttigt resultat omfatter slutningen af den tilsigtede optagelse; en delvist bevaret transskription må ikke behandles som den fulde tekst.

Læs ord, tider og sikkerhed

Det dokumenterede JSON-svar omfatter transskriptionsalternativer og genkendte ord med hvert ords start- og sluttid i sekunder fra lydens begyndelse samt en sikkerhedsværdi. Til en transskription med flere talere tildeler producentens valgfrie taleradskillelse en talerbetegnelse til hvert ord. Taleradskillelse i optaget lyd returnerer også sikkerhed for taleridentifikationen; taleradskillelse ved streaming returnerer talerbetegnelsen. Kontroller betegnelserne i forhold til stemmerne i optagelsen. Den samlede transskriptionssikkerhed rapporteres også på en skala fra 0 til 1. Når smart formatering anmodes om, kan resultatet omfatte tegnsætning og store bogstaver som ord med tegnsætning samt læsbare afsnitsoplysninger.

Brug felterne efter deres betydning. En ordtid lokaliserer genkendt tale, mens sikkerheden er modellens angivelse af pålidelighed, ikke et bevis på, at et vanskeligt navn eller en mængde blev hørt korrekt. Til undertekstforberedelse bevares tidsangivelserne sammen med den gennemgåede ordlyd, og afgrænsningen kontrolleres mod lyden. Til en læsbar redaktionel version holdes ændringer tydeligt adskilt fra den genkendte transskription frem for lydløst at erstatte usikre ord med en sandsynlig historie.

Streaminggenkendelse og afsluttede segmenter

Novas streamingforløb returnerer tekst, efterhånden som lyden ankommer, med foreløbige og endelige resultater. Indikatoren is_final skelner tekst, der kan ændres, fra et afsluttet segment. Indikatoren speech_final vedrører detektering af afslutningen på et talesegment. Hold disse signaler adskilt fra blot at modtage en ikke-tom transskription, og bevar de afsluttede segmenter i lydens rækkefølge, når den færdige optegnelse klargøres.

Nova-3 er generel automatisk talegenkendelse frem for den separate Flux-samtalemodel med indbygget detektering af taleture i modellen. Nova markerer transskriptionens endelighed og afslutninger på tale; Flux leverer sine egne hændelser for samtaleturens tilstand. Vælg transskriptionsforløbet efter, om lyden allerede er optaget eller ankommer direkte, og brug det faktiske endelige output som det resultat, der bevares.

Nøgletermer til vigtigt ordforråd

Nova-3s dokumenterede Keyterm Prompting understøtter enkeltsproget og flersproget transskription og tilpasser genkendelsen mod vigtige termer uden at genoptræne modellen. Angiv relevante navne, produkttermer, akronymer eller flerordsudtryk, som faktisk kan blive sagt. Vejledningen begrænser det samlede nøgletermsinput til 500 tokens og anbefaler at fokusere på det vigtigste ordforråd frem for ukritisk at tilføje almindelige ord.

Producentens syntaks bruger almindelige termer med en separat keyterm-post for hver term. Et flerordsudtryk forbliver ét udtryk. Ældre nøgleordsvægte eller forstærkningsangivelser samt sammenkædning af separate termer med kommaer, semikoloner eller linjeskift er ikke tilsvarende: grænsefladen kan acceptere dem som én bogstavelig værdi uden at give den tilsigtede forstærkning. Brug den korrekte brug af store og små bogstaver i navne, og kontroller derefter transskriptionen, da lydkontekst og smart formatering stadig kan ændre den endelige skriftlige form.

Modelfamiliens grænser og nyttige resultater

Den generelle Nova-3-profil er adskilt fra de særskilt navngivne Medical- og Pharma-varianter. Ordforrådsstyring gør den ikke til en anden udgave, og de specialiserede modellers sprogdækning eller adfærd må ikke antages at gælde for den generelle model. Yderligere funktioner til transskriptionsbehandling er valg i producentens taleforløb, ikke bevis på, at genkendelsen har produceret et resumé, en oversættelse eller et andet resultat, der aldrig blev anmodet om.

Et nyttigt Nova-3-resultat kan være en søgbar mødetransskription, ordlyd klargjort til undertekster med tidsangivelser for ord eller en optegnelse af en flersproget samtale. Bevar lydidentifikatoren, det valgte sprogforløb, den endelige tekst og eventuelle nyttige sikkerheds- eller tidsfelter. Kontroller uklare navne, tal, overlappende stemmer og sprogskift mod originaloptagelsen, og hold den faktisk genkendte tale tilgængelig for det næste indholdsbehandlingstrin.