Fish Audio: Transcribe 1 Pro

Transcribe 1 Pro er Fish Audios tale-til-tekst-model til korte klip, samtaler med flere talere og lange optagelser. Den modtager optaget lyd og returnerer en transskription med valgfrie tidsangivelser og strukturerede taleture. Dens særlige egenskaber er markering af talerskift i teksten og oplysninger om følelser eller stemmehændelser, der bevarer mere af optagelsens samtalestruktur end en ren række ord.

Til et interview, møde eller en podcast bevares hele samtalen i én fil, så tilbagevendende talere kan beholde ensartede betegnelser i svaret. Et nyttigt materiale til gennemgang er en transskription knyttet til originaloptagelsen med taleturene vist separat og et tidsstempel til kontrol af et citat. Et resumé eller en handlingsliste er et efterfølgende trin i applikationen: hold det adskilt fra transskriptionen, så den talte kilde stadig kan bruges til sammenligning.

Producenten accepterer optagelser på op til 60 minutter og beskriver behandling af lange filer med komprimeret lyd som MP3, Opus eller AAC. Understøttede formater omfatter WAV, MP3, AAC i M4A eller MP4, FLAC, Ogg med Opus eller Vorbis, WebM/Matroska og MOV. Til en videofil bruges det første lydspor. AIFF, CAF, WMA, AMR, AC-3 og rå PCM uden header understøttes ikke. Der leveres én lydfil pr. forespørgsel; resultatet kommer, når hele optagelsen er transskriberet, og en lang optagelse kan tage flere minutter. Klip kortere end cirka 0,08 sekunder afvises.

Producentens svar indeholder den fulde tekst, optagelsens varighed i sekunder og et segments-array. Pro markerer talerskift direkte i teksten med betegnelser som <|speaker:0|> og <|speaker:1|>; en betegnelse gælder for den efterfølgende tekst indtil næste markør. Det er identifikatorer inden for ét svar, ikke verificerede navne eller identiteter, der kan matches på tværs af forespørgsler. Hvis transskriptionen ikke har nogen talermarkør, behandler vejledningen den som et resultat med én taler. Bevar eventuel tekst før den første markør sammen med den første taletur frem for at kassere den.

Tidsstempler på ordniveau er valgfrie. I producentens forespørgsel har ignore_timestamps standardværdien true; værdien false anmoder om segmenter med tekst samt start- og sluttider i sekunder. Et segment er normalt et ord eller ét eller nogle få tegn på kinesisk og japansk. Segmentteksten udelader tegnsætning, talermarkører og hændelsesmarkeringer og kan normalisere en udtalt værdi anderledes end den fulde transskription. Et ordsegment kan have samme start- og sluttid. Et tomt segments-array kan betyde, at tidsstempler ikke blev anmodet om, at der ikke blev fundet tale, eller at tidsangivelser midlertidigt ikke var tilgængelige. Brug den fulde transskription til læsbar ordlyd og segmenter til tidsmæssig tilpasning frem for at antage, at begge tekststrenge er identiske tegn for tegn.

Indstillingen diarize har standardværdien auto. Når der anmodes om tidsstempler, og diarize ikke er false, returnerer Pro også speaker_turns. Hver taletur indeholder sin talerbetegnelse, tekst og start-/sluttider og bevarer tegnsætning og de medtagne markeringer uden talermarkøren fra den fulde tekst. Hvis tidsangivelser på ordniveau ikke er tilgængelige, kan taleturstiderne være omtrentlige og dække hele optagelsen; tilstødende taleture er ikke nødvendigvis sammenhængende eller uden overlap. Deaktivering af diarize fjerner den strukturerede liste over taleture, men lader talermarkørerne blive i den fulde tekst. Et kendt talerantal eller et minimums- og maksimumsantal kan efter bedste evne hjælpe med taleradskillelse i længere optagelser. Det præcise antal kan ikke kombineres med antalsgrænserne, og antalsoplysninger kan ikke bruges, når diarize er deaktiveret.

Følelses- og stemmehændelsesmarkeringer vises som tekst i firkantede parenteser, eksempelvis [laughter], sammen med den genkendte tale. De er udledt af lyden, ikke ord, som en bruger skal tilføje før transskription. Pros indstilling tag_audio_events har standardværdien true; deaktivering fjerner disse markeringer fra transskriptionen og taletursteksten uden at ændre tidsangivelserne. Der findes intet separat følelsesfelt eller en fast opregning af følelseskategorier. Bevar den annoterede transskription, når måden en bemærkning lyder på er vigtig, og brug en version uden markeringer, når det efterfølgende resultat kun kræver de talte ord.

Sproget registreres automatisk. Et valgfrit ISO 639-1-hint med små bogstaver gennemtvinger ikke oversættelse og ændrer ikke Pros transskription. Hvis sproget ikke kan bestemmes, kan den returnerede sprogkode afspejle hintet uden at være verificeret mod lyden. Producenten rapporterer ét sprog frem for en oversigt over alle sprog i en flersproget optagelse. Bevar den oprindelige ordlyd og sprogmetadata sammen, når et søgbart arkiv klargøres, især når forskellige dele af en samtale skifter sprog.

Til undertekster grupperes på hinanden følgende ord med tidsangivelser i læsbare SRT- eller WebVTT-undertekstblokke frem for at lave én undertekst pr. ord. Adskil blokkene ved pauser, og vælg længde og visningstid, der passer til afspilleren og publikum. Grænser mellem taleture kan holde forskellige talere i separate undertekstblokke. Kontroller, om tidsresultatet er tomt, og at hver undertekstbloks sluttid ligger efter dens starttid. Undertekstformatering, navne til anonyme talerbetegnelser og eventuelle senere resuméer er applikationsresultater, der bygges ud fra transskriptionsresultatet.

Til et praktisk optagelsesforløb afgøres det før transskription, om der er brug for en almindelig læsbar transskription, annoterede samtaleture eller tidsstyrede undertekster. Bevar lydidentifikatoren sammen med resultatet, behold den returnerede fulde tekst, når tegnsætning og markeringer er vigtige, og brug de strukturerede tidsfelter til navigation. Pros funktioner til lange optagelser og flere talere er adskilt fra den generelle Transcribe 1-model til korte optagelser; deres grænser og indstillinger må ikke behandles som udskiftelige.