Fish Audio: Transcribe 1

Transcribe 1 er Fish Audios generelle tale-til-tekst-model til korte optagelser. Den modtager en lydfil og returnerer de genkendte ord som tekst sammen med optagelsens varighed, valgfrie tidskodede segmenter og sprogoplysninger, når de er kendt. Modellen er nyttig til en kort talebesked, en mundtlig instruktion, et uddrag af en optagelse eller et lydklip, der skal have en læsbar tekstrepræsentation.

En illustrativ arbejdsgang for talebeskeder bevarer optagelsen sammen med dens fulde transskription og en identifikator for det oprindelige klip. Et senere applikationstrin kan søge i teksten, organisere noten eller udarbejde et sammendrag og samtidig bevare den talte kilde. Ved en kommando leverer transskriptionen genkendte ord til applikationen; en eventuel handling er et separat fortolknings- og udførelsestrin. Ved et interviewuddrag skal du registrere klippets placering i den komplette lyd, så et citat kan kontrolleres på det rigtige sted.

Producenten accepterer WAV, MP3, AAC inklusive M4A/MP4, FLAC og Ogg med Opus eller Vorbis. Browseroptagelser i WebM bør konverteres til Ogg/Opus, MP3 eller WAV til denne model; Pro dokumenterer indbygget understøttelse af yderligere containere. Indsend én lydfil pr. anmodning. Grundmodellens dokumenterede anmodningsgrænse er op til 50 MiB, mens MP3- og Opus-filer skal holdes under 25 MiB. Filstørrelse og optagelseslængde er forskellige forhold: en komprimeret fil kan være inden for uploadgrænsen og alligevel tage for lang tid at behandle.

Transcribe 1 er udviklet til korte optagelser. Producenten anbefaler Pro til lyd, der er længere end nogle få minutter; en lang anmodning til grundmodellen kan mislykkes, hvis den overskrider grænsen for behandlingstid. Når en længere kilde forberedes til transskription som korte klip, skal du bevare hvert klips startforskydning og bekræfte, at den returnerede transskription dækker hele klippet, før resultaterne kombineres. Læg den oprindelige forskydning til de lokale segmenttider, så navigationen fortsat hænger sammen med den fulde optagelse. Vejledningen til grundmodellen skal ikke fortolkes som Pros separate grænse på 60 minutter.

Producentens svar indeholder tekst, varighed og segmenter. Varighed angives i sekunder, og den læsbare fulde transskription bør bevares som klippets primære ordlyd. Tidsstempler er valgfrie: ignore_timestamps er som standard true i producentens API, mens false anmoder om segmenter på ordniveau med tekst samt start- og sluttider i sekunder. Anmodning om tidsjustering øger behandlingstiden. Et tomt segments-array kan skyldes fravalgt tidskodning, ingen tale eller midlertidigt utilgængelig tidsjustering og bør derfor ikke automatisk fortolkes som en tom fuld transskription.

Segmenter er som regel ord eller ét eller nogle få tegn på kinesisk og japansk. Deres tekst udelader tegnsætning og kan normalisere en værdi anderledes end den fulde transskription; den er ikke en tegn-for-tegn-kopi af det læsbare svar. Et segment kan have samme start- og sluttid. Brug segmenter til at finde en position i optagelsen eller forberede tidskodet visning, og brug den fulde tekst, når ordlyd og tegnsætning er vigtige. Hold disse to repræsentationer adskilt i det resulterende materiale.

Sproget genkendes automatisk, uanset om der gives et valgfrit sproghint. Producenten dokumenterer ISO 639-1-koder med små bogstaver til hints og returnerer en sprogkode til applikationslogik sammen med et sprognavn til visning, når det er kendt. Svaret rapporterer ét sprog og ikke alle sprog i en optagelse, der skifter mellem sprog. Bevar kildens ordlyd og tilgængelige sprogmetadata sammen med resultatet i stedet for at betragte transskriptionsanmodningen som en oversættelseshandling.

Ved en arbejdsgang for undertekster skal du samle på hinanden følgende tidskodede segmenter i læsbare tekstblokke frem for at vise ét ord ad gangen. Et nyttigt output er en SRT- eller WebVTT-fil knyttet til det oprindelige klip med blokgrænser, der passer til pauser, og en overskuelig tekstmængde på skærmen. Kontroller for manglende tidskodning, og sørg for, at hver bloks slutning ligger efter dens start. Gruppering af undertekster og filformatering er applikationstrin baseret på den returnerede tidsjustering, og valgene for visning bør passe til afspilleren og målgruppen.

Transcribe 1s dokumenterede indstillinger er lyd, et sproghint og valg af tidsstempler. Pros talermarkører, strukturerede taleture, indstillinger for følelseshændelser og hints om antal talere er separate funktioner; de er ikke en del af denne grundmodels dokumenterede svarkontrakt. Vælg det nødvendige resultat før behandling: almindelig læsbar tekst til en note eller tekst sammen med tidsjustering til navigation ved afspilning og undertekster. Ved at bevare klipidentifikatoren, transskriptionen og eventuelle tilgængelige tider gør du resultatet nyttigt i applikationens næste trin.