OpenAI: GPT-4o Mini Transcribe

GPT-4o Mini Transcribe er OpenAIs tale-til-tekst-model baseret på GPT-4o Mini. Den modtager lyd med valgfri tekstvejledning og producerer genkendt tekst. Den er en anden model end GPT-4o Transcribe, som bruger GPT-4o, og den nyere GPT Transcribe-profil med særskilte felter til nøgleord og flersprogede hints. Det nyttige resultat her er en transskription af den oprindelige tale i optagelsen, forberedt til søgning, gennemgang eller et efterfølgende trin i indholdsbehandlingen.

Forberedelse af optagelsen

OpenAIs vejledning til filtransskription accepterer lyduploads på op til 25 MB. Den aktuelle endepunktsreference opfører FLAC, MP3, MP4, MPEG, MPGA, M4A, OGG, WAV og WebM med tilstrækkelige metadata om filnavn og indholdstype til at identificere lydformatet. Større optagelser kan komprimeres eller opdeles i dele på højst 25 MB. Bevar sætningsgrænserne ved opdeling, og hold hver del knyttet til kildeoptagelsen og dens placering, så teksten senere kan samles i den rigtige rækkefølge.

Ved stemmenoter skal du bevare én identificerbar transskription pr. optagelse og kontrollere navne eller tal, før du bruger teksten til at oprette opgaver. Ved en mundtlig vejledning skal du sammenholde den genkendte ordlyd med de oprindelige instruktioner, før du redigerer den til offentliggørelse. En nyttig forberedelsesbeskrivelse angiver det talte sprog og de termer, som ellers kan blive hørt forkert. Transskription af ordene er første trin; en fortolkning, opsummering eller oversættelse kan derefter bruge den kontrollerede transskription.

Promptvejledning og et hint om ét sprog

Eksisterende GPT-4o Mini Transcribe-integrationer understøtter en frit formuleret prompt. OpenAI beskriver prompter til navne, akronymer, optagelsesspecifikt ordforråd, tegnsætning, store og små bogstaver, fyldord og det foretrukne skriftsystem. Ifølge endepunktsreferencen skal prompten matche lydens sprog og kan medtage kontekst fra et foregående lydsegment. Medtag relevante stavemåder eller en kort beskrivelse af emnet frem for at bede en transskriptionsprompt om at fungere som en ubegrænset chatinstruktion.

Modellens etablerede sproghint bruger feltet language i ental. Leverandørreferencen dokumenterer en kode for inputsproget efter ISO 639-1, eksempelvis “en”. De separate felter keywords og languages er dokumenteret for GPT Transcribe; de hører ikke til denne Mini-profil. Ved en serie optagelser skal du gemme den tilsigtede indstilling for det talte sprog sammen med hvert input frem for at fortolke den som en anmodning om at oversætte resultatet.

JSON-resultat og valgfrie tokensandsynligheder

Den aktuelle endepunktsreference dokumenterer JSON som det understøttede svarformat for GPT-4o Mini Transcribe. Den genkendte ordlyd står i feltet text. Ved anmodning kan logaritmiske sandsynligheder for tokens følge med JSON-svaret; disse værdier beskriver modellens tokensandsynligheder og kan hjælpe med at udpege materiale til nærmere gennemgang. De fastslår ikke, at et navn, tal eller en sætning stemmer overens med lyden. Brug optagelsen til at afgøre, om et tvivlsomt ord skal rettes.

Den almindelige Mini-transskriptionsprofil leverer ikke direkte SRT- eller VTT-output, detaljerede tidsstempler på ordniveau eller talermærket output gennem denne JSON-kontrakt. OpenAI dokumenterer specialiserede modeller og formater til disse funktioner. Hvis det tilsigtede resultat er et undertekstspor, skal du holde den gennemgåede transskription tilgængelig til en separat arbejdsgang med tidsplacering frem for at antage, at et rent tekstresultat allerede indeholder undertekstgrænser.

Streamet filoutput og dokumenterede tilstande

Leverandørens tale-til-tekst-vejledning siger udtrykkeligt, at eksisterende GPT-4o Mini Transcribe-integrationer understøtter filstreaming. En afsluttet optagelse kan levere delvis transskriberet tekst efterfulgt af et endeligt resultat, mens den behandles. Gem den endelige transskription som det færdige resultat; fremkomsten af delvis tekst betyder ikke, at filarbejdsgangen løbende modtager direkte mikrofonlyd. Modelkortet opfører separat endepunktsfamilierne transskription og Realtime. Disse leverandørgrænseflader indebærer ikke, at alle sessionsfelter fra en anden transskriptionsmodel gælder her.

Kontekst, outputgrænse og nyttige kontroller

OpenAIs aktuelle modelspecifikation angiver et kontekstvindue på 16.000 tokens, et maksimalt output på 2.000 tokens og en vidensgrænse den 1. juni 2024. Det er værdier fra modelspecifikationen, ikke en universel varighed i minutter for en lydoptagelse. Filstørrelsesreglen og en tokengrænse beskriver forskellige begrænsninger. Ved længere materiale skal du forberede optagelsen efter den dokumenterede filarbejdsgang, videreføre relevant kontekst mellem delene og kontrollere, at den endelige tekst omfatter kildens afslutning.

Et nyttigt Mini Transcribe-resultat bevarer ordlyden og dens relation til optagelsen, mens eventuelle sandsynlighedsdata holdes adskilt fra redaktionelle rettelser. Gennemgå ukendt ordforråd, accenter, baggrundsstøj, sprogskift og overlappende tale med den originale lyd tilgængelig. Når du redigerer teksten for at forbedre læsbarheden, skal du skelne den redaktionelle version fra den genkendte transskription, så senere brugere kan se, hvilke ord der kom fra optagelsen, og hvilke der blev ændret under forberedelsen.