gpt-4o-transcribe-diarize

GPT-4o Transcribe Diarize er OpenAIs model til automatisk talegenkendelse med indbygget taleradskillelse. Den knytter transskriberede lydsegmenter til forskellige talere i en samtale. Det nyttige resultat er en transskription organiseret efter taler og tid frem for blot én sammenhængende tekstblok. Modellen er beregnet til optaget tale, der kræver talermærkning, eksempelvis et møde, et interview eller en diskussion med flere personer.

Forbered den afsluttede optagelse

Lever den optagelse, der skal transskriberes. Den dokumenterede filarbejdsgang accepterer MP3, MP4, MPEG, MPGA, M4A, WAV og WebM med en filstørrelsesgrænse på 25 MB. Bevar kildeoptagelsen, så et talerskift, et navn eller en uklar formulering kan kontrolleres mod den faktiske lyd.

Ved et møde skal du bevare samtalens rækkefølge frem for at klippe de korte pauser væk, som hjælper med at skelne talerskift. Ved et interview skal du holde spørgsmål og svar sammen, når deres relation er vigtig for opgaven. Lydforberedelsen skal gøre talen hørbar uden at fjerne oplysninger, der er vigtige for det talermærkede resultat.

Dette er en arbejdsgang til filtransskription. Behandling af en afsluttet optagelse og genkendelse af en lydstrøm, som stadig modtages, er forskellige opgaver; modellens talermærkning understøttes ikke i Realtime-transskriptionssessioner.

Anmod om en talermærket transskription

Resultatformatet diarized_json returnerer segmenter med taleridentitetsmærker og start- og sluttider. Hvert segment indeholder også sin transskriberede tekst. Hold felterne samlet, så ordene kan knyttes til den relevante del af optagelsen.

For at få en nyttig mødetransskription skal du bevare segmenternes rækkefølge og vise hver talers ord med deres tidsangivelser. En senere opgave kan bruge transskriptionen til at udarbejde et referat eller handlingspunkter, men taleradskillelsen afgør ikke i sig selv, hvad der blev aftalt på mødet, og skaber heller ikke en verificeret opsummering.

Talermærkerne beskriver modellens gruppering af talen. Undersøg overgange, hvor personer afbryder hinanden, taler kort eller taler samtidig. Et velstruktureret resultat hjælper med navigation og gennemgang, mens en bestemt tilskrivning stadig kan kræve, at man lytter til den originale lyd.

Referencer til kendte talere

Den dokumenterede arbejdsgang kan modtage op til fire navngivne talerreferencer. Hver reference er et kort lydklip på 2–10 sekunder i et format, som hoveduploaden understøtter. Navne og referencer leveres sammen, så segmenter kan forbindes med kendte talere.

Forbered en reference, der tydeligt indeholder den tilsigtede taler, og hold navnet i overensstemmelse med de ønskede mærker i transskriptionen. Ved et interview kan en reference til værten hjælpe med at organisere det talermærkede resultat uden at gøre alle deltagere til anonyme mærker. Referencen er input til talertilskrivning; den er ikke en generel stemmekloningsfunktion eller et bevis på en persons identitet.

Forveksl ikke navngivning af en taler med redigering af de ord, der blev sagt. Det nyttige output skal stadig bevare optagelsens indhold og den faktiske rækkefølge af talerskift.

Opdeling og modelgrænser

For lyd på over 30 sekunder kræver leverandøren en opdelingsstrategi, enten automatisk opdeling eller en konfiguration til registrering af taleaktivitet. Dette krav er ikke en maksimal optagelsesvarighed. Det beskriver, hvordan længere input opdeles til behandling.

Modelkortet angiver et kontekstvindue på 16.000 tokens og maksimalt 2.000 outputtokens. Det er modellens tokengrænser, som er adskilt fra filarbejdsgangens uploadgrænse på 25 MB og tærsklen for opdeling. De skal ikke omregnes til et opdigtet antal minutter, der gælder for alle optagelser.

Bevar tidsangivelser og segmentidentitet, når du samler eller undersøger en længere transskription. Hvis en optagelse er opdelt før indsendelsen, skal du bevare hver dels relation til den originale lyd, så et lokalt tidsstempel ikke forveksles med dets placering i den fulde samtale.

Streaming af færdiggjorte segmenter

Filarbejdsgangen til transskription kan streame tekst, mens optagelsen behandles. Ved talermærket streaming udsender færdiggjorte segmenter segmenthændelser. Tekstdeltaer indeholder en segmentidentifikator, men ikke foreløbige talertildelinger; en taler tildeles, når segmentet er færdiggjort.

Denne forskel er vigtig for præsentationen. Vis foreløbig tekst og et færdiggjort talerindlæg som forskellige tilstande frem for at tilføje et usikkert talermærke, før modellen har afsluttet segmentet. Gem det færdige resultat, når transskriptionen skal bruges til senere redigering eller analyse.

Modellens og outputtets grænser

Denne profil er modellen til taleradskillelse, adskilt fra almindelig GPT-4o-transskription, Mini-transskription, talesyntese og modeller til live-samtaler. Den understøtter ikke transskriptionsprompter; hold enhver gennemgang eller rettelse af terminologi som et separat trin, der kontrolleres mod den originale lyd. Leverandørens grænseflade transskriberer optaget lyd til tekst. Den genererer ikke et lydsvar og oversætter ikke en optagelse gennem den separate arbejdsgang til lydoversættelse.

Brug modellen til transskriptioner, der kræver både indhold og talerstruktur. Kontroller navne, fagtermer, tal, talerskift og tilskrivninger mod optagelsen. Gem lyden, det valgte resultatformat, referencerne og den færdige transskription, så en rettelse kan vedrøre én konkret formulering eller talertildeling.